Analyzovat obrovská množství dat a najít v nich to, co dává smysl a může firmě pomoci v jejím jednání, není snadné. Jisté je, že to za to stojí. Správné vyhodnocení posbíraných dat může podstatně pomoct zvýšit efektivitu, ušetřit náklady a jednoduše řečeno dělat věci tak, aby dávaly smysl.

Zaměřit se na big data znamená vyhodnotit celý řetězec, od zákazníků po dodavatele, a dívat se, co se v jednotlivých článcích celého řetězce děje. Když se pak na celý tenhle řetězec podíváme zdálky, ukáže se pořádně spletitý síťový graf, který můžete vidět na obrázku 1. Z něj je jasné, o jak komplexní věc jde.

Obr. 1: Schematické znázornění dodavatelských řetězců a jejich vazeb

Každé epicentrum, z nějž vybíhají čáry dál, představuje našeho zákazníka, kterému řídíme dodavatelský řetězec. Čím je tohle epicentrum větší, tím větší je i firma. Rovné čáry představují spojení s dodavateli. Celkem tu je 50 tisíc vazeb, z toho v 15 tisících jsou propojené. To je ohromná příležitost, 30 procent spojení je společných, ale firmy to zatím neumí využít a neplánují podle toho. Graf znázorňuje de facto vzorek celého trhu (jsou zde zachyceny firmy z obchodu, řetězce, potravináři, nápojáři, zdravotní i automobilový průmysl). Vyjádřeno v reálných číslech, aby bylo jasné, o jak velké téma, potažmo o jak obrovskou sumu jde: na pozadí těchto vazeb je 160 miliard obratu a 120 miliard nákupu, jinak řečeno dvě miliardy transakcí za dva roky a 23 milionů položek na prodejnách.

K čemu je to dobré?

• Znalost těchto spojení může pomoci zefektivnit plánování a celkově řízení dodavatelského řetězce. Pokud by se informace mezi jednotlivými články přenášely rychleji a cíleně, podařilo by se lépe reagovat na nejrůznější výkyvy v poptávce a reflektovat je bez zbytečných nákladů.
• Z dat se dají analyzovat promoakce. Bez speciálních nástrojů to není vůbec snadné, ale vzhledem k tomu, že se dnes až 50 procent obchodu prodává přes promoakce, je analýza jejich efektivity více než smysluplná.
• O kanibalizaci obchodníci moc nemluví. Opět to je z velké míry proto, že dnes jen těžko dokážou přesně určit, kde a v jakém rozsahu k ní dochází. Dáte slevu na eidam, a ementál zůstane v regálech. Podobně je na tom otázka, jaký je skutečný postpromoční efekt. Díky analýze dat jsme ale schopni zjistit i tohle.
• Výroba je taky věda. Když si vezmeme produkční linky a zamyslíme se nad tím, jak je postavit tak, aby fungovaly co nejefektivněji, vidíme další pořádný úkol. Možných kombinací, jak výrobní linku byť jen pro několik produktů poskládat, je ohromné množství. A bez dat je výsledná varianta především věcí zkušenosti a intuice.
• Samozřejmě že další velké téma je distribuce. Jak ji uspořádat, abychom zbytečně neplýtvali zdroji? Stačí pět vozidel a deset zastávek a možných kombinací je opět bezpočet.

Příklad z praxe – automobilový průmysl

Stejně jako big data, i další pojmy, jako umělá inteligence nebo třeba machine learning, najdete v každém druhém článku, který se alespoň trochu dotýká IT. Pravdou ovšem je, že obecně projektů tohoto typu je v České republice stále jako šafránu a těch skutečně přínosných snad ještě méně. Jak potvrzují výzkumy analytických firem jako Gartner, 70 až 90 % existujících dat průmyslové firmy stále neumí využít. Příčina není snad až tak na straně nabídky, jako na straně poptávky.

Každopádně ledy se začínají hýbat a zájem o tyto technologie kromě finančnictví a bankovnictví nyní stoupá i v tradičním průmyslu. Manažeři si začínají uvědomovat, že na některé otázky jim běžná lokální řešení neodpovědí a že někdy je třeba komplexního pohledu s využitím pokročilých algoritmů.

A přesně toto zadání stálo na začátku projektu, který jsme připravili pro našeho klienta v automobilovém průmyslu. Tým logistiky nás požádal, abychom pomohli s řízením spolehlivosti odvolávek dodavatelům (dodání požadovaného materiálu včas, ve správném množství a kvalitě). Otázky, na které jsme hledali odpověď, zněly například takto:

• Jaké jsou hlavní statistické faktory způsobující nespolehlivost odvolávek?
• Jaká je „riziková přirážka“ těchto faktorů?
• Jaké jsou možnosti predikce nespolehlivosti odvolávek?
• Jaká jsou rizika a úzká místa v procesu realizace dodávky?

Abychom tyto odpovědi našli, museli jsme nejprve zpracovat velké množství historických dat. Miliony historických odvolávek, záznamů o jejich průběhu nebo třeba denní data o počasí. Ve výsledku jsme tak měli stovky datových zdrojů, jejichž kontextovou analýzou a s využitím machine learningových algoritmů jsme hledali jehly v kupce sena. A to je přesně to, co tyto nové technologie a metody dělají. Dokážou ve změti dat prstem ukázat na to podstatné. Pomocí pokročilých algoritmů data miningu, machine learningu a heuristik jsme našli skutečně důležité informace vedoucí ke zlepšení celého procesu. Navíc byly tyto informace přiřazeny svému majiteli, tj. zodpovědnému disponentovi. Ten tak dostává personifikovaný dashboard o svých odvolávkách, kde se mu daří a kde je naopak potenciál pro zlepšení.

Obr. 2: Příklad optimalizované dodavatelské sítě

Každý disponent má ve výsledku jen několik málo svých „big data příběhů”, které ale reprezentují desítky procent všech nevěrných odvolávek. A jak jistě tušíte, každé zlepšení věrnosti odstraňuje potřebu držení pojistných zásob a rezervních kapacit zdrojů, nemluvě o riziku ztrát z nevýroby.

Big data jsou velké téma, okolo kterého se našlapuje často spíš opatrně a s velkým otazníkem, co všechno si pod tím představit. V každém případě je jasné, že obrovská množství dat z nejrůznějších oblastí a jejich propojení budou (a jsou) rozhodující pro budoucí a dlouhodobý úspěch. A právě v logistice to platí dvojnásob.

Tomáš Hladík Autor článku je projektovým manažerem společnosti Logio.