facebook
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 

Pokročilá analýza provozu datových sítí

V tomto čtyřdílném seriálu vás seznámíme s různými metodami a přístupy...

1. až 4. díl >>

 

Cesta k efektivnímu identity managementu

Správa identit a přístupů (IAM) je klíčová oblast pro zaručení bezpečnosti...

1. až 9. díl >>

Partneři webu
VERA
IT SYSTEMS 6/2018 , Business Intelligence , Logistika

Proč je dobré analyzovat big data nejen v logistice

Tomáš Hladík


LogioUž jste to určitě taky slyšeli. Big data neboli velké objemy dat nejrůznějšího druhu nejsou jen tématem IT specialistů, mluví o nich kdekdo. Ne vždy je ovšem tak docela jasné (a to ani řečníkům samotným), k čemu můžou být big data dobrá, co dokážou říct a proč je nejen sledovat a ukládat, ale především analyzovat. Právě poslední bod zatím u většiny firem představuje zásadní háček.


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
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
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 Tomáš Hladík
Autor článku je projektovým manažerem společnosti Logio.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.


Inzerce

Nezapomněli jste si prodloužit předplatné časopisu IT Systems?

Začátek nového roku je nejen obdobím, kdy už se pomalu začínají rozplývat mnohá novoroční předsevzetí. Je také obdobím, kdy je třeba provést řadu každoročně se opakujících činností. V případě IT manažerů a IT profesionálů by mezi nimi nemělo chybět prodloužení předplatného časopisu IT Systems.