Развитие новых технологий приводит к тому, что все сферы бизнеса неизбежно меняются. Сегодня предлагаю посмотреть, какие изменения уже происходят и будут происходить в сфере логистики и, в частности, при управлении и моделировании цепочек поставок.
Привычное понимание логистики, которое включает в себя снабжение, хранение и транспортировку товаров под влиянием современных трендов трансформируется и расширяется. В том числе благодаря технологии Big Data. Эффективное функционирование логистики в компаниях сегодня невозможно без имитационного моделирования и интегрированного планирования цепочек поставок, в построении которых все более весомую роль играет правильная работа с данными, их сбор и обработка.
Современный подход к логистике
Зачастую во многих российских компаниях функционируют сразу несколько систем автоматизации логистики. Это может быть решение по управлению и контролю за транспортными средствами, системы по управлению складами, спросом и пополнением запасов товара. При этом единой логистической «картинки» бизнеса может и не быть.
Развитие технологий Big Data меняет подход к сбору и анализу данных. Сегодня популярность на рынке набирает концепция Data Lake — инновационное хранилище данных различных форматов, а также набор инструментов для их обработки. Data Lake для управления цепочками поставок — это возможность использования большого количества данных при построении различных моделей, что позволяет решать абсолютно разные задачи: от более детального планирования и прогнозирования объема продаж и производства до моделирования и проверки гипотез. Такой подход позволяет собирать данные «до востребования», а не под конкретный запрос бизнеса. За счет того, что данные всегда «под рукой» у компаний появляется возможность проверить любую гипотезу буквально за несколько часов. В то время как в отсутствии Data Lake этот процесс может занять от недели до нескольких месяцев, в зависимости от запроса бизнеса.
Как это работает?
На первом этапе необходимо определить перечень источников, из которых нужно собрать данные. Их выбор напрямую зависит от специфики компании. Так, если мы говорим про сектор B2C, в котором клиент является конечным покупателем, компании заинтересованы в использовании внешних источников, включая данные из соцсетей, например. В секторе В2В приоритетные источники будут иными. Так, в последнее время компании на рынке становятся более открытыми и в качестве источников могут использоваться данные учетных систем компаний-партнеров. Например, при взаимодействии дистрибутор-производитель последний может получить более детальные данные по продажам и остаткам товаров у дистрибуторов и на их основе прогнозировать объем закупок и производства, более корректно планировать промо-акции и скидки для покупателей.
После того, как мы определились с источниками, происходит их непосредственный сбор в Data Lake. Одно из преимуществ такого подхода – возможность сбора абсолютно разнородных данных: это могут быть и внутрикорпоративные источники, и внешние открытые (аудио- и видеофайлы, данные из социальных сетей, данные контакт-центров и так далее). Кроме того, если речь идет о компаниях с филиальной структурой, то Data Lake позволяет централизовать данные и получить единую базу аналитических запросов. Таким образом можно собрать и большое количество исторических данных, которые нередко играют ключевую роль в точности модели при моделировании цепочек поставок. Так, в одном из наших проектов мы должны были сделать прогноз продаж услуг перевозок. При этом учитывался вес грузов и направления перевозок. В ходе проекта мы столкнулись с тем, что в исторических данных, которые хранились во внутренних источниках компании, вес грузов в ряде случаев был с упаковкой, а в ряде – без. Но отследить, в каких именно рейсах перевозили грузы с упаковкой было невозможно. Почему сложилась такая ситуация? Все просто: в прошлом эта информация была не так важна при планировании, поэтому никак не фиксировалась. Именно поэтому сбор всех возможных данных так важен сейчас. В постоянно меняющейся «картине» бизнеса крайне сложно предугадать, какая именно информация сыграет немаловажную роль в будущем.
Следующий этап – выбор пула задач, которые необходимо решить. Например, компании нужно спрогнозировать спрос на ту или иную продукцию. Для того, чтобы получить корректный отчет необходимо учесть данные о погодных условиях, праздничных днях, курс валют и многое другое.
Третий шаг — непосредственное построение модели. Скорее всего, для каждой задачи будет строиться своя модель. Последний этап – ее корректировка для получения необходимого результата. Так, при построении модели может возникнуть необходимость расширить пул источников. Например, при планировании производства, пополнения и распределения важным фактором будет являться объем складских площадей, включая данные о геолокации.
Технологии
Вышеуказанные задачи могут решаться как на базе предложений от ведущих вендоров, так и на OpenSource решениях. Так, для построения имитационной модели можно использовать GLPK — инструмент на базе открытого кода.
Если говорить о создании Data Lake, то чаще всего его строят на базе экосистемы Hadoop. Сегодня в России доступно два дистрибутива Hadoop на базе OpenSource — HortonWorks и Arenadata. Также доступен дистрибутив Cloudera, но он включает в себя набор проприетарных компонентов, являющихся частной собственностью авторов или правообладателей. Преимущество OpenSource дистрибутивов заключается в том, что компания не «привязана» к поставщику решения и при необходимости может произвести замену с минимальными усилиями. Кроме того, подобные решения заказчик может развернуть как в собственной ИТ-инфраструктуре, так и в стороннем облаке.
Таким образом встраивание технологий Big Data в логистические бизнес-процессы открывает новые возможности по их автоматизации и развитию. Так как наша жизнь становится все более цифровой, даже при прогнозировании поставок и объемов производства важно ориентироваться на конечных потребителей. Data Lake позволяет сформировать более персонифицированные программы лояльности и рекламные предложения, основанные на данных из множества источников по каждому отдельно взятому клиенту.
Анастасия Гончарова, руководитель направления решений для управления цепочками поставок КРОК
