Big Data в логистике: открываем секреты

Большие данные постепенно проникают во все сферы предпринимательской деятельности. Они упрощают бизнес-процессы, позволяют сотрудникам работать быстрее и эффективнее, предлагать клиентам более выгодные условия.

Мы решили посмотреть, как Big Data используют в разных индустриях. И начнем c одной из наиболее динамичных — логистики. Эксперты Platforma обсудили этот вопрос с Сергеем Белоусовым, операционным директором ГК «Маршал». Он на своем опыте расскажет, как большие данные в их компании сократили время подбора водителей на крупные заказы с целого дня до получаса, как автоматизация упростила контрактовку транспорта и почему Big Data делает грузоперевозки значительно дешевле для клиентов. Читайте в статье.

Содержание:

Классическая наземная логистика сильно завязана на человеческом факторе. Давайте сразу рассмотрим на примере, как работают логисты в большинстве компаний на сегодняшнем рынке.

Допустим, клиент присылает запрос: ему на завтра нужно десять фур для перевозки большой партии товара из Санкт-Петербурга в Москву. Подобная срочность — нормальное явление в логистике. Бизнес крайне волатильный, в нем крупная потребность может возникнуть внезапно. Особенно в условиях не слишком стабильной экономической ситуации, как у нас сейчас.

Иногда процесс обзвона занимает целый день, когда нужно найти водителей на не слишком популярные маршруты. При этом часто приходится подключать внешние базы и источники, что еще больше усложняет задачу. С каждым перевозчиком нужно обсудить условия и оплату, за которую он возьмет задачу. И только после этой огромной работы логист может вернуться к клиенту и предоставить ему коммерческое предложение.

При этом оно далеко не всегда самое выгодное. Обычно, первыми звонят перевозчикам, которые регулярно отправляют машины по этому маршруту. И если за день логист успел обработать 200 контактов из базы — это уже считается хорошим результатом. А размеры самой базы могут достигать и 5000 контактов.

В итоге логист может и не узнать, что у какого-нибудь перевозчика, который обычно не работает с направлением Питер-Москва, именно завтра в нужном месте окажется нужное количество свободных фур.

В среднем, у специалиста уходит от 3 до 8 часов, просто чтобы сформировать предложение и назвать цену клиенту. И довольно часто выполненная работа пропадает впустую, потому что клиент уходит без заказа. И до недавнего времени альтернативы такому процессу не существовало. Но теперь есть большие данные.

Big Data способна уменьшить время на разработку коммерческого предложения с 3-8 часов до 20-30 минут. Вот как это происходит.

Логисту нужно всего лишь сформировать запрос системе и внести ключевые данные. В примере выше это дата (завтра) направление (Питер-Москва) количество (10 фур заданных объемов). Все, система уже автоматически делает подборку. И далее происходит самое интересное.

Если объемы нужны больше, система делает другую подборку — перевозчиков, которые когда-то ездили по этому направлению или стабильно проводят по нему рейсы.

Если же направление не слишком распространенное, то дальше система оценивает перевозчиков, которые хотя бы раз отправляли машины по этому маршруту. Интересно, что при корректно внесенных данных она может включать в анализ даже тех подрядчиков, кто ни разу не ездил по данному маршруту, но обсуждал такую возможность. Это возможно именно благодаря записям всех контактов с клиентами и подрядчиками, а не только тех, которые привели к заказу.

По сути полная обработка даже большой базы перевозчиков занимает примерно полчаса. И это действительно полная обработка: от конкретных машин, которые будут на месте в нужное время, до подрядчиков, которые не работают с этим маршрутом, но в целом не против попробовать. А если пойти дальше и автоматизировать процесс контакта с подрядчиками, то все сводится к нескольким кликам, которыми логист отправляет рассылку с предложением. Но и на этом можно не останавливаться. Сергей рассказывает:

Естественно, большие данные и алгоритмы их обработки не заменяют логиста полностью. Человеческий фактор остается в любом случае, ведь нужно как минимум созвониться с подрядчиками и подтвердить законтрактованные объемы, а затем обсудить все особенности задачи с клиентом и подписать с ним необходимые документы.

Наряду с упрощением операционных процессов, у логистических компаний открывается еще довольно много возможностей.

Всего лишь один датчик GPS в машине позволяет анализировать игрокам рынка следующие параметры:

На зарубежном рынке логистики большие данные используют куда более активно. Некоторые крупные компании вкладывают в технологию десятки миллионов долларов — и это дает просто шикарные результаты.

На российском рынке подобных масштабных кейсов в логистике нет. ГК «Маршал» внедряет систему аналитики Big Data только полгода, и еще рано говорить о стратегических успехах. Но в дальнейшем большие данные можно будет использовать также для более глубокого построения и корректировки маршрутов, оптимизации посредничества и работы с перевозчиками и прогнозирования потребностей на локальных рынках.

Естественно, без сложностей не обходится. Бизнес-процессы логистической компании на основе Big Data серьезно отличаются от классических.

Самое сложное на первом этапе внедрения — собрать необходимый массив данных. А для этого нужно выстроить работу операторов таким образом, чтобы они вносили в систему каждый контакт с клиентом и подрядчиком. Подчеркиваем, каждый.

То есть, если раньше он за день обзвонил 200 перевозчиков и договорился с десятью, ему нужно было внести только десять успешных контактов. Но для больших данных нужно внести все 200. При этом максимально детально классифицировать характер контакта, тему обсуждения и результат в том формате, в котором требует система.

Еще одна сложность на старте — «подружить» старые данные с новым форматом, который нужен для обработки алгоритмами Big Data. Банки данных могут нарабатываться годами и содержать десятки тысяч контактов, но они разрозненные и нуждаются в доработке. Плюс, они могут содержать не все нужные классификаторы.

От того, насколько гладко пройдет процесс трансформации, будет зависеть стабильность бизнеса в первые месяцы работы с биг дата, когда новых данных будет еще недостаточно.

И, естественно, главный вызов — создать и настроить алгоритмы обработки, которые будут выдавать нужные данные, чтобы с ними было удобно работать дальше. Накопленные массивы данных слишком большие для ручной работы, нужно максимально четко настроить категоризацию и приоритеты выдачи. Кроме того, важно предусмотреть особые требования клиентов, которые бывают примерно в половине заказов. К примеру, одному заказчику нужно подать машину четко с 12 до 14 часов, а второму — доставить грузы в другой город сразу на несколько локаций.

Это крайне сложная задача для разработчиков. Ведь необходимо не только написать внутреннюю программу которая обрабатывает данные нужным образом, но и сделать интуитивно понятный интерфейс для логистов, чтобы даже новый сотрудник смог за несколько дней разобраться со всем функционалом системы.

Наряду с этим также важно автоматизировать процессы рассылки предложений перевозчикам, дозвона их представителям, оформления документов, расчета стоимости и составления предложения. То есть, снять с логиста до 80% скучной рутины. К этому и нужно стремиться.

Применение больших данных для автоматизации процессов значительно экономит время на поиск наиболее экономичного варианта решения логистической задачи. Обычный логист может потратить сутки на поиск решения, когда система выдает вариант в течении считанных минут. В отдельных случаях экономия может составить 30% от фрахта. Разумеется, на рынке уже есть компании, которые начали использовать Big Data в логистике раньше. Например, ТЛК и Монополия.

Впрочем, опасаться, что алгоритмы и нейросети полностью заменят логистов, не стоит. Скорее, акценты их работы больше смещаются на коммуникацию с перевозчиками и клиентами, а не работу с базами данных. А вы как считаете?