«Большие данные» и аналитические модели в логистике и SCM

Вардан Гаспарян,Директор практики SCM & Logistics

vgasparyan@deloitte.ru

FB: http://www.facebook.com/Supplychainer/

Кирилл Калинкин,Менеджер практики SCM & Logistics

kkalinkin@deloitte.ru

2

53% руководителей

компаний считают, что “цена пренебрежения” планированием рисков заметно возросла за последние 3 года

40% доступных для использования логистических мощностей (транспортировки и хранения) используются эффективно.(материалы World Economic Forum)

Более 50%

европейских компаний индустрии FMCG и ритейла ожидают увеличения объёма операционных данных, необходимых для планирования, на 25% ежегодно

Современные логистические цепочки компаний становятся все более сложными, многомерными. Они требуют анализа все увеличивающегося вала данных для эффективного использования ресурсов, расширения возможностей, и управления рисками цепи поставок

3Источники: DHL Logistics Trend Radar, Gartner

Основные тренды в логистике Технологии, влияющие на логистику

Логистические “глобально-локальные”

супер сети

«Предиктивная» Логистика

Эко-Логистика

Электронные площадки

UBER-ификация логистики и

“нетрадиционная конкуренция”

Мультиканальнаялогистика

Shareconomy Логистика

Управление рисками в цепи поставок

Big Data / Open Data

Облачные технологии

3D печать Робототехника и Автоматизация

Мобильные приложения

Аналитические модели

Инновации в логистике и SCM являются отображением глобальныx демографических, технологических и политических трендов.

Алгоритмы прогнозирования

Web 3.0

Персонализация логистики

Они позволяют компаниям эффективно использовать свои ресурсы, находить новых партнеров в цепи поставок, совмещать локальные компетенции с

глобальной “экономией на масштабе”

BIGDATA

Использование «Больших данных» в логистике

Операционное планирование

Краткосрочная и среднесрочная оптимизация ресурсов и кадров

Маршрутизация

Оптимизация маршрутизации в реальном времени на основании текущих дорожных условий, доступных окон доставки

Краудсорсинг

Использование «случайных» попутных ресурсов для организации доставки

Управление рисками

Анализ и прогнозирование событий, влияющих на устойчивость систем и процессов

Маркетинг

Использование информации о клиентах для предложений новых продуктов и услуг

Упреждающая логистика

Использование поведения клиентов для краткосрочного прогнозирования спроса и соответствующего распределения продукции

Стратегическое планирование

Долгосрочное планирование развития логистической сети

GPS/Глонасс

ТранзакцииМаршрутизация

Трафик

Нагрузка

Утилизация

Местоположение

Заказы

Инциденты

Web

e-commerce

Внешние провайдеры

Датчики

Доступные хранилища данных

За период с 2000 г. по 2008 г. 1 мегабайт

данных стал в 100 раз дешевле

0

100

200

300

Скорость обработки данных

Обработка данных стала быстрее в 256 раз с 2000 года

Распространение данных

В 2011 г., 1.8 зеттабайтов данных было создано, этого достаточно для

заполнения 57.5 млрд. 32ГБ iPad

Развитие ИнтернетАнализ происходит в любое время,

в любом месте

0

1000000000

2000000000

Количество пользователей интернета

1995 2000 2005 20100

1B

2B

Передовые технологии

Новые ИТ-инструменты делают аналитику более доступной

Возможности визуализации

Визуализация позволяет выявить закономерности в огромных объемах

данных

Потребление энергии в Нью-Йорке

Развитие технологий анализа и визуализации позволяют компаниям эффективно использовать аналитические модели

Ключевые факторы развития аналитических моделей

Аналитические модели - позволяют компаниям оперативно принимать эффективные решенияна основе эффективного анализа огромных массивов данных

• 60% компаний лидеров индустрии планируют инвестиции в разработку аналитических моделей в ближайшие 5 лет.

• Исследование показывается что компании, лидирующие на рынке, используют аналитические модели в 3 раза чаще.

• Только 14% Европейских компаний используют комплексные модели обработки «больших данных» для стратегического принятия бизнес-решений.

• Лидеры рейтинга Gartner Top 25 Supply Chains используют технологии больших данных как часть стратегии

Нет

Планируется в ближайшее время

Да

0% 10% 20% 30% 40% 50% 60% 70%

63%

23%

14%

Анализ «больших данных» как конкурентная стратегия

Фокус наприменение аналитических моделей

Источник: «Big Data in Logistics by DHL Customer Solutions & Innovation

Исследования показывают: компании начинают понимать критичность анализа больших данных для цепочки поставок

Является ли анализ «Больших данных»частью стратегии компании?

Области инвестиций в Big Data **

**Источник:“Trends and Strategies in Logistics and Supply Chain Management”, p. 51, BVL International, 2013

Через 5 лет Сегодня

Оптимизация жизненного цикла

продукта

Дизайн логистических сетей

облачная аналитика on demand

анализ присутсвия в социальных сетях

(B2C, B2B)

0% 10% 20% 30% 40% 50% 60% 70%

60%

Повышениеоперационной эффективности

Взаимоотношенияс клиентами

Новыебизнес-модели

Использование данных для:

• Повышения «прозрачности» операций• Оптимизация используемых ресурсов• Повышения эффективности процессов

Анализ данных для:

• Повышения лояльности клиентов• Точность сегментирования и

эффективность подходов к каждой группе клиентов

• Повышения эффективности коммуникационных каналов

«Капитализация» данных для:

• Расширения каналов сбыта/ потоков доходов на существующих рынках

• Выход на новые рынки и создание новых потоков доходов

Для чего цепочкам поставок компаний нужны аналитические модели?

Традиционный подход

Персонализирован-ный подход

Подрывнойподход

• Составление отчетности не является новым процессом.

• Однако использование передовых методов сбора и обработки информации, а также эффективных средств визуализации позволяет создать комплексные модели принятия решений.

Функциональнаяобласть

применения

Функциональная экспертиза

Отраслевая экспертиза

Управление данными

Количественные методы

Качественный анализ

Визуализация

Применение математических

методов для обработки

Сбор операционных

данных компании и

внешних данных для проведения

анализа

Применение качественных

методов для оценки ситуации

Отображение анализа в

наглядной форме

Понимание бизнес-задачи в контексте

функций и индустрии

Модель принятия решения

Ключевыеэтапы Обработка данных Визуализация

РазвивающиесяобластиФункционал

Аналитические модели не просто «конденсируют» информацию для анализа, но «подсказывают» оптимальные решения в удобной визуальной форме

Основные этапы разработкианалитической модели

Большинство российских компаний сектора находятся на этапе сбора данных

Сбора данных

Разработка системы показателей и методологии оценки эффективностидля управления рисками и кооперацией с партнерами

Повышение уровня доступности товара за счет повышения точности прогноза потребления и оптимального составления ассортимента продукции

Оптимизация портфеляпродукции

Функциональные области применения аналитических моделей

Функционал Области применения

Сокращение затрат на закупки за счет оптимального выбора поставщиков с использованием стохастических моделей «совокупной стоимости владения».

Оптимизация закупок

Отношение с поставщиками

Вероятностное прогнозирование неисправностей оборудования для выявления ключевых причин неисправностей и сокращения затрат на гарантийное обслуживание.

Управление запасными

частями

Оптимизация запасов за счет точной визуализации материальных потоков на различных географических площадок и анализ дебиторских/ кредиторских финансовых движений.

Оптимизация рабочего капитала

Оптимизация логистической

сети

Оптимизация поставок

Управление рисками

Оптимизация транспортных потоков за счет оптимального распределения складов и планирования транспортировок.

Повышение точности поставок за счет динамического календарного планирования поставок и возвратов с использование ограниченного парка транспортных средств.

Определение операционных рисков, связанных с непрерывностью поставок, ростом затрат и сокращением выручки в точках продаж.

Аналитические модели являются шагом в развитии традиционных методов составления отчетностей для целей контроля

Шаги развитияаналитических инструментов

Алгоритмы оптимизации

Симуляция и моделирование

Многокритериальные прогнозы

Модели прогнозирования

(forward-look)

Отчетность по функциональным/организационным единицам

Отчетность об операционных инцидентах

Не формализованные запросы на данные

Инструменты диагностики

(backward-look)

Сбор данных (ИТ-системы: ERP, APS и т.д) Начальный

уровень

Разработка прогноза

Анализ исторических

данных

Процесс хаотичного сбора операционных данных и спонтанного создания отчетностидолжен быть заменен использованием аналитических моделей,

нацеленных на определенные функциональные области

Пример функциональной области«Управление рабочим капиталом»

Сбор данных:• Количество запасов на складе• Поступление/ списание материала.

Составление отчетности:

• Отчетность по оборачиваемости запасов.• ABC классификация запасов.• Анализ невостребованных запасов.

Аналитические модели:

• Оптимальное распределение запасов по складам с учетом сопутствующих затрат и спроса.

• Симуляция спроса в зависимости от ключевых факторов.

• Прогноз потребления на основе анализа поведения клиентов.

Определения операционных рисков

Пример использованияАналитической Модели в Ритейле

Возможность быстровыявить магазин с высоким

показателем риска

Аналитика по каждому параметру, определяющему факт риска

Сравнительный анализ по каждому параметру с

остальными магазинами

Модель позволяет выявить магазин с наибольшим консолидированнымфактором риска, учитывающим основные статьи затрат

.

Также модель позволяет рассчитать фактор рискана основе прогнозируемых продаж и общих затрат магазина

Анализ магазина со значительным отклонениемпо ожидаемым продажам

Детальный анализ по ожидаемым/

фактическим продажам и структуре затрат

Модель позволяет учитывает расположения магазинаи плановые объемы продаж в данной географической области

Магазины с одинаковым географическим и социальным статусом покупателейоднако со значительной разницей в фактическими продажах.

Deloitte refers to one or more of Deloitte Touche Tohmatsu Limited, a UK private company limited by guarantee, and its network of member firms, each of which is a legally separate and independent entity. Please see www.deloitte.com/about for a detailed description of the legal structure of Deloitte Touche Tohmatsu Limited and its member firms. Please see www.deloitte.com/ru/about for a detailed description of the legal structure of Deloitte CIS.

Deloitte provides audit, tax, consulting, and financial advisory services to public and private clients spanning multiple industries. With a globally connected network of member firms in more than 150 countries, Deloitte brings world class capabilities and deep local expertise to help clients succeed wherever they operate. Deloitte has in the region of 200,000 professionals, all committed to becoming the standard of excellence.

Deloitte's professionals are unified by a collaborative culture that fosters integrity, outstanding value to markets and clients, commitment to each other, and strength from diversity. They enjoy an environment of continuous learning, challenging experiences, and enriching career opportunities. Deloitte's professionals are dedicated to strengthening corporate responsibility, building public trust, and making a positive impact in their communities.

© 2014 Deloitte & Touche Regional Consulting Services Limited. All rights reserved.

Спасибо за внимание!

Вардан Гаспарян,Директор практики SCM & Logistics

vgasparyan@deloitte.ru

FB: http://www.facebook.com/Supplychainer/

Кирилл Калинкин,Менеджер практики SCM & Logistics

kkalinkin@deloitte.ru