Большие данные в логистике | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 28 сентября, печатный экземпляр отправим 2 октября.

Опубликовать статью в журнале

Автор:

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №30 (268) июль 2019 г.

Дата публикации: 24.07.2019

Статья просмотрена: 9 раз

Библиографическое описание:

Суслова Т. В. Большие данные в логистике // Молодой ученый. — 2019. — №30. — С. 4-6. — URL https://moluch.ru/archive/268/61771/ (дата обращения: 16.09.2019).



Данная тема является актуальной, в связи с тем, что современный мир предполагает появление огромного количества информации ежедневно, а также хранение подобной информации. Поток информации различной направленности подразумевает также ее накапливание и появление различного рода технологий, которые необходимы для обработки и хранения данных.

Кроме того, в эпоху стремительных изменений и цифровой трансформации, в которой постоянно появляются новые технологии, оборудования и продукты, неотъемлемой и важной частью стали данные, они играют существенную роль во всех областях жизни. Данные — это важный актив, к которым стали не редко присваивать эпитеты как «новая нефть или золото XXI века». По мнению главы ФНС России Михаила Мишустина, тот, кто быстро с ними научится работать, обрабатывать, кластеризировать, делать из них продукты, которые повышают добавленную стоимость, тот и будет впереди.

За последние годы понятие «Big data» или «Большие данные» постепенно входит в нашу жизнь. Под «большими данными» понимается сбор и хранение большого объема неструктурированной информации, а также методов ее обработки, анализа и практического применения [3].

С помощью применения «больших данных» в цепи поставок можно использовать целый ряд актуальной информации (новости, конференции, брифинги, семинары, социальные сети), которая позволит спрогнозировать и уточнить результаты, сделать корректировку спроса и предложения. Синхронизация цепи поставки, основанная на анализе всего массива информации, позволит избежать различных технических и экономических срывов.

Вследствие высокой сложности интеграции процессов в цепи поставоквозникают задачи, которые не могут быть реализованы с помощью информационных систем одного класса. «Большие данные» упростят решение задач и позволят создать модульные стандартизированные решения в цепях поставок [4].

Применение больших данных обеспечивает полную видимость логистической цепи от завода-изготовителя до конечного потребителя. Перемещение товарных потоков без труда отслеживается в режиме реального времени, любые сбои диагностируются, и в схему поставки оперативно вносятся соответствующие изменения — это верно и для транспортных компаний, чей флот оснащен телематикой и средствами онлайн-мониторинга, и для транспортных узлов с отлаженной системой эффективных коммуникаций [5].

Большие данные революционизируют многие сферы бизнеса, и логистическая аналитика является одной из них. Сложный и динамичный характер логистики наряду с опорой на множество движущихся частей, которые могут создать узкие места в любой точке цепочки поставок, делают логистику идеальным вариантом использования больших данных. Например, логистику больших данных можно использовать для оптимизации маршрутизации, рационализации производственных функций и обеспечения прозрачности всей цепочки поставок в интересах как логистических, так и судоходных компаний. Сторонние логистические компании и транспортные компании согласны. Перефразируя статью Fleetowner, в которой рассматривается «21-е ежегодное исследование логистики третьих сторон», 98 % опрашиваемых заявили, что улучшенное принятие решений на основе данных «необходимо для будущего успеха действий и процессов в цепочке поставок». Кроме того, 81 % грузоотправителей и 86 % опрошенных сказали, что эффективное использование больших данных станет «основной компетенцией их организаций цепочки поставок» [7].

Но большие данные требуют большого количества высококачественных источников информации для эффективной работы. Откуда будут поступать все эти данные? Этот технический документ по большим данным в логистике дает большой выбор возможных источников данных, в том числе:

– Традиционные корпоративные данные из операционных систем;

– Данные о движении и погоде с датчиков, мониторов и систем прогнозирования;

– Диагностика автомобиля, схемы движения и информация о местоположении;

– Прогнозы финансового бизнеса;

– Данные рекламного ответа;

– Данные шаблона просмотра веб-сайта;

– Данные социальных сетей [1].

Ясно, что есть много способов, которыми системы данных могут получать необходимую им информацию. Все эти источники данных и возможные варианты использования заставили DHL заявить, что большие данные и технологии автоматизации приведут к «ранее невообразимым уровням оптимизации в производстве, логистике, складировании и доставке последнего звена».

Как и во многих других отраслях, сбор данных и управление данными становятся все больше и больше, и профессионалы могут нуждаться в помощи в этом вопросе. Рост числа инструментов бизнес-аналитики SaaS отвечает этой потребности, и в отчете Gartner прогнозируется, что в 2020–2021 гг. большинство бизнес-пользователей получат доступ к BI самообслуживания. Важным фактором в этом отклонении от «ИТ-ориентированного бизнес-анализа» является то, что требование людей полностью полагаться на ИТ для доступа к бизнес-аналитике больше не имеет смысла. Логистическая отрасль также, вероятно, будет придерживаться этой тенденции [6].

Последнее звено цепочки поставок, как известно, неэффективно и стоит до 28 % от общей стоимости доставки посылки. Есть много препятствий, которые ведут к этому, в том числе:

– Для крупных грузовиков может быть непросто припарковаться возле места назначения в городских районах. Водителям часто приходится парковаться довольно долго, а затем отправлять посылку по адресу. Затем им, возможно, придется пройти много лестничных пролетов или ждать лифта в высотном здании.

– Некоторые товары должны быть подписаны, и если покупателя нет дома, товар не может быть доставлен.

– Персонал службы доставки должен проявлять особую осторожность, чтобы не повредить посылку во время этого последнего этапа, и он должен профессионально представить себя получателю [2].

В дополнение к этим проблемам может быть очень трудно точно знать, что происходит во время последнего этапа родов. До этого момента посылки часто отслеживаются, и некоторые говорят, что последняя миля — это «черный ящик» данных о доставке.

Хранение скоропортящихся продуктов было постоянной проблемой для логистических компаний. Тем не менее, большие данные и Интернет вещей могут дать водителям и менеджерам доставки гораздо лучшее представление о том, как они могут предотвратить расходы из-за погибших товаров.

Например, допустим, грузовик перевозит партию мороженого и десертов. Вы можете установить датчик температуры внутри грузовика, чтобы отслеживать состояние товаров внутри, и передавать эти данные вместе с данными о движении и дорожных работах на центральный маршрутный компьютер.

Затем этот компьютер мог бы предупредить водителя, если первоначально выбранный маршрут приведет к таянию мороженого, и вместо этого предложить альтернативные маршруты.

Таким образом, можно сделать вывод о том, что вскоре большие данные в сочетании с технологией автоматизации и Интернетом вещей могут сделать логистику полностью автоматизированной операцией.

Кроме того, большие данные позволяют автоматизированным системам функционировать благодаря интеллектуальной маршрутизации множества различных наборов данных и потоков данных. Например, у Amazon уже есть автоматизация в их центрах выполнения, где используются маленькие оранжевые роботы KIVA для захвата предметов с полок.

Литература:

  1. Gartner Says Solving 'Big Data' Challenge Involves More Than Just Managing Volumes of Data. [Электронный ресурс], URL: https://www.gartner.com/it/page.jsp?id=1731916 (Дата обращения: 19.07.2019).
  2. Manyika J. Big data: The next frontier for innovation, competition, and productivity. [Электронный ресурс], URL: https://www.gartner.com/it/page.jsp?id=1731916 (Дата обращения: 19.07.2019). (Дата обращения: 19.07.2019).
  3. Min Chen, Shiwen Mao, Yin Zhang, Victor C. M. Leung. Big Data. Related Technologies, Challenges, and Future Prospects. — Spinger, 2014. — 100 p.
  4. Preimesberger, Chris Hadoop, Yahoo, 'Big Data' Brighten BI Future. EWeek. [Электронный ресурс], URL: https://www.eweek.com/c/a/Data-Storage/TBA-Hadoop-Yahoo-Big-Data-Brightens-BI-Future-254079/ (Дата обращения: 19.07.2019).
  5. Леонид Черняк. Большие Данные — новая теория и практика (рус.) // Открытые системы. СУБД. — 2011. — № 10.
  6. Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живём, работаем и мыслим = Big Data. A Revolution That Will Transform How We Live, Work, and Think / пер. с англ. Инны Гайдюк. — М.: Манн, Иванов, Фербер, 2014. — 240 с.
  7. Моррисон А. Большие Данные: как извлечь из них информацию. Технологический прогноз. Ежеквартальный журнал, российское издание, 2010 выпуск 3. [Электронный ресурс], URL: https://www.pwc.ru/ru/services/technology.html (Дата обращения: 19.07.2019).


Задать вопрос