Big Data w Logistyce

Są wśród nich dane z mediów spo-

łecznościowych – to, co ludzie mówią

o produkcie lub usłudze, może znacząco

wpłynąć na ich popyt. A planowanie

łańcucha dostaw, coraz bardziej wynika z pro-

gnozowania popytu. Zrozumienie i przewidzenie

popytu zapewnia, że właściwe rzeczy dzieją się

we właściwym miejscu o właściwym czasie.

Informacje o pogodzie to kolejny typ takich

danych. Nie chodzi tylko o te o gwałtownych

zjawiskach, ale również o nieoczekiwanie ciepłej

jesieni lub wczesnej zimie. Mogą one wpłynąć na

sprzedaż, czego nie można przewidzieć na pod-

stawie danych historycznych. Do głosu dochodzą

także zdarzenia pochodzące z procesów, zdarzeń

występujących w łańcuch logistycznym i urzą-

dzeń stanowiących to, co nazywamy Internetem

Rzeczy, podstawą Internetu Wszechrzeczy. Liczba

emitujących dane urządzeń zwiększa się z dnia

na dzień. Monitoringiem zaczynamy obejmować

środki produkcji, towary, co nie jest nowością dla

logistyka, ale również ludzi.

Tradycyjne monitorowanie danych sprzeda-

żowych, śledzenie zamówień, danych z punktów

sprzedaży jest w dzisiejszych czasach wzboga-

cone o wgląd w dane o pogodzie, zdarzeniach,

a także o możliwość analizowania, w jaki sposób

podejmowane operacje mogą zostać zaburzone

w najbliższym tygodniu, nie tylko w okresie rocz-

nym, jak to dotychczas przewidywaliśmy.

Dzięki wykorzystaniu danych szybkozmiennych,

które pojawiają się w ogromnej ilości i często

w postaci nieustrukturyzowanej (czyli właśnie

Big Data), możliwości poprawy efektywności

i uzyskania oszczędności w obszarze logistyki

przez ich mądre wykorzystanie są w zasadzie

nieograniczone.

Big Data technologicznie jest dostępne do

zastosowania w logistyce od zaraz, ale wgląd

w te dane nie jest tak prosty i oczywisty. Wiele

osób koncentruje się na gromadzeniu i prze-

chowywaniu danych bez posiadania możliwości

zrobienia z nimi czegokolwiek – to jest i dalej

będzie wyzwaniem. Odpowiednie rozwiązania

pozwalające wizualizować i analizować zebrane

Big Data będą kluczowe.

BadanieW badaniu „Big Data w logistyce” skierowanym

do osób pracujących w obszarze logistyki w Polsce

zadaliśmy pytania dotyczące trzech procesów:

1. Optymalizacji przepływu towarów w łańcuchu

logistycznym.

2. Optymalizacji zapasów.

3. Zarządzania pełnym cyklem realizacji zamó-

wień klientów z dostawcami.

Zadaniem badania było określenie dojrzałości

+rm logistycznych w obszarze Big Data. W związku

z tym wyodrębniliśmy siedem wymiarów analizy:

1. Częstotliwość zbierania danych (od czasu rze-

czywistego, do rzadziej niż raz miesięcznie).

2. Typ źródeł danych (od wszystkich, do własnych).

3. Rodzaj danych (od linii dokumentów, zdarzeń

do raportów zbiorczych).

W obszarze logistyki obserwujemy obecnie próby zastosowania nowych technologii do istniejących

od kilkudziesięciu lat danych strukturalnych. Są to najczęściej dane zbierane przez systemy

zainstalowane w punktach sprzedaży, przez systemy zamówieniowe czy też obsługujące dostawy.

Dziś jednak to zupełnie inne dane, które w fundamentalny sposób sterują prognozowaniem.

Królestwo arkuszy kalkulacyjnych?

Big Data w polskiej logistyce

Big Data to zbiory informacji o dużej

objętości, dużej zmienności lub dużej

różnorodności, które wymagają nowych

form przetwarzania w celu wspomagania

podejmowania decyzji, odkrywania nowych

zjawisk oraz optymalizacji procesów.

Definicja Big Data

Skala Bardzo niska 1 Niska 2 Średnia 3 Wysoka 4 Bardzo wysoka 5

Jak często dane są zbierane?

rzadziej niż miesięcznie rzadziej niż tygodniowo rzadziej niż codziennie codziennie ciągle (w czasie rzeczywistym)

Jakie są źródła tych danych?

tylko wewnętrzne z sys-temów IT

tylko wewnętrzne z sys-temów IT i własnych urządzeń

zewnętrzne i wewnętrzne z systemów IT

zewnętrzne i wewnętrz-ne z systemów IT i urzą-dzeń widocznych w sieci

wszystkie niezbędne źródła pocho-dzące z dostępnych usług informa-cyjnych i z Internetu Rzeczy

Jakiego rodzaju są to dane?

raport zbiorczypojedyncze dokumenty transakcyjne

linie dokumentów trans-akcyjnych

linie dokumentów i re-jestrowane zdarzenia

linie dokumentów, rejestrowane zdarzenia i pojedyncze sygnały

W jaki sposób dane są przygotowane?

przepisanie papiero-wych dokumentów

e-mail, ręczne kopiowanie plików

okresowe (ręcznie wyzwa-lane) przepływy danych pomiędzy systemami kontrahentów

automatyczne przepły-wy danych pomiędzy systemami kontrahen-tów

przesyłanie danych na bieżąco, w momencie ich powstawania

Kto przygotowuje dane?

+rma zewnętrzna własny dział ITniektóre działy biznesowe +rmy

dedykowany departa-ment analityczny

użytkownicy biznesowi

Jakie narzędzia są wykorzystane do analizy danych?

papiersztywne raporty z syste-mów

arkusze kalkulacyjnespecjalizowane narzę-dzia analityczne w sys-temie zintegrowanym

narzędzia analityczne dostosowane do indywidualnych potrzeb użyt-kowników biznesowych

Czego dotyczą wnioski z tej ana-lizy?

oceny stanu historycz-nego („za okres”)

oceny stanu historycznego do dzisiaj

stanu obecnego („tu i teraz”)

ogólnie prognozowanej przyszłości

indywidualnie prognozowanej przyszłości (np. w kontekście współ-pracy z wybranym kontrahentem)

12 Logistyka a Jakość | nr 6 | listopad-grudzień 2016

TEMAT NUMERU

rekla

ma4. Sposób przygotowania danych (od zbierania danych w czasie rzeczy-

wistym, po przepisywanie papierowych dokumentów).

5. Osobę stojącą za przygotowaniem danych (od użytkowników bizne-

sowych, do +rm zewnętrznych).

6. Typ narzędzi (od szytych na miarę narzędzi, do papieru).

7. Zakres wnioskowania (od indywidualnej predykcji, do oceny stanu

historycznego).

W każdym z powyższych wymiarów określiliśmy dojrzałość jako medianę

pomiędzy zakresem 1 do 5.

Poza pokazaniem dojrzałości przedsiębiorstw, za cel postawiliśmy

sobie również wskazanie obszarów do rozwoju. Zauważyliśmy, że +rmy

rozwijają swoje kompetencje przeważnie liniowo. Mało jest przypadków

przejść z papieru na 100% danych cyfrowych. Możemy zatem mówić

o etapowej ewolucji.

Obraz Big Data w polskiej logistyce W przypadku procesów optymalizacji przepływu towarów w łańcuchu

logistycznym (1) i zarządzania pełnym cyklem realizacji zamówień klientów

z dostawami (3) +rmy zbierają dane codziennie. Dla procesu optymalizacji

zapasów (2) dane są zbierane rzadziej niż codziennie, ale częściej niż raz na

tydzień. Podobnie ma się sytuacja z rodzajem analizowanych danych dla

procesów 1. i 3., są to linie dokumentów transakcyjnych, podczas gdy dla

procesu 2. są to równie często linie dokumentów transakcyjnych, co poje-

dyncze dokumenty transakcyjne. W wynikach ankiety widzimy jeszcze jedną

zbieżność między procesami 1. i 3. Obserwujemy ją w sposobie zbierania

danych. Dla tych procesów są to najczęściej zarówno okresowe (ręcznie

wyzwalane) przepływy danych pomiędzy systemami kontrahentów, jak

i automatyczne przepływy danych pomiędzy systemami kontrahentów.

Dla procesu 2. są to tylko automatyczne przepływy danych pomiędzy sys-

temami kontrahentów. Inna jest zbieżność między procesami, jeśli chodzi

o źródła danych, z których korzystają +rmy. Otóż, w przypadku procesów

1. i 2. są to tylko dane wewnętrzne z systemów informatycznych i wła-

snych urządzeń, a w przypadku procesu 3. są to równie często tylko dane

wewnętrzne z systemów informatycznych i własnych urządzeń, co dane

zewnętrzne i wewnętrzne z systemów informatycznych. Praktycznie nie

występują różnice między procesami, jeśli chodzi o to, kto przygotowuje

dane: mediana wskazuje na niektóre działy biznesowe +rmy dla każdego

z procesów. Jakie narzędzia są wykorzystywane do analizy danych? Królują

arkusze kalkulacyjne. Czego dotyczą wnioski analizy procesów? Medianą

jest stan obecny („tu i teraz”) dla każdego z trzech procesów.

Odpowiedzi na pytania szczegółowe dotyczące procesu 1.:

Czy w związku z takim wykorzystaniem danych jesteś w stanie dzięki temu

wybrać optymalną trasę dostawy? 74% odpowiedzi było pozytywnych.

Czy w związku z takim wykorzystaniem danych jesteś w stanie dzięki temu

przeprojektować sieć dystrybucji? Aż 84% odpowiedzi potwierdzających.

Czy w związku z takim wykorzystaniem danych jesteś w stanie dzięki

temu wybrać optymalnych kosztowo kontrahentów? Dane okazały

się również pomocne w tym zadaniu – otrzymaliśmy 87% odpowiedzi

pozytywnych.

Wątpliwości nie pozostawiają też odpowiedzi na pytania szczegółowe

dotyczące procesu 2.:

Czy w związku z takim wykorzystaniem danych, w ciągu tygodnia

wielokrotnie sprawdzasz poziom zapasu bezpieczeństwa? 72% odpo-

wiedzi pozytywnych.

13Logistyka a Jakość | nr 6 | listopad-grudzień 2016

Czy w związku z takim wykorzystaniem danych,

do ustalania minimalnego poziomu zapasów

wykorzystujesz zmienne dane popytowe?

78% odpowiedzi pozytywnych.

Czy w związku z takim wykorzystaniem

danych, w ciągu ostatnich 12 miesięcy udało

ci się zoptymalizować poziomy zapasów?


W przypadku procesu 3. pytania szczegółowe

dały następujące rezultaty:

Czy na podstawie danych zbieranych, zwięk-

szyłeś efektywność pracy komisjonera/pickera?


Czy na podstawie danych, zwiększyłeś

efektywność przestrzeni magazynowej?


Czy dzięki użyciu danych, zwiększa się procen-

towa liczba realizacji zleceń w Twoim magazynie?


Odpowiedzi na pytania szczegółowe dają

bardzo dużo do myślenia. Z prostego powodu.

Rysuje się w nich obraz +rmy, która korzysta głów-

nie z arkuszy kalkulacyjnych, z danych zbieranych

codziennie, a nie w czasie rzeczywistym, +rmy

analizującej głównie linie dokumentów transak-

cyjnych, a czasami nawet po prostu pojedyncze

dokumenty transakcyjne, a nie linie dokumentów,

rejestrowane zdarzenia i pojedyncze sygnały,

korzystającej tylko z danych wewnętrznych z sys-

temów informatycznych i własnych urządzeń,

a nie ze wszystkich niezbędnych źródeł danych

pochodzących z dostępnych usług informacyjnych

i z Internetu Rzeczy, wnioski wyciągającej w więk-

szości dla stanu obecnego, a nie indywidualnie

prognozowanej przyszłości.

Biorąc pod uwagę bardzo dużą liczbę odpo-

wiedzi pozytywnych na pytania szczegółowe,

traktujemy ten obraz jako okazję do dalszej zna-

czącej poprawy efektywności w obszarze logistyki

+rm działających w Polsce, a nie jako zagrożenie.

WnioskiDzięki danym możliwa jest optymalizacja

kosztowa zarówno na poziomie pracowników,

systemów, jak i procesów zewnętrznych. Z kolei

dzięki współpracy pomiędzy partnerami bizneso-

wymi i współdzielonym danym możemy poznawać

zjawiska, które zachodzą w łańcuchach dostaw.

Badanie pokazało także, że pojawiają się nowe

obszary nie tylko dla transformacji cyfrowej, ale dla

integratorów danych w czasie rzeczywistym, takich

jak platformy integracyjne, ponieważ dane ktoś

musi zbierać, tłumaczyć i dostarczać do analizy.

Niezbędni stają się dostawcy narzędzi do analizy

takich danych, a także dostawcy systemów do

specjalistycznej predykcji.

Nie bez znaczenia są braki w zasobach ludzkich.

Na rynku brakuje osób mogących pełnić funkcję

data scientist i nie chodzi tu stricte o analityka

biznesowego ani też o statystyka. Poszukiwane

są osoby znające się na procesach logistycznych,

z talentem do obserwacji i odkrywania nowych

zjawisk oraz dostarczania pomysłów, jak optyma-

lizować procesy.

Z nadzieją należy patrzeć w przyszłość, w której

nasze +rmy zaczną stosować dobrodziejstwa ana-

lityki w obszarze Big Data. Im szybciej zaczniemy

to robić, tym szybciej osiągniemy rezultaty biz-

nesowe lepsze od konkurencji. To może stanowić

o naszym być lub nie być na rynku. Wyścig już się

rozpoczął – więc warto wystartować już teraz i dać

sobie szansę na pokonanie konkurencji. Rozmiar

korzyści biznesowych do osiągnięcia i siła przewag

konkurencyjnych do uzyskania sugerują, że będzie

to raczej sprint, a nie bieg średniodystansowy.

Na zwycięzców wyścigu czekają nagrody

w postaci oszczędności i lepszego zrozumienia

procesów biznesowych w +rmie.

Michał Pajdak

prezes zarządu Appgration, szef Rady

Nadzorczej w Fabryce Innowacji fi3,

członek Komitetu Sterującego

Klastra Commerce Connections

Marcin Mazur

dyrektor zarządzający w BiViSee

Ogólnopolskie badanie „Big Data w logistyce” zostało przygotowane przez spółkę technolo-

giczną Appgration we współpracy z Fabryką Innowacji +3 i społecznością Business Dialog,

a pod patronatem medialnym czasopism „Logistyka a Jakość” i „Nowoczesny Magazyn”. Celem

badania było określenie dojrzałości +rm w obszarze analizy danych. Dane zostały o+cjalnie

zaprezentowane podczas VIII Ogólnopolskiego Kongresu Magazynowania i Logistyki Modern

Warehouse 2016. Próba badania wynosiła N = 45. Szczegółowe wyniki badania dostępne są

na stronie: www.bigdatawlogistyce.pl

O badaniu

Skala Bardzo niska 1 Niska 2 Średnia 3 Wysoka 4 Bardzo wysoka 5

Jak często dane są zbierane?

rzadziej niż miesięcznie rzadziej niż tygodniowo rzadziej niż codziennie codziennie ciągle (w czasie rzeczywistym)

Jakie są źródła tych danych?

tylko wewnętrzne z sys-temów IT

tylko wewnętrzne z sys-temów IT i własnych urządzeń


zewnętrzne i wewnętrz-ne z systemów IT i urzą-dzeń widocznych w sieci

wszystkie niezbędne źródła pocho-dzące z dostępnych usług informa-cyjnych i z Internetu Rzeczy

Jakiego rodzaju są to dane?

raport zbiorczypojedyncze dokumenty transakcyjne




W jaki sposób dane są przygotowane?

przepisanie papiero-wych dokumentów

e-mail, ręczne kopiowanie plików

okresowe (ręcznie wyzwa-lane) przepływy danych pomiędzy systemami kontrahentów



Kto przygotowuje dane?

+rma zewnętrzna własny dział ITniektóre działy biznesowe +rmy



Jakie narzędzia są wykorzystane do analizy danych?

papiersztywne raporty z syste-mów

arkusze kalkulacyjnespecjalizowane narzę-dzia analityczne w sys-temie zintegrowanym


Czego dotyczą wnioski z tej ana-lizy?

oceny stanu historycz-nego („za okres”)

oceny stanu historycznego do dzisiaj

stanu obecnego („tu i teraz”)


indywidualnie prognozowanej przyszłości (np. w kontekście współ-pracy z wybranym kontrahentem)

rzadziej niż codziennie codziennie ciągle (w czasie rzeczywistym)


zewnętrzne i wewnętrz-zewnętrzne i wewnętrzzewnętrzne i wewnętrzne z systemów IT i urzą-dzeń widocznych w sieci

wszystkie niezbędne źródła pochodzące z dostępnych usług informacyjnych i z Internetu Rzeczy








specjalizowane narzę-dzia analityczne w sys-temie zintegrowanym



indywidualnie prognozowanej przyszłości (np. w kontekście współ-przyszłości (np. w kontekście współprzyszłości (np. w kontekście współpracy z wybranym kontrahentem)

INTEGRACJA W CZASIERZECZYWISTYM

NARZĘDZIA ANALITYCZNE DLA DZIAŁÓW BIZNESOWYCH

NARZĘDZIA DO PROGNOZ


TEMAT NUMERU

Czy chcesz aby Twój

magazyn był doskonale

zorganizowany?

Regały paletowe, półkowe, podesty magazynowe, magazyny automatyczne

oraz oprogramowanie do zarządzania magazynem Easy WMS

Mecalux oferuje najlepsze rozwiązania magazynowe odpowiadające na wszelkie potrzeby

związane ze składowaniem

Jeżeli potrzebujesz więcej

informacji o naszej ofercie odwiedź

stronę internetową: www.mecalux.pl

lub zadzwoń: (+48) 32 331 69 66

Drugiego dnia VIII Ogólnopolskiego

Kongresu Magazynowania i Logi-

styki Modern Warehouse w panelu

poświęconym zarządzaniu danymi

w logistyce odbyła się interesująca debata na

temat świadomości, możliwości i chęci analizy

danych, w celu wprowadzania usprawnień

w dziale logistyki czy w magazynie.

Debatę moderował Michał Pajdak, prezes

zarządu Appgration, a do udziału zaproszeni

zostali: Piotr Kowal (team leader PreSales w Qlik),

dr inż. Michał Grabia (kierownik Laboratorium

Technologii Identyfikacyjnych oraz kierownik

obszaru badawczego RFID w Instytucie Logi-

styki i Magazynowania), Dominik Tylczyński

(dyrektor Działu Konsultingu SAP w Inteco

Business Solution – Grupa Amica), Wojciech

Rokicki (członek zarządu Smart Project), Wiesław

Majewski (dyrektor łańcucha dostaw i członek

zarządu Empik) oraz Mateusz Grabka (dyrektor

handlowy Eco Light LED).

Obraz świadomości rodzimych przed-

siębiorstw w zakresie analityki danych we

wnioskach z debaty nie jest jednorodny. Są

takie, które z ich analizą radzą sobie już cał-

kiem dobrze, ale zdecydowana większość nie

wykorzystuje jeszcze potencjału drzemiącego

w kojarzeniu informacji często z zupełnie róż-

nych obszarów. Dla „początkujących” eksperci

mieli ważną radę – trzy strategiczne pytania,

które należy postawić w momencie, kiedy

chcemy zacząć analizować zbiory danych:

Jakich danych potrzebujmy? Jakie dane już

mamy? Czy wykorzystujemy te dane, które

już mamy? A jeśli mamy już odpowiedź na

te trzy – dochodzi czwarte: Jakich danych

potrzebujemy ponadto? Jak stwierdził jeden

z uczestników debaty: – Bez zadania sobie

trzech pierwszych pytań można budować

bazę danych w nieskończoność, ale jaki jest

tego sens, jeśli nie będziemy z nich korzystać?

Przedstawiam poniżej cztery pytania Michała

Pajdaka, na które odpowiedzieli paneliści.

1. Jak to jest z wykorzystaniem Big Data w logistyce?

dr inż. Michał Grabia: Jeśli chodzi o wyko-

rzystanie Big Data w obszarze logistyki, to

trzeba przyznać, że wygląda ono słabo i sporo

jeszcze przed nami do zrobienia. Wiele firm

jako innowację w logistyce traktuje wdrożenie

kodów kreskowych. Sporo podmiotów nie

wykorzystuje jeszcze podstawowych systemów

wspierających logistykę, np. systemów WMS.

Olbrzymie obawy budzi wykorzystanie syste-

mów ERP w opcji SaaS ze względu na kwestię

bezpieczeństwa danych. W mojej opinii jest to

niezrozumiałe, ponieważ własne serwerownie

nigdy nie będą tak bezpieczne, jak profesjo-

nalne serwerownie operatorów dostarczających

usługi hostingowe oraz rozwiązania chmurowe.

Firmy, które realizują analitykę Big Data, często

przy pomocy takich narzędzi, jak np. platforma

IBM SPSS do tworzenia modeli predykcyjnych,

wykorzystują tę technologię głównie dla han-

dlu, sieci handlowych, np. w obszarze analizy

paragonowej czy koszykowej. Dalej wymienić

mogę telekomy, instytucje finansowe oraz coraz

częstsze zastosowania w medycynie. Big Data

pozwala łączyć ze sobą pozornie niespójne

informacje, dane pochodzące z różnych źródeł.

Wiesław Majewski: Nie uważam, żeby

dzisiejszym problemem w logistyce był brak

danych. Ucieczka do przodu w celu wprowadze-

nia nowych technologii, zdobywania, magazy-

nowania i przetwarzania coraz większej liczby

danych jest z mojego punktu widzenia, czyli

osoby nadzorującej logistykę, mniej ważne niż

nauczenie się właściwego z nich korzystania.

Liczba danych, które firmy już dziś posiadają –

również w obszarze logistyki – jest dużo większa

Czy logistyka naprawdę śpi na danych, których nie wykorzystuje? – to tytuł moderowanej

debaty, która miała miejsce podczas tegorocznego kongresu Modern Warehouse

organizowanego przez redakcję „Nowoczesnego Magazynu” ze wsparciem medialnym

„Logistyki a Jakość”.

Big Data, little data, no data –logistyka śpi na danych?

Modern Warehouse 2016 – wnioski z debaty o Big Data w logistyce

Moderator debaty: Michał Pajdak (Appgration) (fot. RR Studio)


TEMAT NUMERU

niż liczba danych wykorzystywanych. Umie-

jętność ich przetwarzania, umiejętność ich

interpretowania i umiejętność zachowania

„higieny danych” – jest najważniejsza.

Wojciech Rokicki: Mamy okazję obserwować

sytuację w bardzo wielu przedsiębiorstwach.

Mówiąc o Big Data np. w obszarze magazynu,

wyobrażamy sobie, że pracownicy i sprzęt obser-

wowani są w czasie rzeczywistym, dane są zbie-

rane, automatycznie pojawiają się statystyki…

Rzeczywistość jest bardziej siermiężna. Big Data,

little data…, ale najczęściej spotykamy się z no data,

czyli z sytuacją braku danych. Procesy prowadzone

są na papierze, co utrudnia lub wręcz uniemożliwia

ich zbieranie, archiwizowanie, a tym samym –

przetwarzanie. W rezultacie przedsiębiorcy nie

dysponują pełną wiedzą o tym, co dzieje się w pro-

cesach, które mają miejsce w ich +rmach. Weźmy

przykład potrzeby zwiększenia zatrudnienia –

zarząd nie wie, czy ono jest uzasadnione, gdy

nie jest mierzona produktywność pracowników.

Dlatego realizację projektu rozpoczynamy od

zebrania danych. Niestety nawet w sytuacjach,

gdy rejestrowanie danych wymuszone jest syste-

mowo, czyli w przedsiębiorstwach, gdzie pojawia

się system WMS – istnieje problem ich jakości oraz

dostępności. Często, aby wydobyć interesujące

nas zestawienia, potrzebne jest zaangażowanie

+rmy IT. Wniosek jest jasny – nawet jeśli dane są,

często nikt z nich nie korzysta, nikt ich nie analizuje.

O analityce Big Data trudno w tej sytuacji mówić.

Dominik Tylczyński: W Amice jest jesz-

cze sporo danych, które wymagają cyfryzacji.

Jednym z czekających na realizacje projektów

jest digitalizacja całego archiwum umów

i kontraktów, włączając w to implementację

workflow do opracowania nowych kontraktów.

Myślę, że przemysł AGD idzie w kierunku tech-

nologii IoT, instalowane są urządzenia, które

pozwolą na analizę zużycia prądu, sygnalizację

potencjalnych awarii i wychodzenie z prewen-

cyjnym serwisem. Amica ma innowacyjną linię

produktów IN. obsługiwaną z aplikacji mobil-

nych za pośrednictwem smartfona. Zatem,

w przypadku Amiki technologia Big Data jest

stosowana. W samej logistyce jesteśmy jeszcze

na etapie little data i uczenia się, jak naprawdę

zacząć korzystać z danych. Systemy zintegro-

wane klasy ERP zawierają ogromny potencjał

danych i potencjał uzyskania korzyści, dlatego

właśnie warto skupić się na tym w logistyce.

Wydaje mi się, że Big Data stało się hasłem

marketingowym dla firm technologicznych, by

te mogły sprzedawać rozwiązania. Na poziomie

użytkowym i analizowania tych danych nie we

wszystkich obszarach jesteśmy gotowi, żeby

Nowa forma Kanban

Amazon wprowadził Amazon Dash Button, małe przyciski z logo produktu. Przyciski

można umieścić w szafce, na pralce. W momencie, kiedy sięgam po ostatnie ziarna kawy,

wciskam Amazon Dash Button z logo producenta mojego ulubionego napoju. Urządze-

nie skomunikowane jest z aplikacją Amazon na smartfonie, którą można skonfigurować,

tak by wiadomo było, co powinno zostać zamówione po naciśnięciu danego przycisku.

Wtedy uruchamiane jest zamówienie. Następnego dnia przed moimi drzwiami czeka

nowe opakowanie kawy, a w związku z tym, że usługa jest dostępna dla użytkowników

opcji Amazon Prime, nie płacę nic za dostawę.

Piotr Kowal

team leader PreSales w Qlik

Inteligentny system oświetlenia

Przytoczę przykład. Budujemy nową halę magazynową. Instalujemy system oświetlenia,

w którym każda oprawa oświetleniowa LED posiada wbudowany inteligentny moduł,

który komunikuje się z każdą kolejną oprawą poprzez sieć bezprzewodową opartą na

Wi-Fi Ieee 802.15.4. Dodatkowo oprawa posiada wbudowany multisensor, czyli czujnik

obecności oraz czujnik światła. Jakie korzyści możemy uzyskać poprzez takie rozwiązanie?

Z poziomu aplikacji oprogramowania zainstalowanego na dowolnym komputerze lub

urządzeniu mobilnym możemy zarządzać niezależnie każdą oprawą oświetleniową oraz

tworzyć grupy opraw dostosowane do potrzeb obiektu. Przykładowo dla stref regałów

wysokiego składowania możemy zaprogramować oświetlenie całej alejki – ale w sytuacji

wykrycia ruchu – oświetlenie pracuje na 100% tylko w konkretnych strefach, ponieważ

każda oprawa indywidualnie wykrywa obecność i informuje oprawy tylko z najbliższego

otoczenia o potrzebie pełnej funkcjonalności, natomiast w strefach, gdzie nie ma aktyw-

ności, natężenie oświetlenia zmniejszone jest do 20-30%, co w konsekwencji przy dużych

powierzchniach magazynowych i cyklach pracy kilkunastogodzinnych generuje bardzo duże

oszczędności w zużyciu energii, zapewniając bezpieczeństwo i komfort osób pracujących.

W przypadku otwartych przestrzeni, gdzie występują świetliki, możemy ustawić poziom

natężenia akceptowalny przez klienta, który dostosowuje się automatycznie do ilości

światła dziennego. Po kilku dniach, tygodniach – z poziomu aplikacji możemy sprawdzić,

które powierzchnie rzeczywiście wymagają dodatkowego doświetlenia i są najczęściej

uczęszczane oraz generują większe zużycie energii, by następnie podjąć decyzję o dalszej

optymalizacji oświetlenia.

Technologia do zarządzania oświetleniem nie jest nowością – system przewodowy na

protokole DALI jest stosowany powszechnie na rynku od kilku lat. Nowością jest system

bezprzewodowej komunikacji. Efekt? We współpracy z oświetleniem LED-owym to

oszczędności energii elektrycznej rzędu 85-90%.

Mateusz Grabka

dyrektor handlowy Eco Light LED

Walmart i jego dostawcy

Jeżeli mówimy, że ktoś był pierwszy w handlu internetowym, to myślimy – Amazon. Z kolei,

jeśli mówimy o handlu detalicznym – myślimy Walmart. To dwie potężne firmy, które ze

względu na skalę swojego działania dużo inwestują w innowacje. Walmart był pierwszym

dużym detalistą, który połączył się ze swoimi dostawcami realizującymi dostawy w trybie

vendingowym. Obecnie dostawcy widzą sprzedaż swoich produktów z poszczególnych

salonów. Dostosowują do niej swoją produkcję. Bez otrzymywania zagregowanych i prze-

tworzonych zamówień od detalisty.

Wiesław Majewski

dyrektor łańcucha dostaw i członek zarządu Empik

Trzy przykłady wykorzystania danych usprawniające logistykę

17Logistyka a Jakość | nr 6 | listopad-grudzień 2016

dane wykorzystywać. Przestrzegałbym przed

działaniem typu: „Nie potrafimy jeszcze ana-

lizować danych, ale już chcemy inwestować

w Big Data”.

2. Od jakiego obszaru logistyki zacząć, jeśli chcemy wykorzystywać Big Data? Tak, by nie ryzykować zbyt wiele, a dużo zyskać.

Michał Grabia: Zakładając, że w firmie

są już systemy informatyczne, to pierwszym

obszarem, w którym Big Data sprawdza się

bardzo dobrze, jest zarządzanie zapasami. To

obszar, w którym bardzo szybko można zna-

leźć korzyści poprzez wykorzystanie danych.

Drugim obszarem jest optymalizacja procesów

związanych z kompletacją. W przypadku dużych

przepływów towarów opłaca się robić analizę

ABC w czasie rzeczywistym bądź zbliżonym

do rzeczywistego i co jakiś czas optymalizo-

wać ścieżkę kompletacyjną. W tym przypadku

należy wziąć także pod uwagę koszt rearan-

żacji magazynu.

Wiesław Majewski: Zaczęlibyśmy od Master

Data związanej z kodami i ścieżkami komple-

tacji. Intensywnie opracowywane przez nas

jakościowo są obecnie Master Data związane

z objętościami i wagami produktów. Tutaj nie-

stety potrzebny na wejściu jest pomiar fizyczny.

Gdybyśmy mogli zastąpić jakość tego samego

pomiaru danymi zaczytanymi z zewnętrznych

baz, pozostałe procesy w magazynie byłyby

zdecydowanie łatwiejsze.

Dominik Tylczyński: Wybierając obszar,

gdzie dobrze byłoby zastosować Big Data i który

równocześnie jest mało ryzykowny, sugero-

wałbym najpierw drogę w stronę customer

sensing. Oznacza to wyczuwanie poprzez Big

Data, poprzez analizę tego, co pisze się w sie-

ciach społecznościowych, wzorców zachowań

klientów. To bezpieczny obszar, a sprzedaż

w +rmach jest obszarem, gdzie dyskutuje się

najmniej w kwestii innowacji. W obszarze sprze-

daży najłatwiej jest wprowadzać innowacje.

3. Kto w )rmie powinien pełnić funkcję data

scientist, osoby analizującej dane, proponującej zmiany w zarządzaniu danymi w logistyce?

Wojciech Rokicki: Należy rozróżnić pracę

operacyjną od optymalizacyjnej. Nie jest tak,

że kierownik operacyjny nie może analizować

danych, wyciągać wniosków i optymalizować

procesów. Będzie miał jednak z tym kłopot

przede wszystkim ze względu na brak czasu.

Z tego względu dane powinna analizować

wyznaczona do tego osoba nieoperacyjna.

W większych +rmach spotkać można działy

business excellence, w których podejmowane

są zadania usprawniania procesów i funkcje

analityczna oddzielone są od operacyjnych.

Michał Grabia: Zauważyłem ostatnio pewien

ciekawy trend – na rynku pojawiają się usługi

analizy danych. Zatrudnienie data scientist nie jest

łatwe. Trudno pozyskać takie osoby z doświad-

czeniem w danej branży z rynku. Dla mniejszych

przedsiębiorstw rozwiązaniem faktycznie może

być zlecenie takiej usługi na zewnątrz. Firma

zewnętrzna może zanalizować nasze dane,

stworzyć pewien model, a następnie poddać

go naszej wery+kacji i ocenie. Przykładem takiej

+rmy na moim lokalnym wielkopolskim rynku

jest +rma Zeto.

Dominik Tylczyński: Powinniśmy stworzyć

nowe stanowisko dla data scientist. Zakres zadań

związanych z analizą danych znacznie wykra-

cza poza możliwości, jak również pro+l jednej

osoby. Kiedy myślimy o Big Data, o zbieraniu

bardzo dużej ilości informacji, to musimy mieć

świadomość, że są one nieustrukturyzowane.

Rolą data scientist jest poszukiwanie w tych

danych korelacji, trendów, o których być może

nie zdajemy sobie jeszcze sprawy. Data sien-

tist powinien być w pewnym sensie artystą –

dostrzegać w danych to, czego nie widzą inni.

Dopełnieniem data scientist powinna być osoba,

która znajdzie zastosowanie biznesowe dla

spostrzeżeń data scientist w postaci business

case, przedstawi je zarządowi i zbuduje kon-

kretną inicjatywę. Podsumowując – jeśli chcemy

mieć dużo danych, Big Data, i mieć z nich dużo

korzyści, to konieczna jest inwestycja w nowe

stanowiska.

4. W jakim kierunku zmierza Big Data, czy jesteśmy na etapie edukowania rynku, czy realizacji konkretnych projektów?

Dominik Tylczyński: Na pewno jest już

technologia do przetwarzania dużych zbio-

rów danych, są już rozwiązania, które integrują

łańcuch dostaw. A rolą konferencji takich jak ta,

jest edukowanie i pokazanie, że z analizy danych

możemy mieć sporo korzyści.

Wojciech Rokicki: Potrzeba jest matką zmiany.

Możemy stworzyć mnóstwo ciekawych narzędzi,

ale jeśli nie będzie chęci ich zastosowania ze strony

przedsiębiorstw – to nie będą wykorzystywane

i wdrażane. Z powodu wzrostu płac i braku rąk

do pracy powoli zmierzamy w takim kierunku,

jak nasi zachodni koledzy, gdzie produkcja jest

sparametryzowana i policzalna, co wymaga

analityki danych. Podsumowując – uważam,

że jeśli zrodzi się potrzeba, nadgonimy różnice

technologiczne w tym obszarze.

Oprac. Magdalena Libiszewska

Paneliści – od lewej: Mateusz Grabka (Eco Light LED), Wiesław Majewski (Empik),

Wojciech Rokicki (Smart Project), Dominik Tylczyński (Inteco Business Solution – Grupa Amica),

dr inż. Michał Grabia (Instytut Logistyki i Magazynowania), Piotr Kowal (Qlik) (fot. RR Studio)


TEMAT NUMERU

Big Data w Logistyce

Data & Analytics

Transcript of Big Data w Logistyce