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?
84% odpowiedzi pozytywnych.
W przypadku procesu 3. pytania szczegółowe
dały następujące rezultaty:
Czy na podstawie danych zbieranych, zwięk-
szyłeś efektywność pracy komisjonera/pickera?
72% odpowiedzi pozytywnych.
Czy na podstawie danych, zwiększyłeś
efektywność przestrzeni magazynowej?
80% odpowiedzi pozytywnych.
Czy dzięki użyciu danych, zwiększa się procen-
towa liczba realizacji zleceń w Twoim magazynie?
80% odpowiedzi pozytywnych.
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 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)
rzadziej niż codziennie codziennie ciągle (w czasie rzeczywistym)
zewnętrzne i wewnętrzne z systemów IT
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
linie dokumentów trans-akcyjnych
linie dokumentów i re-jestrowane zdarzenia
linie dokumentów, rejestrowane zdarzenia i pojedyncze sygnały
automatyczne przepły-wy danych pomiędzy systemami kontrahen-tów
przesyłanie danych na bieżąco, w momencie ich powstawania
dedykowany departa-ment analityczny
użytkownicy biznesowi
specjalizowane narzę-dzia analityczne w sys-temie zintegrowanym
narzędzia analityczne dostosowane do indywidualnych potrzeb użyt-kowników biznesowych
ogólnie prognozowanej przyszłości
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
14 Logistyka a Jakość | nr 6 | listopad-grudzień 2016
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)
16 Logistyka a Jakość | nr 6 | listopad-grudzień 2016
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)
18 Logistyka a Jakość | nr 6 | listopad-grudzień 2016
TEMAT NUMERU
Top Related