fb
IT Systems 9/2020 AI a Business Intelligence Logistika 2. 11. 2020 12:18

Jak využít pokročilé metody analýzy dat v logistice

LogioČeský průmysl se posledních několik let dostává do příjemné pozice v ohledu zpracování a využití dat. Přecházíme totiž z éry, kdy se říkalo „Data je potřeba sbírat“, do éry, kdy je máme k dispozici a lze s nimi něco dělat. Koronavirová krize tuto chuť a vůli ještě prohloubila a mnoho společností je tak velmi otevřeno a nakloněno tomu, aby se jejich schopnost data využívat zvýšila.

V tomto článku se podíváme nejprve na to, co by se mělo stát předtím, než se jakékoliv řešení BI, AI, ale i reportingu začne navrhovat. Zde hraje datová analýza velkou roli. Na tento krok navazujeme BI a reportingovými řešeními a jejich využitím. V přehledu se pokusíme přiblížit, v jakých oblastech se dají tyto disciplíny uplatnit a co mohou přinést. Na závěr se podíváme na několik aplikací AI v logistice.

Kvalita a čistota dat, prvotní datová analýza

Ještě předtím, než se dostaneme k samotnému BI, natož pak AI, je potřeba se na chvíli zastavit u několika základních principů, kterým je nutné vyhovět, pokud mají být naše projekty úspěšné. Na jednu stranu je to možná opakování známých fakt, na druhou stranu často vídáme případy, kdy jejich přehlížení vede ke zbytečnému plýtvání zdroji.

Datová analýza a nástroje, které jsou k ní využívány, zažívají nebývalý rozmach v posledním období. Je to dáno především vysokou poptávkou a snahou využít data, která mají firmy k dispozici. To vede k velkému rozmachu kurzů, výcviků a celkově snahy o zvýšení těchto kompetencí. To je samozřejmě velmi přínosná a vítaná záležitost, je však třeba dát si na to současně i velký pozor. Správně složený datový team by měl vždy obsahovat jak seniorní pracovníky, tak ty nově naučené, juniorní. Správně prováděná datová analýza je komplexní záležitost a v mnoha situacích vyžaduje značnou zkušenost.

Podíváme-li se na možnosti, které nám dnes nástroje datové analýzy umožňují, jednu z hlavních rolí zde hrají nové nástroje, což v datech jsou především programovací jazyky R a Python. Pokud se budeme bavit o nich, tak se bavíme skutečně o programovacích jazycích. V těchto dvou nástrojích lze dělat velmi komplexní datové analýzy a současně provádět výpočty nad daty. Nevýhodou je, že nutná úroveň znalosti, která je vyžadována k tomu, aby datový analytik s těmito nástroji dokázal pracovat, je vysoká. Vzhledem k tomu, že se pohybujeme na vysoké úrovni abstrakce, tak postupné učení ve stylu wysiwyg (what you see is what you get) mnohdy nefunguje. Ještě o krok složitější je situace ve chvíli, kdy se dostaneme do skutečně velkých dat. Na takové úlohy je totiž již třeba využít cloudových služeb, tzn. například Apache Spark a nástroje založené na Scale. Využití těchto služeb už klade skutečně velké nároky na dovednosti z oblasti programování a může trvat velmi dlouho do tohoto světa proniknout natolik, aby začal produkovat výsledky.

Naštěstí tomu trochu napomáhá druhá strana datové analýzy, která se také v současnosti rapidně rozvíjí. A to je vizuální část zastoupená nástroji, jako je Tableau nebo PowerBI. Případně další nástroje pro vizuální simulace, tvorbu grafů apod. Díky výrazným pokrokům v tvorbě těchto aplikací jsou to nástroje, které jsou dostupné a uživatelsky přívětivé pro široké publikum. V těchto nástrojích mohou velmi rychle vzniknout výstupy, které mají vysokou přidanou hodnotu. I zde však leží nástrahy, a to především v podkladových datech a datový modelech čili tzv. datových kostkách. Ty je vždy třeba pečlivě navrhnout a promyslet a na tomto místě je třeba určitá zkušenost, abychom se vyhnuli nepřesnostem, nebo dokonce chybám.

Máme tak před sebou možná dvě strany mince, kde jedna dává možnost do datové analýzy proniknout i těm, kteří doposud nemohli, a druhou, která stále vyžaduje hlubší teoretické znalosti. Je vidět velká snaha o propojení těchto světů na pozadí aplikací, které by dokázaly odstínit uživatele od komplexity bit data řešení. Obrovskou výhodou však je, že toto dává prostor pro pracovníky, kteří mají blízko k businessu, ale dál k programování, aby se aktivně podíleli na datových projektech. To může být obrovskou pomocí při zpracovávání těchto projektů, protože jejich vzhled je zásadní. Na to vše je třeba myslet ve chvíli, kdy začínáme projekty, které se mají zabývat datovou analýzou, natož pak složitějším úlohami postavenými nad daty.

Data, která chceme využívat k jakékoliv aktivitě, musí mít určitou kvalitu. Je nutné dát si tu práci s tím, je dobře připravit. Obzvláště ve vizuálních reportingových nástrojích je to velmi lákavá myšlenka začít rovnou pracovat na grafech a výstupech a problémy řešit, až když přijdou. Jenže potíž je v tom, že ty problémy vůbec nemusí být vidět. Vezměme například jeden typický logistický problém. Tím jsou kmenová data a jejich nekvalita. Jedná se o základní data produktů na jejich kmenových kartách a obsahují mj. záznamy jako hmotnost nebo velikost. Často se však setkáte se záznamy chybějícími, případně ve špatných jednotkách a další podobné nástrahy. Tyto problémy často není na první pohled vidět a může se stát, že s takovými daty začneme pracovat. Ve chvíli, kdy je u mnoha rozměrů vyplněno 1 namísto skutečné velikosti, najednou se vám zakázka pro vašeho klienta vejde do auta. Podle dat, ve skutečnosti však nikoliv. To je samozřejmě obrovský problém např. pro jakoukoliv automatizaci přípravy objednávek a rozplánovávání denních tras. Správná datová analýza musí všechny tyto nástrahy objevit a v rámci procesu vyřešit. Je úkolem datových analytiků umět tyto problémy odhalit a navrhnout vhodná řešení.

Dalším důležitým bodem je nepodcenit právě návrhy řešení. A to nejen problémů, ale celých řešení. Obzvláště v počátečních fázích zavádění BI nástrojů se často setkáváme s přehnanou iniciativou. Ta samozřejmě sama o sobě není špatně, ale musí být rozumně směrována. Veškerý vývoj, a to i s využitím těch nejpokročilejších nástrojů, by měl sledovat určitý proces. Na začátku tohoto procesu je vyjasnění a vyspecifikování toho, co se vlastně má zobrazovat, jaké use cases se mají postihnout, a teprve na základě toho začít pracovat. Jedině tak není v sázce situace, kde výsledné řešení nedodává požadovanou funkčnost. Taková řešení pak jsou jen založena nevyužita do šuplíku.

Vizualizace vztahu produkt – zákazník, Analýza produktového portfolia
Vizualizace vztahu produkt – zákazník, Analýza produktového portfolia

Datová visibilita

Jedním z mnoha konceptů, s kterými pracujeme, ale který se současně začíná dostávat do popředí až v poslední době, je datová visibilita. Datová visibilita je takové nastavení IT systémů a nástrojů na správu dat, že k sobě mají vzájemně blízko, a hlavně mají možnost svá data vzájemně sdílet a využívat. Není to zcela nutně integrační platforma, protože to je již vyšší krok. Zde se jedná o to, aby data, která máme, byla přístupná i dalším systémům a byla využívána. To se dá vyřešit i přes jednodušší datové můstky. Příkladem z logistiky je situace, kde mnoho dopravců má k dispozici GPS koordinátor jednotlivých vozidel na cestě. Zákazník tak může získat informaci, kde se nachází jeho zásilka. To je nakonec koncept, který známe osobně z mnoha balíkových služeb. Jedna věc však je mít možnost podívat se přes systém na jeden balíček. Něco úplně jiného je napojit data tak, aby náš software mohl automaticky přistupovat k datům a zpracovávat a analyzovat je kontinuálně. Díky tomu je totiž možné vybudovat nástroj na řízení výjimek. V našem příkladu to je nástroj, který kontinuálně sleduje všechny naše zásilky a vyvolá upozornění až ve chvíli, kdy se některá z nich dostane mimo přípustnou oblast vzhledem k času dodání. To je automatizace, ke které bychom měli směřovat, protože ta skutečně šetří čas a peníze a umožňuje nám se soustředit pouze na to podstatné.

Vizibilita v logistice
Vizibilita v logistice

Pokročilé metody datové analýzy a reportingu

V logistice, a nejen tam, se s ohledem na data pohybujeme ve dvou hlavních oblastech:

  • Reporting a controlling;
  • Optimalizace a automatizace.

První oblast tedy zahrnuje reporting, datovou visibilitu, controlling a řízení. Jedná se o oblast, která je zaměřena především na způsoby zobrazení dat, jejich vyhodnocení a pomoc při operativních činnostech a řízení prováděného lidmi. Potřeba firem na dostupnost dat, jejich čistotu a schopnost s nimi pracovat výrazně roste. Důvody pro to jsou zcela pochopitelné.

Vzdálený dohled na dění ve společnosti

Jak právě i koronavirová krize ukázala, schopnost mít ve firmě přehled a moci ji řídit i na dálku je velmi klíčová. V situacích, kdy je třeba přejít ze dne na den z prezenční práce na distanční alespoň v určité možné míře, je to absolutní nutnost.

Vyšší míra automatických nástrojů a procesů

Snaha automatizovat svou činnost a procesy je všudypřítomná a v podstatě všichni přemýšlí nad tím, jak by mohli moderní technologie využít k úplné nebo částečné automatizaci. To ovšem vyžaduje kvalitní data, vstupy a visibilitu napříč systémy.

Externí požadavky na datové zdroje

Všechny již zmiňované aspekty na straně jedné společnosti vedou k vyšší nárokům i na straně jejího okolí. Její dodavatelé mohou vyžadovat přesnější a včasnější vstupy, informace o časech a pohledy do systémů. V logistice tak vidíme například rostoucí využití nástrojů pro správu časových oken, kde dodavatelé sami vybírají ta, která jim vyhovují z dostupných. Případně jim algoritmus sám přiřazuje vhodná časová okna.

Druhá oblast je více o matematice, algoritmech a umělé inteligenci. Bavíme se již o optimalizačních a automatizačních úlohách, které obvykle probíhají bez dalších nutných zásahů lidských zdrojů. V tomto případě je skutečně pestrá škála řešení a vydalo by to nejlépe na přednášku s příklady. Místo toho uvedeme spíše témata, kterými se dnes s ohledem na automatizaci a AI v logistice zabýváme:

  • Autonomní přeprava ve výrobě, kde materiál jezdí po trasách, které nejsou předem pevně stanoveny, na autonomních podvozcích. Na rozdíl od vytyčených tras to umožňuje menší počet robotů na více různých tras a dosažení vyšší návratnosti.
  • Plně automatizované sklady, které sami přebírají zboží na předávacích místech a starají se o celý proces zaskladnění, uchování a následného vyskladnění.
  • Nástroje připravující letáky slevových akcí tak, aby všechny letáky v následujícím období byly vyvážené. Jedná se o překvapivě komplexní úlohu, protože současně chcete optimalizovat návštěvnost v obchodě, celkovou marži na prodejích a případně další kritéria. To vše znamená, že musíte plánovat mnoho letáků dopředu, protože jinak to nikdy nebude správně.
  • Analýza nekvality ve výrobě nebo stockoutů v prodejích. Díky pokročilým algoritmům a právě datové připravenosti a propojenosti jsme schopni implementovat nástroje, které dohlédnou napříč celým dodavatelským řetězcem. To je velmi klíčové při hledání tzv. kořenových příčin. Pozorujeme-li na konci našeho procesu nízkou zásobu nebo nekvalitu ve výrobě, bývá těžké rozhodnout, co ji způsobilo. Ve chvíli, kdy máme dostatečný datový vzorek, jsme schopni najít podobné šablony chování, tyto situace identifikovat a rozpoznat je včas, ještě než nastanou. Jedná se opět o řízení výjimek a včasnou reakci.
  • Plánování logistiky end-to-end je úloha, která nám byla dlouhou dobu velmi vzdálená. Jedná se o výpočetně velmi náročnou činnost, kdy je třeba propojit mnoho kostiček skládačky najednou, nikoliv v krocích. Schopnosti, které máme ve výpočetní kapacitě a v pokročilých algoritmech, nám umožnily se k tomuto kroku posunout výrazně blíže. I když v této oblasti zbývá ještě hodně i teoretické práce.

Tento výčet by mohl pokračovat dále velmi dlouho, protože užití je mnoho. Je proto dobré zamyslet se nad vlastními daty a procesy a zvážit, zda není možnost k jejich optimalizaci a automatizaci. Často je a to dnes může znamenat obrovské rozdíly v dopadech na běh celého vašeho businessu.

 Martin Plajner Martin Plajner
Autor článku řídí oddělení Research And Development ve společnosti Logio.

Kalendář akcí
Konference - Semináře - Školení
Časopis IT Systems/Speciál
Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Archív časopisu IT Systems
IT Systems 10 IT Systems 9 IT Systems 7-8 IT Systems 6
Archív časopisu IT Systems Special
Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1