Большие данные в логистике — мнение Михаила Белоусова

Междугородняя логистика: как это было раньше

Классическая наземная логистика сильно завязана на человеческом факторе. Давайте сразу рассмотрим на примере, как работают логисты в большинстве компаний на сегодняшнем рынке.

Допустим, клиент присылает запрос: ему на завтра нужно десять фур для перевозки большой партии товара из Санкт-Петербурга в Москву. Подобная срочность — нормальное явление в логистике. Бизнес крайне волатильный, в нем крупная потребность может возникнуть внезапно. Особенно в условиях не слишком стабильной экономической ситуации, как у нас сейчас.

Без больших данных подборка исполнителей проходит полностью вручную. Логист проверяет базу данных и делает выборку перевозчиков, которые регулярно ездят по этому маршруту или готовы по нему ехать. Выборку нужно обзвонить, ведь логист не представляет, где сейчас находятся перевозчики и смогут ли они взять задачу.

Иногда процесс обзвона занимает целый день, когда нужно найти водителей на не слишком популярные маршруты. При этом часто приходится подключать внешние базы и источники, что еще больше усложняет задачу. С каждым перевозчиком нужно обсудить условия и оплату, за которую он возьмет задачу. И только после этой огромной работы логист может вернуться к клиенту и предоставить ему коммерческое предложение.

При этом оно далеко не всегда самое выгодное. Обычно, первыми звонят перевозчикам, которые регулярно отправляют машины по этому маршруту. И если за день логист успел обработать 200 контактов из базы — это уже считается хорошим результатом. А размеры самой базы могут достигать и 5000 контактов.

В итоге логист может и не узнать, что у какого-нибудь перевозчика, который обычно не работает с направлением Питер-Москва, именно завтра в нужном месте окажется нужное количество свободных фур.

В среднем, у специалиста уходит от 3 до 8 часов, просто чтобы сформировать предложение и назвать цену клиенту. И довольно часто выполненная работа пропадает впустую, потому что клиент уходит без заказа. И до недавнего времени альтернативы такому процессу не существовало. Но теперь есть большие данные.

Большие данные меняют логистику изнутри

Big Data способна уменьшить время на разработку коммерческого предложения с 3-8 часов до 20-30 минут. Вот как это происходит.

Логисту нужно всего лишь сформировать запрос системе и внести ключевые данные. В примере выше это дата (завтра) направление (Питер-Москва) количество (10 фур заданных объемов). Все, система уже автоматически делает подборку. И далее происходит самое интересное.

 

Правильно настроенные алгоритмы обработки уже через несколько секунд покажут, какой транспорт каких перевозчиков будет завтра в точке назначения. При этом у них уже указан тариф — он взят из данных о последнем аналогичном рейсе. Если этого объема машин хватает — логисты обзванивают конкретных подрядчиков и уже через 10 минут могут дать клиенту предложение.

Если объемы нужны больше, система делает другую подборку — перевозчиков, которые когда-то ездили по этому направлению или стабильно проводят по нему рейсы.

Если же направление не слишком распространенное, то дальше система оценивает перевозчиков, которые хотя бы раз отправляли машины по этому маршруту. Интересно, что при корректно внесенных данных она может включать в анализ даже тех подрядчиков, кто ни разу не ездил по данному маршруту, но обсуждал такую возможность. Это возможно именно благодаря записям всех контактов с клиентами и подрядчиками, а не только тех, которые привели к заказу.

По сути полная обработка даже большой базы перевозчиков занимает примерно полчаса. И это действительно полная обработка: от конкретных машин, которые будут на месте в нужное время, до подрядчиков, которые не работают с этим маршрутом, но в целом не против попробовать. А если пойти дальше и автоматизировать процесс контакта с подрядчиками, то все сводится к нескольким кликам, которыми логист отправляет рассылку с предложением. Но и на этом можно не останавливаться. Михаил рассказывает:

Подрядчики, которые с нами работают постоянно, существуют в рамках нашей внутренней информационной системы. Сейчас мы внедряем интересную систему, где рассылка по задачам ведется не каждому конкретному перевозчику, а появляется в единой системе, где есть их представители. Перевозчики видят объемы и характеристику контракта и могут сразу предложить цену. А если на одну задачу ответило несколько подрядчиков, то мы сразу можем сторговаться и выбрать более выгодный вариант. Как результат — клиент получает максимально выгодную цену, которую только может дать рынок.

Естественно, большие данные и алгоритмы их обработки не заменяют логиста полностью. Человеческий фактор остается в любом случае, ведь нужно как минимум созвониться с подрядчиками и подтвердить законтрактованные объемы, а затем обсудить все особенности задачи с клиентом и подписать с ним необходимые документы.

Наряду с упрощением операционных процессов, у логистических компаний открывается еще довольно много возможностей.

Всего лишь один датчик GPS в машине позволяет анализировать игрокам рынка следующие параметры:

Загруженность дорог (анализ пробок, причин и тенденций возникновения заторов).

• Типовые траектории объезда пробок в отдельно взятых секторах города, выявление новых аварийных участков, плохо регулируемых перекрестков.
• Сезонность, зависимость объема заказов транспортной компании от: урожайности, хорошей погоды, качества дорог в тех или иных населенных пунктах.
• Техническое состояние агрегатов, расходных частей в транспортных средствах.
   
• На зарубежном рынке логистики большие данные используют куда более активно. Некоторые крупные компании вкладывают в технологию десятки миллионов долларов — и это дает просто шикарные результаты.

 

К примеру, в 2018 году для решения проблемы логистических расходов компания DHL разработала решение Smart Truck. Компания оснастила свои грузовики IoT-датчиками, которые собирают данные о погодных условиях, пробках, дорожно-транспортных происшествиях и т. д.

С помощью анализа больших данных в режиме реального времени система проводит оптимизацию маршрутов, сокращая время транзита до 50% и обеспечивает надежность онлайн-отслеживания более 95%. Smart Truck сократил холостых километров на 15%, сэкономил миллионы литров топлива, снизил след CO2.

На российском рынке подобных масштабных кейсов в логистике нет. ГК «Маршал» внедряет систему аналитики Big Data только полгода, и еще рано говорить о стратегических успехах. Но в дальнейшем большие данные можно будет использовать также для более глубокого построения и корректировки маршрутов, оптимизации посредничества и работы с перевозчиками и прогнозирования потребностей на локальных рынках.

Сложности внедрения больших данных в логистике

Естественно, без сложностей не обходится. Бизнес-процессы логистической компании на основе Big Data серьезно отличаются от классических.

Самое сложное на первом этапе внедрения — собрать необходимый массив данных. А для этого нужно выстроить работу операторов таким образом, чтобы они вносили в систему каждый контакт с клиентом и подрядчиком. Подчеркиваем, каждый.

То есть, если раньше он за день обзвонил 200 перевозчиков и договорился с десятью, ему нужно было внести только десять успешных контактов. Но для больших данных нужно внести все 200. При этом максимально детально классифицировать характер контакта, тему обсуждения и результат в том формате, в котором требует система.

Трансформация специфики работы стала критичной, когда мы только запустили переход на Big Data в компании. Ведь нужно научить сотрудников правильно заполнять данные и помочь им перестроиться.

Как показал опыт, далеко не все к этому готовы. Мы потеряли примерно треть команды на этом этапе — люди просто отказались заполнять данные всех контактов с клиентами и перевозчиками, а не только успешных. Ни мотивация, ни подробное объяснение, почему это важно, не смогли изменить их мнение.

Впрочем, после внедрения больших данных эффективность работы логистов выросла в 2-2,5 раза, нам даже не пришлось нанимать новых специалистов, поэтому трансформация более чем оправдана.

Еще одна сложность на старте — «подружить» старые данные с новым форматом, который нужен для обработки алгоритмами Big Data. Банки данных могут нарабатываться годами и содержать десятки тысяч контактов, но они разрозненные и нуждаются в доработке. Плюс, они могут содержать не все нужные классификаторы.

 

Еще один интересный пример. Компаний UPS разработала программное обеспечение для маршрутизации транспортных средств, чтобы устранить как можно больше левых поворотов (в странах с правым движением).
 

И действительно, система разрабатывает маршруты таким образом, что количество левых поворотов стало не более 10% от всего количества.

Как утверждают менеджеры компании, благодаря этому машины компании в год экономят 37 000 тонн топлива и выделяют на 20 000 тонн меньше углекислого газа.

Эффективность планирования маршрутов с помощью навигационного программного обеспечения помогла фирме оптимизировать общее количество грузовиков на 1100 и снизить общую длину маршрутов на 45,8 млн километров в год.

От того, насколько гладко пройдет процесс трансформации, будет зависеть стабильность бизнеса в первые месяцы работы с биг дата, когда новых данных будет еще недостаточно.

И, естественно, главный вызов — создать и настроить алгоритмы обработки, которые будут выдавать нужные данные, чтобы с ними было удобно работать дальше. Накопленные массивы данных слишком большие для ручной работы, нужно максимально четко настроить категоризацию и приоритеты выдачи. Кроме того, важно предусмотреть особые требования клиентов, которые бывают примерно в половине заказов. К примеру, одному заказчику нужно подать машину четко с 12 до 14 часов, а второму — доставить грузы в другой город сразу на несколько локаций.

Это крайне сложная задача для разработчиков. Ведь необходимо не только написать внутреннюю программу которая обрабатывает данные нужным образом, но и сделать интуитивно понятный интерфейс для логистов, чтобы даже новый сотрудник смог за несколько дней разобраться со всем функционалом системы.

Наряду с этим также важно автоматизировать процессы рассылки предложений перевозчикам, дозвона их представителям, оформления документов, расчета стоимости и составления предложения. То есть, снять с логиста до 80% скучной рутины. К этому и нужно стремиться.

Применение больших данных для автоматизации процессов значительно экономит время на поиск наиболее экономичного варианта решения логистической задачи. Обычный логист может потратить сутки на поиск решения, когда система выдает вариант в течении считанных минут. В отдельных случаях экономия может составить 30% от фрахта. Разумеется, на рынке уже есть компании, которые начали использовать Big Data в логистике раньше. Например, ТЛК и Монополия.

Впрочем, опасаться, что алгоритмы и нейросети полностью заменят логистов, не стоит. Скорее, акценты их работы больше смещаются на коммуникацию с перевозчиками и клиентами, а не работу с базами данных.