Adatelemzés a logisztikában: 5 terület, ahol mérhető a haszon

1. Adatalapú anyagmozgatás

A legegyszerűbb belépő az, hogy megnézzük, mit csinálnak valójában az eszközök. A futószalag, a targonca és a villásemelő használati gyakoriságából és állapotából kiderül, hol keletkezik a torlódás, melyik gép áll sokat, és hol futnak felesleges körök.

Ebből három dolog jön ki szinte azonnal. Az állásidő okainak feltárása, az anomáliák kiszűrése, és a prediktív karbantartás megalapozása: annak becslése, mikor romlik el egy eszköz, mielőtt tényleg elromlana.

A negyedik, ami ritkábban kerül szóba, a munkaerő koordinálása. Ha valós időben látható, hol van szükség emberre, a beosztás nem terv szerint, hanem a tényleges terhelés szerint alakul.

2. Raktár-layout tervezése adatokból

Egy raktár vagy üzem elrendezése klasszikus optimalizálási feladat, csak régen nem volt hozzá adat. Ma van: az anyagmozgatási útvonalak helye és hossza, a területszükséglet, a dolgozói létszám és a termékátfutási idők együtt megmondják, hogyan érdemes elrendezni a polcokat, az útvonalakat és a munkaállomásokat.

Léteznek erre szoftverek, amelyek a digitálisan felrajzolt elrendezésre és a betáplált adatokra építve javaslatot adnak az optimumra. A gyakorlatban viszont a szoftver a kisebbik rész: a nehezebb feladat az, hogy meglegyen a valóságot leíró adat, tehát hogy tudjuk, ténylegesen merre mozognak az emberek és az áru, ne pedig azt, hogy hogyan kellene.

3. Kereslet- és terhelés-előrejelzés

Itt válik a mérésből tervezés. A rendelési adatokból, a szezonalitásból és a tényleges használatból megbecsülhető, mire kell felkészülni, és ez közvetlenül csökkenti a készletet és a hiányt is.

Egy jó példa a járműipar. Egy gyártónak azt javasoltuk, hogy az autók használóitól beérkező adatokból jelezze előre, mikor hibásodnak meg bizonyos alkatrészek. A vezetési stílusból, a fogyasztásból, valamint a rendszeres és a szokatlan működés adataiból becsülhető az alkatrészigény, és ebből tervezhető a készlet.

Ez a feladattípus egyébként rokon azzal, amit másutt túlélési elemzésnek hívunk: nem az a kérdés, elromlik-e az alkatrész, hanem hogy mikor.

4. Készlet és nyomon követés

Az RFID-jeladókkal ellátott termékek és csomagok adataiból valós időben látszik a készlet, a csomagonkénti darabszám és a méret. Egy automata rendszer rögzíti a termék érkezését és távozását, és meghatározza a helyét. Ez ma már nem újdonság, hanem bevett gyakorlat, és valós idejű leltárt tesz lehetővé.

Amit a blockchaintől vártunk

Ennek a cikknek az eredeti változatában külön szakasz szólt arról, hogy a blockchain megoldja az ellátási lánc végponttól végpontig tartó nyomon követését. Az érv logikus volt: ha minden szereplő ugyanazt az eseménytörténetet látja, akkor egy termékvisszahívásnál nem egész gyártási műszakokat kell visszahívni, hanem csak a ténylegesen érintett darabokat.

Ez a várakozás azóta nem igazolódott be. A terület legnagyobb és legjobban finanszírozott kísérletét, a Maersk és az IBM közös TradeLens platformját 2022 novemberében jelentették be megszüntetésre, és 2023 elején le is állították. A hivatalos indoklás az volt, hogy nem sikerült elérni azt a globális iparági együttműködést, ami a működéséhez kellett volna.

A tanulság nem az, hogy a technológia volt rossz, hanem az, hogy a probléma nem technológiai. A végponttól végpontig tartó nyomon követés azon múlik, hogy a láncban lévő cégek hajlandóak-e megosztani az adataikat, és ezen egy osztott főkönyv önmagában nem segít. Ma ugyanezt a feladatot szabványos adatcsere, jól definiált termékazonosítók és a partnerek közötti kétoldalú megállapodások oldják meg, kevesebb látványossággal és több eredménnyel.

Ez a tanulság egyébként egy az egyben az, amit miért buknak el az adatprojektek című cikkünkben is leírunk: ha a szereplők ellenérdekeltek, a technológia nem old meg semmit.

5. Flotta, üzemanyag és menetidő

Ez az a terület, ahol a leggyorsabban lesz a mérésből pénz, és itt van a legkonkrétabb saját tapasztalatunk.

Egy kamionút költsége nagyjából három egyenlő részre bomlik: a sofőrre, az üzemanyagra és a járműre. Az üzemanyag tehát a teljes költség körülbelül harmada, ami azt jelenti, hogy néhány százalékos javulás is jelentős összeg egy több ezer szerelvényes flottánál. Ez önmagában megadja egy projekt üzleti alapját.

A Waberer's esettanulmányunkban egy év telematikai adatát dolgoztuk fel öt perces felbontásban, majd 15 kilométeres szakaszokra bontottuk. A rögzített sebességből és fogyasztásból szakaszonként meghatározható, mennyibe került egy adott fuvar.

Három eredmény érdemel külön figyelmet.

1. A forgalom a meghatározó tényező. Megvizsgáltuk, mennyit magyaráz a fogyasztásból és a késésből a domborzat, az időjárás és a forgalom. A domborzat és az időjárás hatása bizonyult a legkisebbnek. Ez fontos, mert megmondja, melyik külső adatra érdemes költeni, és melyikre nem.
2. A saját adat kiválthatja a vásároltat. Részletes európai forgalmi adatot megvásárolni drága. Egy több ezer szerelvényes flotta viszont maga is értékes forgalmi adatot termel, amire az útvonaltervezés és az érkezési idő becslése egyaránt építhető.
3. A logisztikában minden mindenre hat. A vezetői magatartás befolyásolja a fogyasztást, ez kihat a sebességre, a sebesség pedig vissza a fogyasztásra. Ezeket az összefüggéseket szét kell tudni bontani, különben a modell azt fogja mondani, hogy a sofőr a hibás, miközben valójában az útszakasz.

Hol érdemes kezdeni?

Nem a legnagyobb problémával, hanem azzal, amiből a leggyorsabban lesz visszamérhető eredmény. A logisztikában ez jellemzően egy olyan terület, ahol már van adat, és ahol a beavatkozás hatása hetek alatt látszik.

A gyakorlatban ez egy pilot projekt: kis léptékű, valódi adaton futó megvalósítás, aminek a végén eldönthető, érdemes-e nagyban is belevágni. A Waberer's-projekt is így indult, és a legnagyobb hozadéka nem egyetlen modell lett, hanem az, hogy kiderült, melyik adatba érdemes befektetni.

Egy dolgot érdemes előre végiggondolni: az útvonaltervezés, a fuvarárazás, az érkezési idő becslése és a sofőrök értékelése ugyanarra az adatra épül. Minél több elem kerül egyetlen adatvezérelt rendszerbe, annál nagyobb az üzleti hatás, és annál értékesebb lesz a cég saját adatvagyona.

Gyakori kérdések

Milyen adat kell egy logisztikai adatprojekthez? Jellemzően az, ami amúgy is keletkezik: telematikai és GPS-adat, fogyasztásmérés, rendelési és készletadat, eszköznaplók, RFID- vagy vonalkódos események. Új adatgyűjtés ritkán az első lépés, előbb azt érdemes megnézni, mi van már meg.

Mekkora flotta kell ahhoz, hogy megérje? Nincs éles határ, de az üzemanyag-alapú érv nagyságrendtől függ: ha a fuvarköltség harmada az üzemanyag, akkor néhány százaléknyi javulás nagy flottánál jelentős összeg, kicsinél kevésbé. Kisebb flottánál általában a menetidő és az érkezési idő pontossága hozza a nagyobb hasznot.

Mit old meg a blockchain az ellátási láncban? A gyakorlat azt mutatja, hogy kevesebbet, mint amit 2019 körül vártak tőle. A legnagyobb iparági platformot, a TradeLenst 2023-ban leállították, mert nem jött létre a szükséges együttműködés. A nyomon követés ma szabványos adatcserével és partneri megállapodásokkal oldható meg.

Mennyi idő alatt van eredmény? Egy pilot projekt jellemzően néhány hónap, és a célja nem egy kész rendszer, hanem az, hogy kiderüljön, van-e az adatban a keresett összefüggés, és mekkora a várható haszon.

Mire jó a raktáron belüli mérés, ha kicsi a raktár? Kis raktárnál is igaz, hogy amit nem mérünk, azt csak sejtjük. Az első mérés célja általában nem az optimalizálás, hanem annak kiderítése, hogy a napi működés mennyiben tér el attól, amit a folyamatleírás mond.