مترجم: بنیامین عندلیب‌الشهدا
برای دسترسی به منبع کلیک کنید.
مقدمه:
هر ساله میلیاردها بسته برای مشتریان در سراسر جهان ارسال می شود. در هر نقطه تماس زنجیره تامین، از لحظه ای که مشتری سفارش را ثبت می کند تا تحویل نهایی آن، مقدار زیادی داده مانند اطلاعات مشتری، داده های GPS (موقعیت مکانی)، تعداد و انواع اقلام، داده های حامل، اطلاعات تحویل، و غیره. لجستیک بر طراحی و اجرای تعامل بین افراد، محصولات و فرآیندها متمرکز است.
آمازون نمونه بارز یک جریان لجستیکی کارآمد است. خریداران و فروشندگان در وب سایت آمازون تعامل دارند. سفارش مشتری به انبارهای محصول ارسال می‌شود، انبارها اقلام را برای حمل و نقل آماده می‌کنند و به شرکتهای پست و لجستیک طرف قرارداد هماهنگ می‌کنند، محصولات ارسال و ردیابی می شوند؛ سپس تحویل به مشتری انجام می‌شود. باید گفت این فرایند، یک خلاصه ی بیش از حد ساده شده است و موارد بسیار بیشتری در باطن رخ می دهد، اما این یک الگوی ثابت در سراسر لجستیک زنجیره تامین است.
کاربرد علم داده در اکثر صنایع مشهود است. اما، لجستیک بخش خاصی است که در آن دانشمندان داده می‌توانند تأثیر قابل توجهی در چندین زمینه مانند کاهش ضایعات، بهینه سازی مسیرهای تحویل به هدف کاهش هزینه حمل و نقل، انتخاب حامل‌هایی که بهترین شیوه‌ها را در کاهش اثرات زیست محیطی انتشار CO2 به کار می گیرند، داشته باشند.
داده ها دنیای ما را هدایت می‌کنند و دانشمندان داده در موقعیتی هستند که از آن داده‌ها به نفع نوع بشر استفاده کنند.
علم داده چگونه صنعت لجستیک را متحول می کند
صنعت لجستیک، تا سال‌های نه چندان دور، به فرآیندهای دستی منسوخ شده با ابزارها و ماشین‌های انعطاف‌ناپذیر وابسته بود که بهره‌وری، فرصت‌های سودآور و رضایت مشتری را از دست می‌داد. اما یان فرایندها در حال تغییر است. پیشرفت در فناوری های دیجیتال، تغییر مستمر خواسته های مشتری و داستان موفقیت در تجارت الکترونیک، صنعت لجستیک را به یک زمینه عالی برای استفاده از علم داده تبدیل کرده است. ترکیب تجزیه و تحلیل، آمار، هوش مصنوعی و یادگیری ماشینی برای بررسی روندها و شناسایی الگوها، فشار عظیمی برای ایجاد انقلابی در تجارت LSP(logistics service providers) ایجاد می کند.مطالعه‌ای توسط شورای حرفه‌ای‌های مدیریت زنجیره تامین نشان می‌دهد که 93 درصد از ارسال‌کنندگان و 98 درصد از شرکتهای 3PL معتقدند که تجزیه و تحلیل داده‌ها برای تصمیم‌گیری هوشمند ضروری است تقریباً 81 درصد از فرستنده‌ها و 86 درصد از شرکتهای 3PL که مورد بررسی قرار گرفتند، بر این باورند که استفاده مؤثر از کلان داده(big data) و علم داده به "شایستگی اصلی سازمان‌های زنجیره تامین آنها تبدیل خواهد شد." علاوه بر این، 71٪ از آنها معتقدند که داده های کلان کیفیت و عملکرد صنعت لجستیک را بهبود می بخشد. اکنون به چند مورد از کاربردهای علم داده در صنعت لجستیک می‌پردازیم.
افزایش بهره وری عملیاتی
تضمین استانداردهای عملیاتی و از بین بردن ناکارآمدی های عملیاتی دو هدف اساسی هستند. داده راهی است که از طریق آن می توانید تغییرات در چرخه عملیاتی را ردیابی کنید. با در دست داشتن داده‌های عملیاتی و دانش علم داده، ردیابی و اندازه‌گیری KPIها مانند هزینه، ارزش، خدمات و ضایعات در فواصل زمانی منظم به پیشگیری از اتفاقات مضر و انجام اقدامات اصلاحی کمک می‌کند. کارایی را افزایش می دهد و شفافیت را برای انجام این اقدامات فراهم می‌کند.
بهینه سازی مسیر
بهینه سازی مسیر برای به حداقل رساندن هزینه های حمل و نقل، بهبود زمان تحویل و به حداقل رساندن اثرات زیست محیطی ضروری است. علم داده می تواند برای بهینه سازی مسیرها و برنامه های لجستیکی با در نظر گرفتن عواملی مانند داده های حمل و نقل، الگوهای ترافیک و شرایط آب و هوایی مورد استفاده قرار گیرد. با تجزیه و تحلیل همه این متغیرها، دانشمندان علم داده می توانند الگوریتم هایی بسازند که مسیرهای تحویل را بر اساس عوامل مختلفی مانند مسافت، ترافیک و زمان تحویل، بهینه می کنند. این موضوع به سازمان ها کمک می کند تا هزینه های حمل و نقل را کاهش دهند، زمان تحویل را بهبود بخشند ، انتشار آلودگی را کاهش دهند و مهمتر از همه، مشتری های خود را راضی‌تر نگهدارند.
شبکه ای از داده ها که به یکدیگر مرتبط هستند
صنعت لجستیک دنباله‌ای از دانش بازار را پشت سر خود بر جای می‌گذارد. بنابراین چشم‌اندازهایی برای پیشرفت بیشتر در این مسیر مدفون است. علم داده استخراج بینش‌هایی را ممکن می‌سازد که احتمال دارد عملی شوند و مزیت رقابتی ایجاد کنند.
بهبود مدیریت انبار
حوزه علم داده رویکردهای جدیدی را برای مدیریت انبارها ارائه می‌دهد که به کسب‌وکارهای درگیر در لجستیک امکان می‌دهد هزینه‌های خود را کاهش دهند. بررسی فرآیندهای بارگیری، حمل و نقل و تحویل ممکن است منجر به توسعه استراتژی‌های کارآمدتر شود.
ارزیابی ریسک
نظارت و پیش بینی وقوع رویدادها و فرآیندهایی که پتانسیل ایجاد اختلال در زنجیره تامین را دارند ضروری است. حوزه علم داده با استفاده از داده ها، پیش بینی هوشمند اختلالات و اطلاع دادن به طرف های مربوطه پس از آن به توسعه یک مدل حمل و نقل انعطاف پذیر کمک می کند.
انبارهای هوشمند و پیش بینی بازار
لجستیک زنجیره تامین تنها به عنوان یک جزء شناخته می‌شود. قبل از تحویل به محل نهایی، کالاها اغلب در انباری نگهداری می شوند که به راحتی می توان به آنها دسترسی داشت. هم کالاهای فاسد شدنی (مانند سبزیجات، گوشت و داروها) و هم مواد خطرناک باید در یک محیط خاص، با دمای معین و بسته بندی مناسب نگهداری شوند. ضایعات و محصولات آسیب دیده نه تنها تأثیر نامطلوبی بر سود شرکت دارند، بلکه خطرات بالقوه ای برای سلامت و ایمنی مشتری نیز به همراه دارند. دانشمندان داده که در لجستیک و زنجیره تامین تخصص دارند ممکن است در توسعه یک سیستم انبار هوشمند کمک کنند که هشدارهای خودکار را برای سنسورهای دما در انبار تنظیم می کند. سپس ممکن است دما به طور خودکار برای مناطق مختلف انبار تغییر کند یا کارکنان مجاز می توانند به صورت دستی شرایط محیط را تغییر دهند. هر دوی این گزینه ها در دسترس هستند.
علاوه بر این، یک دانشمند داده آموزش دیده در لجستیک و زنجیره تامین می‌تواند پیش بینی بازار دقیق‌تری را با استفاده از تجزیه و تحلیل پیش بینی ارائه دهد. این امر به آنها اجازه می‌دهد تا شاهد عرضه در مقابل تقاضا باشند که در نهایت منجر به کاهش ضرر ناشی از فراوانی یا کمبود کالا می شود. چنین پیش‌بینی‌هایی را می‌توان خودکار کرد و به تجزیه و تحلیل فروشندگان نیز تعمیم داد. به‌عنوان مثال، پیش‌بینی اینکه کدام فروشنده‌ها از نظر پرداخت، تحویل، رعایت مقررات ملی و بین‌المللی و سایر موادر ضروری قابل اعتمادتر هستند. این نوع پیش‌بینی را می‌توان به روش‌های مختلفی خودکار و گسترش داد.