Skip to content
August 11, 2020
4 minutes

Transportudvikling med visual data analytics

Artikel af Johan Hellman Under mine år som logistikchef på en stor produktionsvirksomhed kiggede vi ofte på bilindustrien og de avancerede logistiske koncepter, der udvikles og benyttes der. Vi rekrutterede også tilbagevendende logistikeksperter fra denne branche med håb om, at de kunne hjælpe os med at udvikle og forbedre vores logistik. Problemet, der ofte opstod, var dog, at eksperterne fra bilindustrien var eksperter inden for lige netop logistik i bilindustrien. De var altså gode til at arbejde i et allerede meget velfungerende og avanceret logistiksystem. De var derimod ikke gode til at arbejde med et mere rudimentært system og udvikle dette. De var, for at udtrykke det med et enkelt metafor, gode til at forbedre en allerede professionel løbers løbeskridt, men de vidste ikke, hvordan man lærer nogen at gå.

Visual data analytics

Når det gælder værktøjer til visual data analytics – eller "business intelligence", som det ofte kaldes – taler man normalt om tre typer af analyse: descriptive (beskrivende), predictive (forudseende) og prescriptive (foreskrivende). Descriptive analyse handler om det, der er sket, predictive handler om det, der kommer til at ske, og prescriptive handler om at foreslå de optimale valg under forudsætningerne. Det er naturligvis prescriptive analyse, som er det store mål, og i disse tider med kunstig intelligens og big data ser potentialet næsten ubegrænset ud. Der er allerede avancerede eksempler inden for transportindustrien, hvor Amazons patenterede koncept om at fragte varer i forvejen baseret på forventede ordrer ("anticipatory shipping") måske er det mest kendte.

Virkelighedstilpasset værktøj

På Unifaun er vi nu midt i at udvikle næsten version af vores tilbud til visual data analytics. Det er klart, at vi og vores kunder ofte møder lignende udfordringer som dem, jeg beskrev i indledningen. Værktøjer og tilgang er ofte tilpassede for at gøre allerede velfungerende logistiksystemer endnu bedre, tænk f.eks. på Amazon og deres forudseende "forsendelser". Mange har dog ikke specielt velfungerende systemer og befinder sig en betydeligt mere uorganiseret og uperfekt virkelighed. Transporter bookes via mange forskellige kanaler og ofte med mange forskellige transportører. Det er langt fra en selvfølge, at det er de transportører, som der indgås aftale med, der anvendes. Mange kæmper også med at fastholde måldatoen for afhentning og leverance, eller for at kunne måle de faktiske udfald. Det siger sig selv, at det bliver svært at måle leverancepræcision (dvs. leverance i tid), hvis man hverken ved, hvornår godset burde være kommet frem, eller hvornår det rent faktisk kom frem.

Overblik og forståelse

Den konklusion, vi er nået frem til, er, at det måske allervigtigste er at udvikle visuelle analyseværktøjer, som gør det muligt at følge og styre det grundlæggende arbejde med at strukturere og organisere ens transporter. Det kan f.eks. være en visualisering, som gør det nemt at forstå, mellem hvilke knudepunkter der overhovedet findes forsendelser i det transporthåndteringssystem, der anvendes, og med hvilke transportører og i hvilket vægtinterval. Et andet eksempel kan være visualiseringer, som gør det nemt at forstå, hvordan statusprocessen og -kvaliteten fra forskellige transportører ser ud. Et tredje eksempel er muligheden for at studere forsendelser, vægt og transportomkostninger relateret til forskellige transportører, tjenester og landerelationer.

Find sammenhæng i store, komplekse datamængder

Styrken ved moderne værktøjer til visuel dataanalyse er, at det er nemt og hurtigt at identificere interessante sammenhænge i komplekse datamængder. Ved på overskuelig vis at vise helheden, samtidigt med at det er muligt at grave sig dybt i detaljerne og skære data langs mange forskellige dimensioner, skabes der gode forudsætninger for at drive forbedringer med de rette foranstaltninger på de rette områder. Vores mantra er at hjælpe kunden med at få oversigt og kontrol for på en måde at kunne arbejde med kontinuerlige forbedringer. Visuel analyse ser vi som en forudsætning for at lykkedes med dette. Måske er det endog sådan, at den store værdi med visuel analyse ligger i netop rejsen til den eksakte og effektive virkelighed, som mange gange ses som startpunktet for mere avanceret anvendelse til forudsigende og foreskrivende analyse.

Søg