Hyppää sisältöön
August 11, 2020
3 minutes

Kuljetusten kehittäminen visuaalisen data-analytiikan avulla

Johan Hellman: Työskennellessäni logistiikkapäällikkönä suuressa teollisuusyrityksessä vilkuilimme usein autoteollisuuden suuntaan ja siellä kehitettyihin ja käytettyihin edistyneisiin logistiikkakonsepteihin. Rekrytoimme myös monia logistiikka-asiantuntijoita autoteollisuuden puolelta ja toivoimme, että he osaisivat auttaa meitä kehittämään ja parantamaan omaa logistiikkaamme. Ongelmana oli kuitenkin usein se, että autoteollisuuden asiantuntijat olivat nimenomaan autoteollisuuden logistiikan asiantuntijoita. Toisin sanoen he olivat tottuneet edistyneeseen logistiikkajärjestelmään, joka toimi jo valmiiksi oikein hyvin. Ei heillä ollut kokemusta alkeellisemmasta järjestelmästä eikä sellaisen järjestelmän kehittämisestä paremmaksi. Vertauskuvallisesti voi sanoa, että he olivat hyviä parantamaan kokeneen juoksijan tuloksia mutta eivät osanneet opettaa ketään kävelemään.

Visuaalinen data-analytiikka

Kun puhutaan visuaalisen data-analytiikan (tai tiedolla johtamisen) välineistä, viitataan yleensä kolmenlaisiin analyyseihin: deskriptiivinen (kuvaileva), prediktiivinen (ennustava) ja preskriptiivinen (ohjaileva). Deskriptiivinen analyysi keskittyy siihen, mitä on tapahtunut ja prediktiivinen siihen, mitä tulee tapahtumaan. Preskriptiivinen analyysi ehdottaa olosuhteiden mukaisia optimaalisia valintoja. Preskriptiivinen analyysi on tietysti pääasiallisena tavoitteena, ja nykyisellä tekoälyn ja big datan aikakaudella potentiaali näyttää lähes rajattomalta. Kuljetusalalla on jo nähty edistyneitä esimerkkejä, joista Amazonin patentoima konsepti tavaroiden lähettämisestä odotettavissa olevien tilausten perusteella etukäteen ("anticipatory shipping") on ehkä kaikkein tunnetuin.

Todellisuuteen sovitetut työkalut

Unifaunissa kehitämme parhaillaan seuraavaa versiotamme visuaalisesta data-analytiikasta. On selvää, että me ja asiakkaamme kohtaamme usein alussa kuvaamani kaltaisia haasteita. Työkalut ja lähestymistavat perustuvat usein hyvin toimivien logistiikkajärjestelmien parantamiseen entisestään – ajatellaan vaikka Amazonia ja heidän "ennakkolähetyksiään". Monilla toimijoilla ei kuitenkaan ole erityisen hyviä järjestelmiä ja he elävät huomattavasti järjestymättömämmässä ja epätäydellisemmässä todellisuudessa. Kuljetuksia tilataan monien eri kanavien kautta ja useilta eri kuljetusliikkeiltä. Ei ole lainkaan itsestään selvää, että käytetään niitä kuljetusliikkeitä, joiden kanssa on tehty sopimus. Monilla on myös vaikeuksia noutojen ja toimitusten määräpäivien vahvistamisessa tai toiminnan todellisten tulosten mittaamisessa. Toimitustarkkuuden (eli toimitusaikojen paikkansapitävyyden) mittaaminen on ilman muuta vaikeaa, jos ei tiedetä, milloin lähetyksen olisi pitänyt olla perillä ja milloin se todellisuudessa tuli perille.

Yleiskuva ja ymmärrys

Oman johtopäätöksemme mukaan ehkä kaikkein tärkeintä on luoda visuaalisia analyysityökaluja, joiden avulla voidaan seurata ja ohjata kuljetusten jäsentämiseen ja organisointiin liittyvää perustyötä. Visualisointi voi esimerkiksi auttaa ymmärtämään, minkä solmukohtien välillä kuljetuksia ylipäätään on lähetyksiä käytettävässä kuljetustenhallintajärjestelmässä, mitkä kuljetusliikkeet hoitavat ne ja mihin painoluokkiin ne kuuluvat. Toinen esimerkki voisi olla visualisointi, joka auttaa ymmärtämään, miltä eri kuljetusliikkeiden statusvirta ja statuslaatu näyttävät. Kolmas esimerkki on mahdollisuus tutkia eri kuljetusliikkeisiin, palveluihin ja maihin liittyviä lähetyksiä, painoja ja kuljetuskustannuksia.

Yhteyksien etsiminen suurista monimutkaisista datamassoista

Nykyaikaisten työkalujen vahvuus visuaalisessa data-analytiikassa on se, että kiinnostavia yhteyksiä voidaan tunnistaa helposti ja nopeasti monimutkaisistakin datamassoista. Kun voidaan esittää kokonaisuus havainnollisesti ja samalla kaivautua syvälle yksityiskohtiin sekä jakaa data erilaisiin ulottuvuuksiin, saadaan hyvät edellytykset parannusten eteenpäin viemiselle oikeilla toimenpiteillä oikeilla alueilla. Mantramme on auttaa asiakasta saamaan kokonaiskuva ja valvomaan toimintaa niin, että jatkuva parantaminen on mahdollista. Visuaalisen analyysin näemme edellytyksenä tämän onnistumiselle. Ehkä visuaalisen analyysin suurin arvo onkin juuri matkassa eksaktiin ja vaikuttavaan tulevaisuuteen, joka usein nähdään lähtökohtana edistyneemmille prediktiivisen ja preskriptiivisen analyysin sovelluksille.

Hae