Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Big Data in Supply Chain Management - Big trouble or Big opportunity?

1,308 views

Published on

Большие данные в логистике и SCM - большая проблема или большое преимущество? Для чего нужны бизнесу большие данные? Как их лучше анализировать?

Published in: Business
  • Be the first to comment

Big Data in Supply Chain Management - Big trouble or Big opportunity?

  1. 1. «Большие данные» и аналитические модели в логистике и SCM Вардан Гаспарян, Директор практики SCM & Logistics vgasparyan@deloitte.ru FB: http://www.facebook.com/Supplychainer/ Кирилл Калинкин, Менеджер практики SCM & Logistics kkalinkin@deloitte.ru
  2. 2. 2 Современные логистические цепочки компаний становятся все более сложными, многомерными. Они требуют анализа все увеличивающегося вала данных для эффективного использования ресурсов, расширения возможностей, и управления рисками цепи поставок 53%руководителей компаний считают, что “цена пренебрежения” планированием рисков заметно возросла за последние 3 года 40% доступных для использования логистических мощностей (транспортировки и хранения) используются эффективно. (материалы World Economic Forum) Более 50% европейских компаний индустрии FMCG и ритейла ожидают увеличения объёма операционных данных, необходимых для планирования, на 25% ежегодно
  3. 3. Инновации в логистике и SCM являются отображением глобальныx демографических, технологических и политических трендов. Они позволяют компаниям эффективно использовать свои ресурсы, находить новых партнеров в цепи поставок, совмещать локальные компетенции с глобальной “экономией на масштабе” Основные тренды в логистике Технологии, влияющие на логистику Логистические “глобально-локальные” супер сети «Предиктивная» Логистика Эко-Логистика Электронные площадки Shareconomy Логистика Персонализация UBER-ификация логистики и “нетрадиционная конкуренция” Мультиканальная логистика логистики Управление рисками в цепи поставок Big Data / Open Data 3D печать Робототехника и Автоматизация Мобильные приложения Облачные технологии Алгоритмы прогнозирования Web 3.0 Аналитические модели 3 Источники: DHL Logistics Trend Radar, Gartner
  4. 4. Использование «Больших данных» в логистике Операционное планирование Краткосрочная и среднесрочная оптимизация ресурсов и кадров Маршрутизация Оптимизация маршрутизации в реальном времени на основании текущих дорожных условий, доступных окон доставки Заказы Утилизация Датчики Внешние провайдеры Трафик Краудсорсинг Использование «случайных» попутных ресурсов для организации доставки Управление рисками Анализ и прогнозирование событий, влияющих на устойчивость систем и процессов Маркетинг Использование информации о клиентах для предложений новых продуктов и услуг Упреждающая логистика Использование поведения клиентов для краткосрочного прогнозирования спроса и соответствующего распределения продукции Стратегическое планирование Долгосрочное планирование развития логистической сети GPS/Глонасс Нагрузка Транзакции Маршрутизация Местоположение Инциденты Web e-commerce
  5. 5. Развитие технологий анализа и визуализации позволяют компаниям эффективно использовать аналитические модели Доступные хранилища данных За период с 2000 г. по 2008 г. 1 мегабайт данных стал в 100 раз дешевле Обработка данных стала быстрее в 256 раз с 2000 года 300 200 100 0 Скорость обработки данных 2000 2006 2012 Распространение данных В 2011 г., 1.8 зеттабайтов данных было создано, этого достаточно для заполнения 57.5 млрд. 32ГБ iPad Развитие Интернет Анализ происходит в любое время, в любом месте 2B 2 1B 1 0 Количество пользователей интернета 1995 2000 2005 2010 1995 2000 2005 2010 0 Передовые технологии Новые ИТ-инструменты делают аналитику более доступной Возможности визуализации Визуализация позволяет выявить закономерности в огромных объемах данных Потребление энергии в Нью-Йорке Ключевые факторы развития аналитических моделей Аналитические модели - позволяют компаниям оперативно принимать эффективные решения на основе эффективного анализа огромных массивов данных
  6. 6. Исследования показывают: компании начинают понимать критичность анализа больших данных для цепочки поставок • 60% компаний лидеров индустрии планируют инвестиции в разработку аналитических моделей в ближайшие 5 лет. • Исследование показывается что компании, лидирующие на рынке, используют аналитические модели в 3 раза чаще. • Только 14% Европейских компаний используют комплексные модели обработки «больших данных» для стратегического принятия бизнес-решений. • Лидеры рейтинга Gartner Top 25 Supply Chains используют технологии больших данных как часть стратегии 63% Является ли анализ «Больших данных» частью стратегии компании? 23% 14% 0% 10% 20% 30% 40% 50% 60% 70% Планируется в ближайшее Нет время Да Анализ «больших данных» как конкурентная стратегия Фокус на применение аналитических моделей Источник: «Big Data in Logistics by DHL Customer Solutions & Innovation Области инвестиций в Big Data ** 0% 10% 20% 30% 40% 50% 60% 70% Через 5 лет Сегодня 60% анализ присутсвия в социальных сетях (B2C, B2B) облачная аналитика on demand Дизайн логистических сетей Оптимизация жизненного цикла продукта **Источник:“Trends and Strategies in Logistics and Supply Chain Management”, p. 51, BVL International, 2013
  7. 7. Для чего цепочкам поставок компаний нужны аналитические модели? Повышение операционной эффективности Взаимоотношения с клиентами Новые бизнес-модели Использование данных для: • Повышения «прозрачности» операций • Оптимизация используемых ресурсов • Повышения эффективности процессов Анализ данных для: • Повышения лояльности клиентов • Точность сегментирования и эффективность подходов к каждой группе клиентов • Повышения эффективности коммуникационных каналов «Капитализация» данных для: • Расширения каналов сбыта/ потоков доходов на существующих рынках • Выход на новые рынки и создание новых потоков доходов Традиционный подход Персонализирован- ный подход Подрывной подход
  8. 8. Аналитические модели не просто «конденсируют» информацию для анализа, но «подсказывают» оптимальные решения в удобной визуальной форме Основные этапы разработки аналитической модели • Составление отчетности не является новым процессом. • Однако использование передовых методов сбора и обработки информации, а также эффективных средств визуализации позволяет создать комплексные модели принятия решений. Функциональная область применения Функциональная экспертиза Отраслевая экспертиза Управление данными Количественные методы Качественный анализ Визуализация Применение математических методов для обработки Сбор операционных данных компании и внешних данных для проведения анализа Применение качественных методов для оценки ситуации Отображение анализа в наглядной форме Понимание бизнес- задачи в контексте функций и индустрии Модель принятия решения Ключевые этапы Обработка данных Визуализация Развивающиеся области Функционал Большинство российских компаний сектора находятся на этапе сбора данных Сбора данных
  9. 9. Функциональные области применения аналитических моделей Функционал Области применения Повышение уровня доступности товара за счет повышения точности прогноза потребления и оптимального составления ассортимента продукции Разработка системы показателей и методологии оценки эффективности для управления рисками и кооперацией с партнерами Оптимизация портфеля продукции Сокращение затрат на закупки за счет оптимального выбора поставщиков с использованием стохастических моделей «совокупной стоимости владения». Оптимизация закупок Отношение с поставщиками Вероятностное прогнозирование неисправностей оборудования для выявления ключевых причин неисправностей и сокращения затрат на гарантийное обслуживание. Управление запасными частями Оптимизация запасов за счет точной визуализации материальных потоков на различных географических площадок и анализ дебиторских/ кредиторских финансовых движений. Оптимизация рабочего капитала Оптимизация логистической сети Оптимизация поставок Управление рисками Оптимизация транспортных потоков за счет оптимального распределения складов и планирования транспортировок. Повышение точности поставок за счет динамического календарного планирования поставок и возвратов с использование ограниченного парка транспортных средств. Определение операционных рисков, связанных с непрерывностью поставок, ростом затрат и сокращением выручки в точках продаж.
  10. 10. Аналитические модели являются шагом в развитии традиционных методов составления отчетностей для целей контроля Шаги развития аналитических инструментов Алгоритмы оптимизации Симуляция и моделирование Многокритериальные прогнозы Модели прогнозирования (forward-look) Отчетность по функциональным/ организационным единицам Отчетность об операционных инцидентах Не формализованные запросы на данные Инструменты диагностики (backward-look) Сбор данных (ИТ-системы: ERP, APS и т.д) Разработка прогноза Анализ исторических данных Начальный уровень Пример функциональной области «Управление рабочим капиталом» Аналитические модели: • Оптимальное распределение запасов по складам с учетом сопутствующих затрат и спроса. • Симуляция спроса в зависимости от ключевых факторов. • Прогноз потребления на основе анализа поведения клиентов. Составление отчетности: • Отчетность по оборачиваемости запасов. • ABC классификация запасов. • Анализ невостребованных запасов. Сбор данных: • Количество запасов на складе • Поступление/ списание материала. Процесс хаотичного сбора операционных данных и спонтанного создания отчетности должен быть заменен использованием аналитических моделей, нацеленных на определенные функциональные области
  11. 11. Пример использования Аналитической Модели в Ритейле Определения операционных рисков
  12. 12. Модель позволяет выявить магазин с наибольшим консолидированным фактором риска, учитывающим основные статьи затрат Возможность быстро выявить магазин с высоким показателем риска Сравнительный анализ по каждому параметру с остальными магазинами Аналитика по каждому параметру, определяющему факт риска
  13. 13. Также модель позволяет рассчитать фактор риска на основе прогнозируемых продаж и общих затрат магазина . Детальный анализ по Анализ магазина со значительным отклонением по ожидаемым продажам ожидаемым/ фактическим продажам и структуре затрат
  14. 14. Модель позволяет учитывает расположения магазина и плановые объемы продаж в данной географической области Магазины с одинаковым географическим и социальным статусом покупателей однако со значительной разницей в фактическими продажах.
  15. 15. Спасибо за внимание! Вардан Гаспарян, Директор практики SCM & Logistics vgasparyan@deloitte.ru FB: http://www.facebook.com/Supplychainer/ Кирилл Калинкин, Менеджер практики SCM & Logistics kkalinkin@deloitte.ru Deloitte refers to one or more of Deloitte Touche Tohmatsu Limited, a UK private company limited by guarantee, and its network of member firms, each of which is a legally separate and independent entity. Please see www.deloitte.com/about for a detailed description of the legal structure of Deloitte Touche Tohmatsu Limited and its member firms. Please see www.deloitte.com/ru/about for a detailed description of the legal structure of Deloitte CIS. Deloitte provides audit, tax, consulting, and financial advisory services to public and private clients spanning multiple industries. With a globally connected network of member firms in more than 150 countries, Deloitte brings world class capabilities and deep local expertise to help clients succeed wherever they operate. Deloitte has in the region of 200,000 professionals, all committed to becoming the standard of excellence. Deloitte's professionals are unified by a collaborative culture that fosters integrity, outstanding value to markets and clients, commitment to each other, and strength from diversity. They enjoy an environment of continuous learning, challenging experiences, and enriching career opportunities. Deloitte's professionals are dedicated to strengthening corporate responsibility, building public trust, and making a positive impact in their communities. © 2014 Deloitte & Touche Regional Consulting Services Limited. All rights reserved.

×