Источники больших данных и сферы их применения

Несмотря на то, что на первый взгляд выделенные направления отличаются от направлений, отмеченных компанией DHL, фундаментально они также относятся к трём основным способам использования аналитики больших данных в бизнесе. По смыслу они повторяют пять направлений, выделенных компанией DHL, однако рассмотрены немного с другой перспективы.
Аналитика больших данных применима на всех уровнях управления цепями поставок, обеспечивая консолидацию и взаимообмен данными между уровнями. Например, департамент маркетинга отслеживает спрос через пункты продаж, транспортный департамент собирает данные с GPS датчиков, складской департамент учитывает запасы посредством RFID данных, а электронная система обмена данными отправляет запрос на закупки.
Понимание и знание потребителей изменилось за счет расширения данных до больших. Близость с потребителями может быть достигнута теперь за счет использования гораздо более сложных механизмов и техник. Источниками данных о потребителях и их предпочтениях теперь служат социальные сети, мобильные приложения и используемые потребителями программы лояльности. Благодаря этим данным, представляется возможность более точно прогнозировать спрос, разрабатывать улучшенную программу управления запасами, анализировать пользовательскую активность и интересы с целью фокусного продвижения продукта или услуги за счет контекстной рекламы.
С точки зрения закупок, где источники больших данных – это невероятное количество информационных и финансовых взаимодействий с поставщиками, использование аналитики больших данных позволяет сделать взаимоотношения с поставщиками более открытыми и надежными, за счет большего раскрытия общих характеристик компаний и финансовой информации. С учетом глобализации цепей поставок такая возможность является привлекательной, в том числе для коллаборации компаний.
Складская логистика в сильной степени усовершенствовалась за счет внедрения RFID системы. Наличие данных со считывающих устройств позволяет отслеживать место расположения товаров на складе, ускорить процесс приемки и отгрузки грузов, а также повысить надежность и прозрачность складских операций. Помимо этого, аналитика больших данных позволяет оптимизировать систему управления персоналом на складе за счет устранения нерациональных перемещений работников и развивающейся автоматизации склада.
Четвертая промышленная революция и развитие Интернета вещей открывает новые возможности для заблаговременного устранения неполадок оборудования. Коммуникация между датчиками, установленными на производственном оборудовании, и электронной системой обмена данными позволяет в реальном времени отслеживать состояние оборудования, идентифицировать проблему и мгновенно направить запрос на ремонт оборудования. Тем самым, можно утверждать, что благодаря аналитике больших данных, как основе Интернета вещей, возможна совершенная автоматизация производства.
Наконец, благодаря данным с GPS датчиков и камер, установленных на улицах, функция перевозки грузов также имеет возможность оптимизироваться как с точки зрения маршрутов развозки грузов и расписания движения, так и с точки зрения управления персоналом.
В своей статье И. Розадос и Б. Тьяйоно выделяют три подтипа продвинутой аналитики, которые могут использовать большие данные: описательная аналитика, предиктивная аналитика и предписательная аналитики. Под описательной аналитикой авторы понимают анализ исторических данных для выявления трендов, закономерностей и отклонений. Предиктивная аналитика определяется авторами как анализ исторических данных и данных, собираемых в реальном времени, для составления прогнозов в форме определения вероятностей будущих событий. Предписательная аналитика использует прогнозы для формирования предложения плана действий для получения определённых преимуществ и избегания нежелательных результатов.
В первом выпуске своего издания «Supply Chain Big Data Series» компания KPMG помимо трёх вышеупомянутых подтипов продвинутой аналитики также выделяются ещё два: диагностирующая аналитика и адаптивная аналитика. В данном случае диагностирующая аналитика является переходным этапом между описательной и предиктивной аналитикой, чьей задачей является выявления причин определённых результатов. Адаптивная аналитика является наиболее развитым из пяти подтипов продвинутой аналитики. Она используется для обучения на основе поведения участников процесса, а также фокусируется на отклонениях в таком поведении. Согласно прогнозу компании KPMG, в течении 20 лет компании прейдут от уровня описательной аналитики до уровня адаптивной, тем самым используя все пять подтипов продвинутой аналитики.