W naszym cyklu o data driven pisaliśmy już o tym, dlaczego to podejście jest tak istotne w biznesie. Skupiliśmy się również na danych w marketingu, gdzie zidentyfikowaliśmy najważniejsze miejsca, gdzie mogą być one wykorzystane z zyskiem dla biznesu. Tym razem zajmiemy się kolejną gałęzią – logistyką, gdzie koncepcja data driven może odgrywać kluczową rolę w efektywny, zarządzaniu łańcuchem dostaw.
Obszary dla danych w logistyce?
Gdzie i w jaki sposób w logistyce sprawdzi się decydowanie oparte na danych. Poniżej przedstawiamy kilka przykładów wraz z krótkim uzasadnieniem. Zdajemy sobie sprawę, że ta lista nie jest pełna i, co więcej, wciąż za sprawą kolejnych systemów i technologii może się rozszerzać.
Optymalizacja tras i magazynów
Dzięki analizie danych dotyczących ruchu towarów, warunków drogowych, lokalizacji magazynów oraz innych czynników, firmy logistyczne mogą optymalizować trasy dostaw i zarządzać magazynami w bardziej efektywny sposób. To pozwala zredukować koszty operacyjne i czas dostawy. Ważne w tym aspekcie jest to, żeby korzystać również z danych zgromadzonych w organizacji, a nie jedynie polegać na systemach zewnętrznych czy danych firm tworzących nawigacje. Trasy można również opierać w zależności od stylu jazdy kierowcy, dostępności klientów w danych godzinach, a nawet opierając się na średnim przejdźcie kierowców między danymi klientami. Opcji jest cała masa. Ważne, aby najpierw takie dane próbować pozyskiwać, a następnie je sprytnie i z korzyścią wykorzystać.
Prognozowanie popytu
Analiza danych historycznych dotyczących sprzedaży oraz trendów rynkowych umożliwia lepsze prognozowanie popytu na produkty. Dzięki temu firmy logistyczne mogą odpowiednio dostosować swoje zapasy, unikając jednocześnie nadmiernego zapasu czy braków w dostawach.
Monitorowanie wydajności i jakość
Podejście data-driven umożliwia ciągłe monitorowanie wydajności łańcucha dostaw oraz jakości obsługi klienta. Dzięki odpowiednim wskaźnikom ((Kilka słów o wskaźnikach napiszemy w dalszej części artykułu) i analizie danych można szybko identyfikować obszary wymagające poprawy. A to z kolei pozwala na zaplanowanie odpowiednich i skutecznych działań naprawczych na przykład z wykorzystaniem zasad filozofii lean management.
Personalizacja usług
Korzystając z danych na temat preferencji klientów, zachowań zakupowych oraz lokalizacji, firmy logistyczne mogą dostosować swoje usługi do indywidualnych potrzeb klientów. Personalizacja dostaw czy oferowanie dodatkowych usług może przyczynić się do zwiększenia lojalności klientów. Łącząc wiedzę o preferencjach klientów z omówionym wcześniej planowaniem tras można dostarczać klientom towar wtedy kiedy go potrzebują i mogą odebrać. To skraca cały proces, a dodatkowo pozwala na stworzenie przewagi konkurencyjnej. Zwłaszcze jeśli czynności te w dużej mierze zostaną zautomatyzowane.
Zapobieganie ryzyku
Analiza danych pozwala również na identyfikację potencjalnych zagrożeń dla łańcucha dostaw, takich jak opóźnienia w dostawach, awarie sprzętu czy zmiany regulacyjne. Dzięki temu firmy mogą podejmować działania zapobiegawcze, minimalizując ryzyko dla swoich operacji.
Automatyzacja procesów
Wykorzystanie danych w logistyce umożliwia również automatyzację wielu procesów, począwszy od monitorowania stanu zapasów, poprzez zarządzanie zamówieniami, aż po planowanie tras dostaw. To pozwala zaoszczędzić czas i zasoby, jednocześnie redukując ryzyko błędów ludzkich. W przypadku takiej optymalizacji, wzawsze warto zebrać odpowiednią ilość danych, dobrze je opracować i stworzyć odpowiednie procedury. Tylko wtedy automatyzacja będzie miała sens przyniesie realne zyski.
Jakie wskaźniki w logistyce?
W dziale logistyki istnieje szereg kluczowych wskaźników, które mogą być śledzone w celu oceny wydajności operacyjnej oraz efektywności działań. Wskaźniki te obejmują między innymi: czas dostawy, wskaźnik terminowości dostaw, poziom zapasów, wskaźnik wykorzystania magazynu, koszty transportu, wskaźnik ilości zwrotów, wskaźnik dokładności zamówień, oraz wskaźniki dotyczące jakości obsługi klienta. Czas dostawy odgrywa istotną rolę, ponieważ wpływa na konkurencyjność firmy oraz zadowolenie klientów. Wskaźnik terminowości dostaw informuje o tym, w jakim stopniu dostawy realizowane są zgodnie z harmonogramem. Poziom zapasów ma istotne znaczenie dla zarządzania ryzykiem braku towarów oraz kosztami związanymi z ich przechowywaniem. Wskaźnik wykorzystania magazynu pozwala ocenić efektywność wykorzystania przestrzeni magazynowej. Koszty transportu są kluczowym wskaźnikiem kosztów logistycznych, których optymalizacja może znacznie wpłynąć na rentowność działalności. Wskaźnik ilości zwrotów oraz wskaźnik dokładności zamówień są istotne dla oceny jakości procesów logistycznych, natomiast wskaźniki dotyczące jakości obsługi klienta pozwalają monitorować satysfakcję klientów oraz identyfikować obszary wymagające poprawy. W sumie śledzenie tych wskaźników umożliwia zarządzanie działaniami logistycznymi w sposób bardziej efektywny i ukierunkowany na potrzeby klienta.
Przeczytaj więcej na ten temat w naszym artykule o wskaźnikach w logistyce.
Data driven w logistyce jako nauce
Zazwyczaj głównym celem data-driven jest zysk biznesowo, co opisaliśmy wyżej. Jednak dane z logistyki służą również rozwojowi tej gałęzi nauki. Zbierane przez firny informacje są przekazywane naukowcom, którzy weryfikują swoje hipotezy i stawiane pytanie. Wyciągają przy tym szereg ciekawych wniosków. Przykładem takiego badania [1] jest to dotyczące strat w ładunkach, które stanowią istotny problem w logistyce. Jego celem było udzielenie wskazówek dotyczących sposobu pozyskiwania cennych informacji oraz opracowanie strategii łagodzenia strat w ładunkach w celu zarządzania ryzykiem logistycznym.
Wyniki empiryczne analizy ujawniły m.in , że to rodzaje przewozów, kategorie produktów oraz miejsca docelowe wysyłki są kluczowymi czynnikami wpływającymi na nasilenie strat w ładunkach.
Podsumowanie
Podejście data-driven w logistyce staje się coraz bardziej niezbędne w dynamicznym i konkurencyjnym środowisku biznesowym, umożliwiając firmom osiągnięcie większej efektywności operacyjnej, lepszej obsługi klienta oraz zdolności do szybkiej adaptacji do zmieniających się warunków rynkowych.
Literatura polecana:
[1] Wu, P. J., Chen, M. C., & Tsau, C. K. (2017). The data-driven analytics for investigating cargo loss in logistics systems. International Journal of Physical Distribution & Logistics Management, 47(1), 68-83.
[2] Zafarzadeh, M., Wiktorsson, M., & Baalsrud Hauge, J. (2021). A systematic review on technologies for data-driven production logistics: Their role from a holistic and value creation perspective. Logistics, 5(2), 24.