A Dmlab az elmúlt években számos iparágban kutatta az adatokat, találtak olyan összefüggéseket, amiről úgy gondolták, érdemes megosztani adott iparág szereplőivel, ilyen a logisztika, és az adatok helye a logisztikában is. Több ehhez kapcsolódó projekt után nagyon sok tapasztalat gyűlt össze, amiket most nyilvánosan is megosztottak.
A logisztika napján, április 11-én egy olyan fórumot nyitott a Dmlab, ahol azok logisztikai iparágban lévő vezetők beszélgettek, akiknek szándékuk adatvezérelten irányítani. A üzleti reggelin olyan logisztikai vezetők mutatták be a legtanulságosabb tapasztalataikat, akik már adatalapú döntésekkel optimalizálják a cégük működését.
A Dmlab-ről
A 2007-ben alapított Dmlab folyamatosan növeli kompetenciáit az innovatív adatelemzési megoldások a szakmai tanácsadás, a data science képzések mellett különböző adatelemzési megoldásokhoz köthető proof-of-concept alkalmazásokat hoz létre, kijelölt célok alapján, és ezeket integrálja a vállalati működésbe, a gyártási és szolgáltatási folyamatokba. A Dmlab az adatvezéreltség minden szintjén segíti partnereit, hogy a saját adataikat felhasználva jobban csinálják azt, amihez igazán értenek.
Járatszintű KPI-ok
A reggelin ott volt Varga Bálint, (K&V logistics – logisztikai munkatárs), aki egy rövid összefoglalót készített a teljesítménymérésről, a különböző feladatcsoportok szintjén a fuvarozás területén. Előadásában bemutatta, hogy milyen kihívásra keresték a választ, amikor eldöntötték, hogy bevezetik a járat szintű teljesítményértékelő rendszert. A K&V logistics 1989 óta foglalkozik fuvarozással, mára a furgontól a kamionig vannak eszközeik, mindegyik GPS követővel – így adatokkal – ellátva. “A teljesítménymutatók nem elég jók. Csak egyféle célkitűzést vagyunk képesek elérni, de nem látjuk járatszinten azt, hogy melyek azok a fuvarok, amelyeket valóban megéri elindítani és nagy hasznot termelnek. Hogy ezt kiderítsük, szükséges volt, hogy egy platformon legyen összekapcsolva a vállalatirányítási és fuvarozás támogatási rendszer, hogy ezeket együtt lehessen kezelni. Az adatokkal két óriási kihívásba ütköztünk, ki kellett bővíteni az adatbázisunkat, mert nem minden adat volt megfelelő helyen, illetve ki kellett alakítani a metódust az adatbevitelre.” Varga Bálint elmondta, hogy a projekt megvalósulásával javítottak az eszközhatékonysági mutatókon és az értékesítést is tudják támogatni az feldolgozott adatokkal, jobban meg tudják mondani, hogy melyik régióba érdemes fuvart szervezni.
A mesterséges intelligencia éhen hal adatok nélkül
Ezt követően Laczkó Márk (Logistical Data solutions Kft – alapitó), olyan AI módszerekről beszélt, amik a vezetési stílust értékelő és támogató rendszerekben jelentek meg. Arra logisztikai kihívásra keresték választ a Trans-Speddel karöltve, hogy miként lehetnének hatékonyabbak és a belső folyamataikat, hogyan lehetne optimalizálni, ezeknek a kimutatásához pedig adatokra van szükség.
A legfőbb probléma, hogy üzletileg értékelni kell a járatokat, meg kell állapítani, hogy mekkora költsége van, jó-e a margine, mennyit termel a fuvar. “Ha adott irányba két hétig közlekedik egy kamion, közben a fuvarszervező keresi az optimális fuvart a hazafelé tartó útra. Eközben nincs információja a kamionról, a sofőrről, ezért valamekkora ráhagyással számol a meghatározható költségelemeken túl és kockázatot vállal. A vezetési stílusra vonatkozó adatok is fontosak, -ez alapján tudjuk végül a sofőröket értékelni – mert jelentősen befolyásolja a költségeket. Saját eszközpark biztosítja a megfelelő minőségű nyomkövetési adatokat az elemzéshez, valamint külső adatforrások is értékelésre kerülnek. 5 perces időközönként, minden járművön mérjük a GPS koordinátákat, a sebességet, a fordulatszámot, a pedálszöget, a fékezések számát, a tempomat használatát, a mért fogyasztási értékeket. Külső adatokat is használtunk, időjárási adatokat, mint a hőmérséklet, páratartalom, szélirány, szélerősség és csapadék típusára, illetve mennyiségére vonatkozóan.“ – vázolta röviden a rendelkezésre álló adatokat és a projekt célját Laczkó Márk. “Olyan dashboardot akartunk létrehozni, ami visszajelez a sofőrnek, hogy lépjen a gázra, taposson a fékre, vagy használja a tempomatot.” Fogyasztási benchmark képzés mesterséges intelligencia segítségével történik, a benchmark figyelembe veszi az egyedi körülményeket. A sofőrösszehasonlítás a benchmarkoktól való eltérés irányához kapcsolódik. Az is mérésre kerül, hogy a sofőr betartotta-e az ajánlásokat és ha nem, az milyen veszteséget okozott. Ebben a projektben a mesterséges intelligencia megoldást és a dashboardot is a Dmlab hozta létre.
Az országúton mindig szembe fúj a szél
Gáspár Csaba (Dmlab ügyvezetője) előadásának címe, egy mindig használható indok arra, ha egy sofőr rosszul teljesített. “Az országúton mindig szembe fúj a szél” című prezi során bemutatta, hogy mennyire érdemes a külső tényezőkkel kalkulálni útvonaltervezés esetén, hogy az gazdaságos legyen, tehát kevesebb üzemanyag fogyjon és pontosabbak legyenek a szállítmányok. “Két kérdésre kerestük a választ: hogyan lehet az üzemanyag fogyasztást optimalizálni és hogyan lehet a késedelmes kiszállításokat minimalizálni? Mindkét kérdés megválaszolására eddig csak belsős adatokat használtak a Waberer’s-nél, ezért meghatároztuk, hogy milyen külső adatokat használjanak fel. Olyan külső adatköröket kellett találnunk, melyek bevonhatóak a Waberers tervezési rendszerébe, és pontosabbá teszik a modellt, amivel optimalizálható a fogyasztás és minimalizálható a késés.” – foglalta össze Gáspár Csaba, Magyarország legnagyobb fuvarozó vállalatának a big data projektjét. Ezzel a döntéstámogató projekttel egy jelentős üzleti problémát oldottak meg, új szempontokat, összefüggéseket elhelyezését tették lehetővé a Waberers új útvonal és üzemanyag tervezésében, amelyek segítségével megvalósul a költségtervezés optimalizálása.
Minden mindenre hatással van, a vezető viselkedése hatással van a fogyasztásra, ez kihat a sebességre és vissza is. Ezeket az összefüggéseket derítette ki a Dmlab a K&V és a Logistical Data Solutions projektje is, változó függetlenségi vizsgálattal, lineáris kapcsolódások vizsgálatával és machine learning modellek használatával.
ForrásDmlab