Page 1


Transportutveckling med visual data analytics AV JOHAN HELLMAN

Under mina år som logistikchef på ett stort tillverkande industribolag sneglade vi ofta på bilindustrin och de avancerade logistiska koncept som utvecklats och tilllämpas där. Vi rekryterade också återkommande logistikexperter från denna industri med hopp om att de skulle kunna hjälpa oss att utvecklas och förbättra vår logistik. Problemet som ofta uppstod var dock att experterna från bilindustrin var experter på just logistik i bilindustrin. De var alltså bra på att arbeta i ett redan mycket välfungerande och avancerat logistiksystem. De var däremot inte bra på att arbeta med ett mer rudimentärt system och utveckla detta. De var, för att utrycka det med en enkel liknelse, bra på att förbättra en redan van löpares löpsteg, men de visste inte hur man lär någon att gå. Visual data analytics När det gäller verktyg för visual data analytics - eller ”business intelligence” som det ofta kallas - brukar man prata om tre typer av analyser; descriptive (beskrivande), predictive (förutseende) och prescriptive (förskrivande). Descriptive analys handlar om det

som skett, predictive handlar om vad som kommer att ske och prescriptive handlar om att föreslå de optimala valen givet förutsättningarna. Självklart är det prescriptive analys som är det stora målet och i dessa tider av artificiell intelligens och big data ser potentialen närmast obegränsad ut. Det finns redan avancerade exempel inom transportindustrin där Amazons patenterade koncept för att skeppa varor i förväg baserat på förväntade order (”anticipatory shipping”) kanske är det mest kända. Verklighetsanpassade verktyg På Unifaun är vi nu mitt uppe i att utveckla nästa version av vårt erbjudande för visual data analytics.


Foto: Unifaun Johan Hellman är Manager Professional Services, Unifaun.

Det är tydligt att vi och våra kunder ofta möter liknande utmaningar som de jag beskrev i inledningen. Verktyg och angreppssätt är ofta anpassade för att göra redan välfungerande logistiksystem ännu bättre – tänk till exempel på Amazon och deras förutseende ”skeppningar”. Många har dock inte speciellt välfungerande system och befinner sig i en betydligt mer oorganiserad och imperfekt verklighet. Transporter bokas via många olika kanaler och med många olika transportörer. Det är långt ifrån självklart att det är de transportörer som avtal skrivits med som används. Många kämpar också med att fastställa måldatum för upphämtning och leverans, eller för den delen med att kunna mäta de faktiska utfallen. Det säger sig självt att det blir svårt att mäta leveransprecision (dvs leverans i tid) om man varken vet när godset borde kommit fram eller när det faktiskt kom fram. Överblick och förståelse Den slutsats vi har dragit är att det kanske allra viktigaste är att ta fram visuella analysverktyg som gör det möjligt att följa och styra det grundläggande arbetet med att strukturera och organisera sina transporter. Det kan till exempel vara en visualisering som gör det lätt att förstå mellan vilka noder det alls finns sändningar i det transporthanteringssystem som används, och med vilka transportörer och i vilka viktintervall. Ett annat exempel kan vara visualiseringar som gör det lätt att förstå hur statusflödet

och statuskvaliteten från olika transportörer ser ut. Ett tredje exempel är möjligheten att studera sändningar, vikter och transportkostnader relaterade till olika transportörer, tjänster och landsrelationer. Hitta samband i stora, komplexa datamängder Styrkan med moderna verktyg för visual data analytics är att det så lätt och snabbt går att identifiera intressanta samband i komplexa datamängder. Genom att överskådligt visa helheten samtidigt som det är möjligt att gräva sig ner djupt i detaljerna och skära datan längs många olika dimensioner skapas bra förutsättningar för att driva förbättringar med rätt åtgärder på rätt områden. Vårt mantra är att hjälpa kunden att få översikt och kontroll för att på sätt kunna arbeta med kontinuerliga förbättringar. Visuell analys ser vi som en förutsättning för att lyckas med detta. Kanske är det rent av så att det stora värdet med visuell analys ligger i just resan till den exakta och effektiva verklighet som många gånger ses som startpunkten för mer avancerade tillämpningar för predictive och prescriptive analytics.

Johan Hellman är Manager Professional Services, Unifaun.


Krönika, Transportutveckling med Visual Data Analytics  

Krönika av Unifauns Johan Hellman

Krönika, Transportutveckling med Visual Data Analytics  

Krönika av Unifauns Johan Hellman

Advertisement