V čem nám data pomůžou u logistiky? | Mňamka #306

Logistika v datech

Firmy zabývající se logistikou produkují ohromné množství dat, které jde velmi dobře zhodnotit. Jedná se například o data z terénu - z provozu a z konkrétních aut, o dodavatelích, zákaznících nebo řidičích. Škála je široká. Detailní data ve velkém množství jsou hotový poklad a pokud o něm klient neví, rozhodně bychom jej o tom měli umět přesvědčit. Poslední věta se netýká jen logistiky, ale hodnoty dat obecně.

V každé firmě, která provozuje alespoň pár aut k logistickým účelům, hledají odpovědi na otázky, které jim pomůžou zlevnit, zrychlit a celkově zefektivnit vozový park, a tím snížit náklady. Mezi nejčastější otázky patří:

Jak jsou auta využita právě teď? Jakou zanechávají uhlíkovou stopu například za odvezenou zakázku? Jaká trasa bude pro konkrétní typ vozidla a zakázky nejlepší? Jak optimalizovat najeté kilometry? Kdo z firmy řídí bezpečně, a přitom efektivně? Kdo nejčastěji překračuje rychlost? Jaké vozidlo je často v servisu, jak dlouho a proč? Mají řidiči přehled o tom, jestli stíhají naplánovanou trasu a jak plní časový plán za určité období? Je zpoždění častěji zaviněno řidičem nebo druhou stranou? A co nehody?

U některých zákazníků se naši datoví detektivové k datům z logistiky dostanou a právě na tyto a podobné otázky hledají odpověď. Pojďme se zaměřit na nejčastější příklady.

Počet objednávek na trase

Zdánlivě komplikovaný pohled na vozidla (A, B, C,...) a trasy (1, 2, 3) v jednotlivých oblastech (Velká/Malá Lhota) pro konkrétní den, může být skvělým pomocníkem pro plánování a optimalizaci počtu objednávek na trase.

Velká Lhota má vyšší koncentraci obyvatel než Malá Lhota, lépe proto naplní kapacity trasy a rozvoz se více vyplatí. Pokud ale objednávek bude příliš, nemusí je řidič stihnout rozvézt, a hrozí nespokojení zákazníci.  Naopak spodní hraniční hodnota, kdy se ještě vyplatí na trasu vyjet, je v tomto případě devět zakázek. Jak jde vidět, je logicky častěji dosažena v málo osídlené oblasti.

Utilizace v jednotlivých časových slotech

Heatmapa názorně zobrazuje využití vozidel, která jsou aktuálně k dispozici a jsou schopna okamžitě vyrazit na trasu. Samozřejmě musíme v tomto pohledu brát na zřetel, ideálně odfiltrovat, vozidla v servisu nebo používaná managementem.

Heatmapa s geografickým aspektem

Mezi vizualizačními nástroji využívanými našimi klienty často vítězí Power BI. I takový může být pohled na odvezené objednávky. Tmavě modré body jsou označené myší. Součet a další KPIs vztažené k výběru vidíme v záhlaví strany. Kromě počtu objednávek jsou zde i příjmy za odvoz, pokuty za zpoždění a procentuální hodnota SLA.

Scoring řidičů

Každý řidič v průběhu jízdy sbírá hodnocení. Například o stylu jízdy, rychlosti a jejím překročení, stylu brždění a zatáčení. Společně s počtem zaviněných nehod a zpožděním si management udělá přesný obrázek, který řidič je nespolehlivý nebo naopak, kdo si zaslouží odměnu za příkladnou jízdu.

Data v logistice jsou díky jejich objemu velmi dobře využitelná. Byla by škoda nechopit se příležitosti. Co myslíte? Chtěli byste si o tomto tématu přečíst víc? Máme taky případovou studii, kterou najdete zde. 

Zapomněla jsem na něco? Chcete se na něco zeptat? Napište mi. 

Eva

Eva Tesařová

datový detektiv
LinkedIn

Jak přistupovat k user managementu v datové analytice? | Mňamka #373

Jak přistupovat k user managementu v datové analytice? | Mňamka #373

Ne každý ve firmě by měl mít přístup úplně ke všem datům. A to ani tam, kde naplno vládne datová demokratizace. Základem dobré bezpečnosti je totiž tzv. princip nejnižších privilegií – nedávejte uživatelům přístup tam, kam ho nepotřebují. Stejně tak je ale potřeba pro klíčové procesy nastavit odpovídající kontrolní mechanismy, které povedou k minimalizaci bezpečnostních rizik. Co dalšího ještě můžete udělat? Verča pro vás popsala 5 důležitých bodů, kterých se společně s našimi klienty při přidělování uživatelských přístupů a práv snažíme držet.

Je to mezera, není to mezera? | Mňamka #370

Je to mezera, není to mezera? | Mňamka #370

O významu čištění dat toho bylo napsáno již poměrně hodně. Zjednodušeně by se to dalo shrnout takto – pokud si neuděláte úklid už na vstupu, budete mít neskutečný bordel i na výstupu. Dnes se proto podíváme, jak ve si Snowflake SQL vyčistit finanční čísla z Google Sheets. Petr vám postupně ukáže, jak by měl vypadat čistící skript pro data různých formátů. A narazil při tom i na jeden opravdu záludný oříšek. Není totiž mezera jako mezera. O tom už ale více v dnešní mňamce!

Period Over Period v Tableau | Mňamka #367

Period Over Period v Tableau | Mňamka #367

Při práci s daty ve vizualizačních nástrojích si velmi často potřebujete porovnat jednotlivá časová období. Zajímají vás např. prodeje tento vs. předchozí rok. V Tableau máte hned několik možností, jak takové period over period srovnání provést. Kterou z nich ale zvolit? Tomáš pro vás sepsal mňamku, ve které vás postupně provede výhodami a nevýhodami standardního řešení v podobě Quick Table Calculation, použití LOOKUP funkce, výpočetně náročnějšího data blendingu a variabilního custom filteru s předdefinovaným obdobím.