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

Excel or Not to Excel?

Excel or Not to Excel?

Excel can be a great tool for quick analyses, but it’s long been unsuitable for managing medium and large businesses. If you’ve ever tried opening a massive file with thousands of records, you know exactly what we mean. But it’s not just about wasted time—“Excel-ing” in a large company can cost you a fortune. How much? Find out in today’s Mňamka, where Patrik breaks down the biggest pain points of handling data in Excel! 🚀

Základní pojmy v datovém modelování | Mňamka #457

Základní pojmy v datovém modelování | Mňamka #457

Co je to datový model? Jaký je rozdíl mezi konceptuálním a logickým modelem? A k čemu slouží proces tzv. normalizace? Bez datového modelování se dnes v BI obejdete už jen stěží, Kuba si o něm proto připravil krátkou minisérii, ve které si vše probereme od úplných základů. V prvním díle se seznámíme s nejdůležitějšími pojmy, které byste v této souvislosti měli znát, a na jednoduchém příkladu z oblasti sales si ukážeme, jak takový datový model vlastně vypadá. Tak pojďme na to!

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

Proč se vyplatí recyklovat metriky v MAQL? Máme tady pokračování naší krátké minisérie o dotazovacím jazyku MAQL od Péti. V minulém díle jsme si osvětlili základní rozdíl mezi SQL a MAQL a dnes se zaměříme na výhody metrik vytvořených pomocí MAQL a jejich recyklaci. Funguje to přitom podobně jako v případě klasické recyklace surovin. Pokud ji dělat nebudete, ušetříte si možná půl minutky práce, v budoucnu se vám to ale může velmi nepříjemně vrátit. Tak se na to pojďte podívat!