Как FMCG применяет Big Data, ML и IoT в складской логистике: кейсы

Вчера мы затрагивали тему управления поставками в ритейле с помощью технологий Big Data и Machine Learning. Теперь разберем подробнее, как большие данные, машинное обучение и интернет вещей меняют складскую логистику и насколько это выгодно бизнесу. Сегодня мы собрали для вас 7 практических примеров: кейсы от отечественных и зарубежных транспортных компаний, а также крупных FMCG-компаний.

5 направлений использования Big Data, Machine Learning и Internet of Things в логистике

Сначала перечислим наиболее перспективные приложения технологий Big Data, Machine Learning и Internet of Things в логистике:

складская роботизация – от «умных» погрузчиков до дронов. Например, в Amazon маленькие роботы KIVA самостоятельно перемещают предметы внутри склада, сокращая расходы на 20%. В этой же компании летающие дроны успешно доставляют заказы удаленностью до 30 минут [1]. Здесь же отметим еще 1 пример складской цифровизации с использованием квадрокоптеров, когда они в конце рабочего дня сканируют штрих-коды на товарах, автоматически передавая данные в систему учета. Это повышает эффективность процессов инвентаризации на 20% [2]. В частности, компания DroneScan заявляет, что их дроны всего за 2 дня проведут инвентаризацию качественнее, чем 80 человек за 3 дня [3].
оптимизация финального этапа доставки товара к потребителю, так называемой «последней мили». Стоимость этой задачи может составлять до 28% от общей цен доставки. Это происходит из-за особенностей городской инфраструктуры, например, отсутствия подъездных путей, ремонта дорог, пробок и других внешних факторов. Постоянный сбор и аналитика таких данных позволяет оперативно перестроить маршрут и подобрать подходящую для конкретного заказа технику [3]. Вышеупомянутый пример Amazon с дронами показывает, что их использование снижает стоимость последней мили до $1 при доставки малогабаритных грузов (менее 2,25 кг) [1].
трекинг грузов с помощью RFID-меток, которые позволяют следить за перемещением товара на протяжении всей цепочки поставок. Такой непрерывный мониторинг сокращает убытки из-за нарушения условий хранения и транспортировки скоропортящейся продукции или товаров с особенностями перевозки. Экономия может составить до 30%. Например, транспортная компания DHL устанавливает на свои грузы IoT-датчики Smart Sensor. А другой крупный перевозчик, Cerasis внедряет Big Data решения для оптимизации маршрутов, сокращения расхода топлива и снижения негативного влияния на окружающую среду. Также компания планирует использовать IoT-датчики для непрерывного мониторинга состояния своих машин, чтобы снижать затраты на ремонт и уменьшать время простоя [1].
обязательная маркировка продукции с помощью уже упомянутых RFID-меток или DataMatrix-кодов. Напомним, в России с января 2019 года введена обязательная цифровая маркировка ряда товаров: лекарства, табачная продукция, духи и туалетная вод, шины и покрышки, обувь, некоторые виды одежды и текстиля, фотографическое оборудование и молочная продукция [4]. Такая маркировка делает уникальной каждую единицу продукции, поэтому ритейлерам нужно менять ранее устоявшиеся процедуры оптовой отгрузки и приемки товаров. В частности, агрегировать коды в паллетных этикетках и встраивать эти решения в уже существующую ИТ-инфраструктуру, а также организуя их интеграцию с надзорными органами [5].
сокращение операций, не добавляющих ценности по методологии Lean. Например, трудозатраты комплектовщика заказов на чтение бумажных листов подбора или инструкций с экрана планшета. Чтобы устранить это, распределительный центр сети супермаркетов «Верный» внедрил систему голосового отбора Vocollect. Она позволила увеличить производительность на 35% и довести до 99,97% точность операций по сбору заказов, радикально сократив ошибки в комплектации по причине человеческого фактора. Теперь все взаимодействие с системой управления складом идет через голос: комплектовщик просто слушает команды и выполняет задания, задавая вопросы или сообщая о готовности. Это отличный пример практического использования алгоритмов Machine Learning для распознавания речи [6].

склад, ритейл, машинное обучение, интернет вещей — Оператор склада с системой голосового отбора Vocollect

Наконец, еще одним популярным кейсом применения Big Data и Machine Learning является прогнозирование спроса с целью выстраивания оптимальной логистики. Некоторые примеры этого мы рассмотрим далее.

Предиктивная аналитика больших данных: 3 кейса от FMCG-гигантов и транспортной компании

С мая 2018 года «Магнит» применяет машинное обучение для прогнозирования спроса в своих магазинах. Нейросети обрабатывают большие данные о продажах, покупательских предпочтениях, погоде, календарных и религиозных праздниках, социальных событиях и прочих внешних факторах. Такая аналитика Big Data позволяет выявить нелинейные зависимости, прогнозируя увеличение спроса на товары. По результатам использования этой системы предиктивной аналитики выручка ритейлера выросла на 4 миллиарда рублей в год [7].

Другой отечественный FMCG-гигант, X5 Retail Group, в октябре 2019 года запустил для своих поставщиков онлайн-платформу аналитики больших данных, которая позволит партнерам компании формировать отчёты по истории покупок их товаров в торговых сетях ритейлера. Таким образом, поставщики анализировать продажи, выявлять источники изменения спроса, узнавать о переключении потребителей на конкурирующие бренды, определять ротацию покупателей и изменение их потребностей. На основе истории покупок и информации о потребительском поведении сформирована база аналитических модулей, которые позволяют получить бизнес-инсайты. На октябрь 2019 года партнёры Х5 могли формировать только 3 отчета: диагностика категории, источники продаж и миграция покупателей. В 2020 году ритейлер планирует реализовать еще 8 аналитических модулей для исследования промоакций и трекинга новинок, анализа покупательской корзины, дерева принятия решений, профиля потребителя, а также тестирования и кластеризации магазинов [8].

Интересен также опыт транспортной компании ПЭК, которая в 2019 году запустила собственный Центр управления перевозками (ЦУП) на базе Big Data. Это значительно повысило точность прогнозирования и планирования грузоперевозок, а также улучшило мониторинга остатков на складах. ЦУП позволяет в режиме реального времени прогнозировать загрузку 189 складов по всей России на месяц вперед, обрабатывая каждую секунду более 500 операций. Эта Big Data система аккумулирует все сведения для построения прогнозов загрузки складов и эффективного управления операционной деятельностью. Технологически ЦУП компании ПЭК основан на наиболее популярных технологиях Big Data [9]:

Akka Framework для разработки параллельных и распределенных микросервисов на JVM;
Spark Streaming для потоковой обработки больших данных;
Apache Kafka для обмена сообщениями между сервисами;
Apache Hadoop для хранения исторических данных;
PostgreSQL для срочной отчетности;
оперативные данные хранятся в памяти (IMDB, In-memory Database).

логистика, Big Data в логистике — Модель ЦУП транспортной компании ПЭК

В следующей статье мы продолжим рассматривать большие данные и машинное обучение в ритейле, разобрав еще несколько примеров использования роботов в магазинах и на складах. А как еще применять Big Data и Machine Learning в цифровизации FMCG-бизнеса, вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, аналитиков и Data Scientist’ов) в Москве: