Niestety nasza naturalna tendencja do upraszczania ocen i tworzenia nawyków myślowych powoduje, że mianem różnego rodzaju heurystyk określa się typowe błędy w interpretacji faktów, swoiste poznawcze drogi na skróty. Oto kilka przykładów:
Heurystyka dostępności – podejmowanie decyzji na podstawie dostępnych danych i faktów, które w prosty sposób przebijają się do świadomości. Na przykład strach przed lataniem na podstawie newsów o katastrofach lotniczych, chociaż więcej osób ginie w wypadkach samochodowych, w konsekwencji picia słodzonych napojów lub na skutek nieszczęśliwych wypadków we własnym mieszkaniu.
Heurystyka zakotwiczenia – zakotwiczenie się w procesie myślowym na informacji (często błędnej) i dostosowanie do niej procesu myślowego. Mamy często do czynienia z celowym osadzaniem nas w tego typu błędnym myśleniu. Na przykład podawane w reklamach „dane liczbowe” o kolejnym produkcie o 70% wydajniejszym od innych, mające nas skłonić, abyśmy kupili ten właśnie produkt.
Heurystyka reprezentatywności – ocenianie przynależności jakiegoś obiektu do określonej kategorii względem stopnia podobieństwa do prototypu lub schematu i automatyczne ignorowanie cech do tego schematu niepasujących. Na przykład pokutujące w ostatnich dekadach XX w. twierdzenie, że kawa szkodzi zdrowiu, na podstawie powiązania chorób serca z konsumpcją kawy przy pominięciu korelacji z paleniem papierosów (większość konsumentów kawy w przytaczanych badaniach statystycznych była również nałogowymi palaczami).
Jak nie dać się złapać w pułapkę myślenia na skróty? Oczywiście budując naszą heurystykę na twardych danych liczbowych, ich krytycznej interpretacji i analizie. Do czego zatem możemy używać liczb w naszej działalności biznesowej?
Analiza strategiczna
Celem przedsiębiorstwa jest długofalowy rozwój i zadowolenie właściciela poprzez generowanie zysku i minimalizację ryzyka. Decyzje strategiczne muszą bazować na rzetelnych danych, głównie prognozach opartych na danych historycznych. W logistyce oznacza to dane związane z przepływami materiałów, poziomami zapasów i kosztami operacyjnymi.
Bardzo częstym problemem są błędne i nieaktualne dane bazowe artykułów (Master Data). Są one kluczowe dla poprawnej analizy danych. Z reguły firmy posługują się bieżącymi danymi i prognozami, np. w sztukach towaru lub w ujęciu wartościowym, podczas gdy z punktu widzenia logistyki i łańcucha dostaw istotne są wolumeny. Przeliczenie jednych na drugie opiera się właśnie na danych bazowych. Projektując np. rozwój sieci logistycznej lub planując inwestycje w obiekty logistyczne, musimy budować decyzje na rzetelnych danych wolumenowych: poziomach zapasów i przepływach materiałów w długoletnim horyzoncie. Tymczasem dokładne dane o działalności bieżącej i precyzyjna prognoza pomnożone przez cyfrowy śmietnik dadzą nam w rezultacie… cyfrowy śmietnik.
Analiza operacyjna
W operacyjnym zarządzaniu procesami logistycznymi istotne jest uwzględnienie zarówno wymiaru czasowego, jak i przestrzennego. Analiza jakości i efektywności w czasie pozwala na identyfikację trendów oraz ocenę postępu lub regresu w wykonywanych procesach. Wskaźniki wydajności operacyjnej (KPI – Key Performance Indicators), takie jak np. OTIF (On Time in Full), stanowią punkt odniesienia w monitorowaniu jakości procesów logistycznych. Analiza takich wskaźników w czasie pozwala ocenić, czy mamy do czynienia z poprawą lub pogorszeniem jakości, pozwala także na identyfikację ewentualnych problemów w procesach logistycznych i ich natychmiastową korektę, zanim wpłyną one negatywnie na wyniki przedsiębiorstwa.
Natomiast możemy porównywać wspomniane wskaźniki również w ujęciu przestrzennym. To benchmarking – niezwykle użyteczne narzędzie do porównywania jakości lub efektywności naszych procesów z innymi zespołami, oddziałami czy nawet konkurencyjnymi firmami, które pozwala na identyfikację obszarów do dalszej optymalizacji. Dzięki benchmarkingowi możemy zaczerpnąć z najlepszych praktyk innych podmiotów i dostosować je do naszych własnych potrzeb.
Tutaj częstym problemem jest niespójna struktura KPI i jednocześnie ich zbyt duża liczba. To powoduje trudność w analizie przyczyn – jaki proces odpowiada za to, że dany KPI nie jest osiągany. W skrajnych przypadkach zdarza się, że ten sam wskaźnik jest różnie mierzony przez poszczególne działy tej samej firmy i pomiar ten daje odmienne wyniki. W konsekwencji niska jakość danych może prowadzić do wyciągania fałszywych wniosków.
Analiza otoczenia biznesowego
Ważnym czynnikiem sukcesu w działalności firmy jest zrozumienie jej otoczenia biznesowego – zachowań klientów oraz innych czynników zewnętrznych wpływających na jej działalność. Ten obszar rozwija się dynamicznie wraz z rosnącą liczbą danych oraz z rozwojem narzędzi do ich efektywnego przetwarzania. Tutaj wchodzimy na podwórko big data. Jest to termin odnoszący się do zbiorów danych, które są zbyt duże, zbyt złożone lub zbyt szybko napływające, aby mogły być skutecznie przetwarzane za pomocą tradycyjnych narzędzi do zarządzania danymi. Charakteryzują się one trzema głównymi cechami, znanymi jako 3V:
- Volume (Wolumen): ogromna liczba danych, które są generowane i przechowywane.
- Velocity (Prędkość): szybkość, z jaką dane są tworzone, przetwarzane i analizowane.
- Variety (Różnorodność): różne typy danych (strukturalne, niestrukturalne, półstrukturalne), takie jak tekst, obrazy, filmy, dane z mediów społecznościowych itp.
Mając na uwadze wspomniane wcześniej heurystyki i ryzyka związane z niską jakością danych, powinniśmy dodać jeszcze dwa V:
- Veracity (Wiarygodność): jakość i dokładność danych.
- Value (Wartość): potencjalna wartość, którą dane mogą przynieść, jeśli są właściwie analizowane.
W zarządzaniu łańcuchem dostaw big data odgrywa coraz większą rolę, oferując wiele korzyści i umożliwiając optymalizację procesów. Oto kilka głównych obszarów, w których big data ma znaczenie:
- Prognozowanie popytu – analiza dużych zbiorów danych pozwala na bardziej precyzyjne prognozowanie popytu, co pomaga w optymalizacji zapasów i redukcji kosztów magazynowania.
- Personalizacja i dopasowanie do klienta – analiza danych z mediów społecznościowych i innych źródeł pozwala na lepsze zrozumienie potrzeb i preferencji klientów, co umożliwia dostosowanie ofert i strategii marketingowych.
- Optymalizacja logistyki i transportu – analiza danych dotyczących ruchu drogowego, warunków pogodowych i innych czynników umożliwia bardziej efektywne planowanie tras transportu, co prowadzi do skrócenia czasu dostaw i obniżenia kosztów.
- Monitorowanie i śledzenie – dzięki sensorom IoT (Internet of Things) i technologii RFID firmy mogą na bieżąco monitorować lokalizację i stan towarów, co zwiększa przejrzystość i umożliwia szybkie reagowanie na nieprzewidziane zdarzenia.
- Zarządzanie zapewnieniem jakości – analiza danych z różnych etapów produkcji i dostaw umożliwia wykrywanie i eliminowanie problemów jakościowych na wczesnym etapie, co redukuje koszty związane z reklamacjami i poprawia zadowolenie klientów.
- Analiza ryzyka – analiza danych historycznych i bieżących pozwala na identyfikację potencjalnych zagrożeń i proaktywne zarządzanie ryzykiem, co minimalizuje zakłócenia w łańcuchu dostaw.
Te przykłady pokazują, że narzędzia big data znajdują zastosowanie nie tylko w analizie otoczenia biznesowego, ale również w analizie procesów wewnątrz firmy.
Jak skutecznie wykorzystywać potęgę danych?
Efektywna analiza danych wymaga zastosowania odpowiednich narzędzi i metodologii. Ważne są:
- Zbieranie i porządkowanie danych: kluczowe jest zbieranie dokładnych i aktualnych danych oraz ich odpowiednie porządkowanie. Dane powinny być spójne i jednolite. W przypadku gromadzenia danych na potrzeby realizacji określonego projektu ważna jest kontrola wiarygodności i kontrole krzyżowe danych pochodzących z różnych źródeł.
- Wykorzystanie KPI: Key Performance Indicators (KPI) są niezbędne do mierzenia jakości i efektywności procesów. Istotne jest, aby były one jednoznacznie zdefiniowane i właściwe zestrukturyzowane – tylko wtedy przyniosą nam korzyść w definiowaniu i osiąganiu targetów, jak i w analizie przyczyn ich ewentualnego nieosiągania.
- Analiza czasowa i przestrzenna: analiza danych w wymiarze czasowym (monitorowanie zmian w czasie) oraz przestrzennym (benchmarking) pozwala na lepsze zrozumienie i optymalizację procesów.
- Narzędzia analityczne: wykorzystanie zaawansowanych narzędzi analitycznych, takich jak systemy Business Intelligence (BI) i narzędzia do wizualizacji danych, umożliwia lepsze zrozumienie i interpretację danych. Narzędzia umożliwiające automatyzację generowania raportów i dashboardów oraz innych rutynowych czynności związanych z obróbką danych pozwalają na oszczędzenie cennego czasu fachowców, aby mogli skupić się na analizie liczb, wyciąganiu wniosków i podejmowaniu właściwych decyzji.
Tutaj z pomocą przychodzi dynamicznie rozwijająca się sztuczna inteligencja (AI). Rewolucjonizuje sposób, w jaki przetwarzamy i analizujemy dane w logistyce i zarządzaniu łańcuchem dostaw. Dzięki AI możliwe jest:
- Automatyzacja procesów analitycznych – AI pozwala na automatyzację rutynowych zadań analitycznych, co zwiększa efektywność i dokładność analiz.
- Prognozowanie i optymalizacja – algorytmy uczenia maszynowego mogą przewidywać przyszłe zdarzenia, takie jak popyt na produkty, co umożliwia lepsze planowanie i optymalizację procesów.
- Analiza big data – AI pozwala na analizę ogromnej liczby danych (big data), co umożliwia wykrywanie wzorców i zależności, które byłyby trudne do zauważenia przy użyciu tradycyjnych metod.
- Zarządzanie magazynem – inteligentne systemy zarządzania magazynem (WMS) wykorzystujące AI mogą dynamicznie zarządzać zasobami, optymalizować trasy kompletacji oraz wspierać utrzymanie ruchu (predictive maintenence).
Analiza danych jest kluczowym elementem nowoczesnej logistyki i projektowania magazynów. Wykorzystanie zaawansowanych narzędzi analitycznych oraz sztucznej inteligencji pozwala na optymalizację procesów, redukcję kosztów i zwiększenie efektywności operacyjnej. Ważne jest jednak, aby dane były dokładne, spójne i regularnie aktualizowane. Tylko wtedy można w pełni wykorzystać ich potencjał i zapewnić zarówno skuteczne zarządzanie magazynem i procesami w łańcuchu dostaw, jak i realizację złożonych projektów.
