4 Aplicarea datelor mari în logistică

4.1 Informații logistice bazate pe date

4.1.1 Condiții preliminare pentru generarea de date logistice
4.1.2 Acumularea capacității de a stăpâni datele mari
4.2 Implementarea datelor mari în optimizarea logisticii
5 Rezultate de optimizare
5.1 Logistică informaționalizată
5.2 Promovarea modernizării întreprinderilor de logistică
5.3 Eficiență sporită și costuri reduse
5.4 Calitate sporită a serviciilor și loialitatea clienților

4 Aplicarea datelor mari în logistică

4.1 Informații logistice bazate pe date
4.1.1 Condiții preliminare pentru generarea de date logistice
Achiziționarea datelor logistice
Condiția prealabilă pentru producerea de date logistice la scară largă este că
mai multe componente, cum ar fi elemente logistice, facilități logistice, instrumente
de operare logistică și procese de operare logistică, pot fi complet digitalizate (Yang
și colab. 2017). Acest lucru necesită o aplicare extinsă a Internetului obiectelor, a
internetului mobil și a altor tehnologii avansate pentru a colecta date logistice
relevante pentru toate scenariile și operațiunile (Kataria și Mittal 2014). Datarea
elementelor logistice este pur și simplu digitizarea mărfurilor, ambalajelor,
documentelor logistice și a personalului. Datarea facilităților logistice este
digitalizarea parcurilor, terminalelor, terminalelor de marfă, depozitelor, rafturilor,
sistemelor de sortare și transport, etc. Datarea instrumentelor logistice include
digitalizarea instrumentelor operaționale, cum ar fi vehiculele de transport,
stivuitoarele, paleții, stivuitoarele și armele de măturat (Zhong și colab. 2016).
Datarea operațiunilor logistice se referă la colectarea datelor de la cine le predă,
vouchere pentru predare, mărfurile încărcate, ora de încărcare a vehiculului și așa
mai departe; cu alte cuvinte, colectarea de informații despre întregul proces, de la
începutul până la sfârșitul încărcării (Sagiroglu și Sinanc 2013; Ghosh 2015).
Probleme existente
Cu toate acestea, maturitatea unei tehnologii nu înseamnă că tehnologia va
fi aplicată în mod eficient și pe deplin. Atât de multe probleme practice se confruntă
cu întreprinderile care doresc să obțină date logistice pe scară largă. În teorie,
întreprinderile mari cu resurse și capacități tehnologice suficiente pot integra diverse
terminale Internet of Things și sisteme de informații logistice pentru a obține date
logistice mari (Jabeur și colab. 2017). Cu toate acestea, realitatea este că numărul
acestor companii este limitat, deoarece formarea capacităților logistice de date mari
depinde nu numai de fonduri și talente, ci și de investiții durabile și durabile.
Indiferent dacă sunt producători sau o companie terță parte de logistică, vor favoriza
profiturile pe termen scurt din operațiune, față de investițiile în capacități logistice de
date mari (Aliresearch 2017). Majorității întreprinderilor mici și mijlocii (IMM-
urilor) le va fi dificil să își formeze capabilități de date mari, deoarece nu au resurse
suficiente pentru a integra terminalele la scară largă ale Internetului obiectelor și
sistemele de informații logistice. IMM-urile trebuie să utilizeze companiile de
tehnologie ca o platformă pentru a se împuternici cu capacități de date mari (Ayed et
al. 2015). În ultimii ani, companiile bazate pe platforme din domeniul logisticii și
internetului au crescut rapid, dar există încă un decalaj mare în cerințele pentru
capacitățile de date mari ale industriei (Jabeur și colab. 2017). Motivele sunt duble:
mai întâi, trebuie îmbunătățite capacitățile de inovare și servicii ale unor astfel de
companii bazate pe platformă; în al doilea rând, IMM-urile din întreaga industrie nu
sunt suficient de deschise și nu sunt conștiente de cum să se împuternicească prin
intermediul acestor platforme (Kataria și Mittal 2014).
4.1.2 Acumularea capacității de a stăpâni datele mari
Cloud computing
În ceea ce privește resursele de cloud computing, doar companiile bazate pe
tehnologie la scară largă au în prezent capacitățile și resursele relevante; de exemplu,
întreprinderi unicorn precum Huawei, Baidu, Alibaba și Tencent. În era Big Data,
resursele de cloud computing vor deveni o resursă de bază, iar serviciile de cloud
computing vor deveni un serviciu public de bază (Nowicka 2014). Desigur, va fi
posibil ca unele mari companii din lanțul de aprovizionare și companii de logistică să
își creeze propriile centre private de cloud computing, dar nu pot exista decât câteva
astfel de întreprinderi. Concentrându-ne pe domeniul informatizării logistice, nu s-a
stabilit încă dacă furnizorii tradiționali de sisteme informaționale logistice au
capacitatea de a furniza servicii de cloud computing. Cu toate acestea, odată cu
formarea datelor logistice la scară largă, vor fi înființate companii care furnizează
servicii profesionale de cloud computing pentru industria logistică (Kataria și Mittal
2014; Shen și colab. 2017).
Analiza datelor mari
În ceea ce privește analiza logistică a datelor mari, este necesar ca o firmă să
aibă personal cu talente cuprinzătoare și care să înțeleagă relevanța elementelor
logistice, să însușească instrumentele de analiză a datelor mari și să înțeleagă
algoritmii de analiză a datelor mari (Wang și colab. 2016) . În prezent, întreaga
industrie este extrem de lipsită de astfel de talente. Marea majoritate a
profesioniștilor din industrie care înțeleg relevanța logisticii sunt în mod obișnuit cei
cărora le lipsesc mediile de calculatoare și tehnologii Internet (Aliresearch, 2017). Cu
toate acestea, multe elite din domeniul calculatoarelor și al internetului au acordat
puțină atenție internetizării logisticii și logisticii big data. Este dificil pentru
companii să cultive angajați capabili să gestioneze big data în mediul de afaceri,
deoarece au nevoie de formare în multe competențe de bază (Ayed et al. 2015). În
ceea ce privește pregătirea personalului în terțiar 38 J. of Data, Inf. și Manag. (2019)
1: 33–43 instituțiilor, universităților și colegiilor le lipsește resursele logistice de date
mari și scenariile legate de industrie pentru ca studenții să aplice și să practice ceea
ce sunt predate. Prin urmare, integrarea în continuare a „producției, învățării și
cercetării” este o problemă deosebit de importantă în modul de cultivare a indivizilor
talentați care pot stăpâni date logistice (Sagiroglu și Sinanc 2013). În ceea ce privește
modul în care întreaga industrie poate naviga în logistică pentru Big Data,
companiile bazate pe platforme din domeniul informatizării logistice sau internetului
logistic ar trebui să își actualizeze capacitățile tehnologice pentru a include
capacitatea de a gestiona Big Data cât mai curând posibil, deoarece acestea trebuie să
ofere servicii nu numai pentru colectarea, stocarea și prelucrarea datelor mari de la
un număr mare de IMM-uri și companii de logistică, dar și pentru analiza logistică a
datelor mari (Kataria și Mittal 2014).
Valorificarea mineritului
Pentru a genera în mod direct valoare și a deservi activitățile de producție,
logistica big data trebuie să se bazeze pe abilitarea AI. În mod tradițional, analiza
datelor mari a implicat aplicarea artificială a algoritmilor de modelare matematică,
tragerea concluziilor relevante și ghidarea practicii (Wang și colab. 2017). Această
abordare analitică este o metodă academică tipică care poate fi utilizată pentru a
explora regularitatea perioadelor mai lungi de evenimente (Wu și colab. 2014). Cu
toate acestea, analiza logistică a datelor mari are, de obicei, o imediate puternică,
necesitând decizii și răspunsuri imediate în timp util, bazate pe combinația de date de
congestionare a traficului, date de reaprovizionare și cerere în timp util, date de
resurse logistice în timp real etc. Astfel, este necesar să se introducă tehnologii
precum învățarea profundă a mașinilor și AI pentru a obține capabilități de analiză și
procesare în timp real ale Big Data logistică pentru a genera informații de luare a
deciziilor privind prelucrarea Big Data logistică și pentru a ghida activitățile
economice rapid și direct ( Kataria și Mittal 2014). Înțelegerea actuală a IA în
industria logistică se referă mai mult la dispozitivele inteligente care au apărut în
industrie, cum ar fi mașinile fără conducător auto, roboții de distribuție fără pilot,
sortatoarele fără pilot și roboții de stocare. În esență, mecanismul AI implică
procesarea instantanee a datelor mari de către un anumit algoritm și luarea imediată a
deciziilor și răspunsurilor, astfel încât oamenii să poată simți inteligența mașinii și a
sistemului (Wang și colab. 2017). Cu toate acestea, formarea capabilităților AI, în
afară de puterea de calcul, depinde mai mult de implantarea regulilor de operare a
industriei și de câmp sub formă de algoritmi în robot sau sistem. Robotul sau
sistemul vor lua apoi automat decizii și răspunsuri pe baza algoritmului de prelucrare
a datelor big data la fața locului și speciale (Wang și colab. 2016).
4.2 Implementarea datelor mari în optimizarea logisticii
 „Onlineizarea” tuturor operațiunilor logistice duce la realizarea analizei în
timp real pentru fiecare operațiune, deoarece este bazată pe date, ceea ce reprezintă o
bază solidă de date (AddoTenkorang și Helo 2016). Dacă afacerea este offline, sau
sistemul nu poate colecta date cu precizie și în timp util, procesul de date mari va
întâmpina mari dificultăți din cauza datelor inexacte și a lipsei datelor cheie, chiar
dacă volumul datelor este suficient de mare (Ghosh 2015) . Tehnologiile de
prelucrare a datelor mari includ, de asemenea, o serie de tehnologii pentru colectarea,
transmiterea, stocarea, calculul și afișarea datelor. În aplicațiile de date mari, primul
pas este identificarea scenariilor de aplicație pentru o întreprindere (Wang și colab.
2017). Trebuie luate în considerare cel puțin două dimensiuni: dimensiunea în timp
real (analiza datelor mari se bazează pe secunde sau offline) și dimensiunea
consistenței (cerințele pentru consistență) (Sagiroglu și Sinanc 2013; Ayed și colab.
2015). Prelucrarea datelor în sistemele logistice tradiționale, cunoscută și sub numele
de analiza business intelligence, se efectuează adesea după aceea (Jin și Kim 2018).
Spre deosebire de sistemele logistice tradiționale, optimizarea adusă de datele mari în
logistică se bazează pe date; astfel, aplicarea datelor rulează prin întregul proces și
este un proces ascendent ciclic care se încheie cu date (Chen și colab. 2012). Bazat
pe surse de date fiabile și tehnologii de procesare, sistemul logistic poate fi optimizat
treptat pe baza datelor mari.
Acest proces se desfășoară în mod normal în mai multe etape. Primul
presupune restaurarea corectă și promptă a operațiunilor prin colectarea datelor
operaționale ale companiei și afișarea acestora la diferite niveluri de cerere. Datele
offline, cum ar fi ziarele zilnice de afaceri și rapoartele săptămânale și lunare, stau la
baza gestionării afacerii. Dacă datele nu pot fi afișate prompt și precis, operațiunile
digitale nu pot fi efectuate, darămite să fie inteligente (Ayed et al. 2015). Pentru
sistemul logistic, prezentarea grafică este importantă, deoarece uneori „o imagine
valorează o mie de cuvinte”. În dimensiunea de timp, va fi ușor să controlați afacerea
dacă volumul de producție al fiecărui nod și diferențele dintre nodurile adiacente pot
fi identificate prompt. De asemenea, s-a constatat că dezvoltarea unui terminal mobil
este extrem de benefică pentru companii. Logistica este o combinație de flux de
informații, flux de capital, logistică fizică și flux de mărfuri. Prin urmare,
demonstrația dimensiunii geografice este, de asemenea, benefică (Jabeur și colab.
2017).
Următoarea etapă implică evaluarea afacerii prin big data. Cu sprijinul
tehnologiei Big Data, evaluările de afaceri pot fi efectuate pe baza datelor socializate.
În plus, metoda de testare a scalelor de gri a internetului poate fi utilizată pentru a
efectua evaluări de optimizare a proceselor. Aceste metode pot oferi o înțelegere mai
profundă a unei afaceri. Pentru industriile logistice, astfel de clasamente în funcție de
datele în timp real pot juca, de asemenea, un rol semnificativ ca stimulent (Jabeur și
colab. 2017). Big data ar trebui apoi utilizate pentru a prognoza afacerea după o
monitorizare în timp real și o evaluare exactă. Prognoza a fost întotdeauna elementul
principal și cel mai valoros al aplicațiilor de date mari. Cu toate acestea, multe dintre
predicțiile care sunt posibile folosind datele mari se bazează pe corelații, astfel încât
este dificil să se realizeze J. of Data, Inf. și Manag. (2019) 1: 33–43 39 niveluri
ridicate de precizie predictivă. Cu cât este mai mare nivelul de toleranță față de
precizia rezultatului unei predicții, cu atât predicția este mai ușoară. Dacă volumul
afacerii poate fi prevăzut înainte de operațiuni, acest lucru este semnificativ pentru
programarea resurselor și așa mai departe, deoarece poate atinge o oportunitate mai
bună și poate evita risipa pentru industria logistică (Ayed et al. 2015).
Etapa finală implică luarea de decizii inteligente pe baza analizei de date
mari. Acest lucru se bazează în mare măsură pe acuratețea predicțiilor și toleranța
companiei la acuratețe. Va fi mai ușor să obțineți decizii inteligente dacă afacerea se
află la un nivel mai ridicat de precizie și toleranță de predicție. În prezent, cea mai
bună metodă implică încă o combinație între mașină și om: mașina este capabilă să
utilizeze tehnologia AI și analiza big data pentru a îmbunătăți deciziile manuale.
Tehnologia de învățare profundă bazată pe date mari a făcut progrese recente în
domeniul AI, cum ar fi în cazul AlphaGo; aceasta oferă un domeniu substanțial
pentru imaginație în luarea deciziilor inteligente (Ting și colab. 2014; Jabeur și
colab. 2017; Zhang și colab. 2018). Nucleul datelor mari este predicția. Dacă liderii
de afaceri pot cunoaște în avans situația afacerii, gestionarea la fața locului poate fi
gestionată mai bine, iar aplicațiile ulterioare pot fi utilizate în sistemul de decizie de
afaceri (Becker și Intoyoad 2017).
5 Rezultate de optimizare
5.1 Logistică informaționalizată
Sub protecția tehnologiei Big Data și a logisticii Big Data în sine, pot fi
realizate o varietate de aplicații, de la dispunerea inteligentă a punctelor de logistică
până la optimizarea rutelor de transport (Witkowski 2017); de la ratele de încărcare
la optimizarea „ultimului kilometru”; de la luarea deciziilor la nivelul companiei la
recomandări inteligente din partea personalului de distribuție; și așa mai departe (Zhu
2018). Treptat, nivelul de inteligență va fi îmbunătățit. Logistica inteligentă va oferi
avantaje incomparabile în ceea ce privește eficiența, costurile și experiența
utilizatorului (Ting și colab. 2014). Pentru a rezuma, logistica inteligentă este
optimizarea rezultată din aplicarea Big Data în logistică, care utilizează sisteme
software pentru a integra mai bine oamenii și echipamentele (Yang și colab. 2017).
Sistemul de funcționare își îmbunătățește constant nivelul de inteligență, ceea ce
permite oamenilor și echipamentelor să își exercite avantajele respective pentru a
obține cel mai bun rezultat și a continua să evolueze (Jabeur și colab. 2017). Ca o
nouă infrastructură socială, logistica informațională la un capăt conectează
consumatorii, oferind o experiență mai bună consumatorilor prin satisfacerea
cererilor mai diverse ale consumatorilor și promovând continuu actualizări ale
consumului; la celălalt capăt conectează furnizorii pentru a aprofunda optimizarea
lanțului de aprovizionare. Astfel, perspectivele dezvoltării unei logistici inteligente
sunt de mare anvergură; vor fi posibile aplicații din ce în ce mai interesante bazate pe
date mari (Zhong și colab. 2015).
5.2 Promovarea modernizării întreprinderilor de logistică
În vremurile actuale, confruntate cu o concurență globală complicată și piețe
extrem de competitive și cu schimbări rapide, zeci de întreprinderi de logistică sunt
nevoite să continue să investească pentru a-și crește capacitatea de transport pentru a
capta cota de piață și a-și menține competitivitatea (Wang și colab. 2016). Cu toate
acestea, fără sprijinul analizei datelor, rezultatele acestor investiții sunt mai puțin
benefice decât se aștepta (Ayed et al. 2015). De obicei, performanța se va îmbunătăți
pentru o perioadă scurtă de timp, dar pe termen lung, aceste comportamente creează
daune potențiale companiei, cum ar fi surplusul de capacitate atât pentru transport cât
și pentru depozitare. Dacă întreaga industrie se află într-o perioadă de, pierderile vor
ajunge la întreprinderile logistice, iar efectele negative pentru acestea pot fi mai mari
decât cele pozitive. Cu toate acestea, odată cu aplicarea mai profundă a analizei de
date mari în industria logistică, întreprinderile logistice vor putea înțelege și prezice
mai bine cerințele clienților lor de a furniza servicii personalizate și diferențiate prin
analiza informațiilor atât interne cât și externe (LaValle și colab. 2011 ; Grover și
colab. 2018). Pentru a evita astfel de pierderi, cu sprijinul datelor mari, se pot face
anumite predicții pentru a ajuta întreprinderile să înțeleagă mai bine preferințele
consumatorilor și să prezică tendințele pieței. În plus, întreprinderile își pot ajusta
strategiile și operațiunile de afaceri în mod corespunzător, reducând astfel pierderile.
Influențată de aceste stimulente, aplicarea analizei de date mari contribuie la
modernizarea întreprinderilor de logistică (Lee 2018)
5.3 Eficiență sporită și costuri reduse
Aplicarea datelor mari poate contribui la îmbunătățirea transparenței atât
pentru practicieni, cât și pentru industrii și, în cele din urmă, poate spori eficiența
operațională a întreprinderilor de logistică printr-o comunicare și un schimb de
informații mai deschis (Barreto și colab. 2017). Datele generate de operațiuni și
performanța afacerii pot fi analizate pentru a forma un tablou de bord vizualizat
pentru a promova transparența informațiilor. Pentru unele întreprinderi de logistică,
utilizarea datelor mari pentru a forma un tablou de bord vizualizat este o parte a
restructurării unei întreprinderi inovatoare și colaborative cu tehnici de ultimă
generație. O cantitate imensă de date este creată de la întreprinderile de logistică și
comunitățile deservite de acestea; astfel, se poate stabili o platformă care să ofere
informații valoroase prin analiza big data și sinteza înregistrărilor istorice atât din
amonte, cât și din aval, care pot fi utilizate pentru analize mai avansate în luarea
deciziilor (Barreto și colab. 2017). Rezultatele operațiunilor ulterioare vor fi mai
rentabile, deoarece deciziile pot fi actualizate cu promptitudine pentru a se asigura că
nevoile reale ale clienților sunt conforme cu prevederile întreprinderilor (Ting și
colab. 2014). Cu cât este mai ridicat nivelul de aplicare a datelor mari, cu atât este
mai favorabil pentru îmbunătățirea eficienței logistice (Urbinati și colab. 2018; Zhu
2018). În acest sens, modul de profit va fi reorganizat și optimizat în continuare, iar
activitățile fără valoare adăugată pot fi eliminate la 40 J. din Data, Inf. și Manag.
(2019) 1: 33–43 nivelul maxim. Îmbunătățirea transparenței datelor privind calitatea
și performanța logisticii poate contribui la îmbunătățirea performanței cuprinzătoare
a furnizorilor de servicii logistice, sporind astfel competitivitatea (figurile 3 și 4 din
Aliresearch 2017).
În prezent, gradul general de informare în industria logistică a Chinei nu
este ridicat. Schimbul de informații lipsește între cele 70 de milioane de IMM-uri și
gospodării din toată țara. Fenomenul de insule izolate de informații ”este proeminent.
Probleme precum nepotrivirea informațiilor referitoare la cerere și ofertă, schimbul
nesatisfăcător de informații și conduita prematură în lanțul de aprovizionare vor
crește inevitabil costurile afacerii, vor reduce eficiența și vor scădea dramatic
calitatea serviciilor (Ting și colab. 2014). Se așteaptă ca logistica bazată pe
informații să reducă fundamental costurile logistice și să îmbunătățească foarte mult
calitatea și eficiența serviciilor prin măsuri precum comunicarea informațiilor,
partajarea resurselor și aplicațiile inteligente. Potrivit unei prognoze a Federației
Chineze de Logistică și Achiziții, se vor aduce beneficii economice de peste 50 de
miliarde de yuani dacă raportul dintre costurile logistice totale și PIB poate fi redus
cu 0,1% (Aliresearch 2017). În plus, construcția repetată a terminalelor a provocat în
mod obiectiv probleme, cum ar fi resursele irosite, ineficiența, concurența excesivă și
congestia traficului (Boone și colab. 2017; Jin și Kim 2018; Zhu 2018).
5.4 Calitate sporită a serviciilor și loialitatea clienților
Loialitatea clienților poate fi îmbunătățită prin analize de date mari, prin
înțelegerea crescută a preferințelor clienților prin stabilirea unui model susținut de
înregistrări istorice și predicții ulterioare ale tendințelor. Prin urmare, un plan orientat
spre viitor pentru un serviciu mai bun este fezabil și poate integra mai bine resursele
existente pentru a oferi servicii personalizate și a menține conexiunile cu clienții
(Barreto et al. 2017). În plus, valoarea generată din analiza big data nu se limitează la
menținerea clienților existenți, ci va ajuta și întreprinderile de logistică să acceseze în
mod eficient și să câștige noi clienți. În contextul informației, nu mai există un flux
informațional continuu, ci mai degrabă interacțiune reciprocă. Fig. 3 Rata de utilizare
a formularului electronic al coletului Cainiao Fig. 4 Rata de utilizare a formularului
electronic a coletelor în China continentală 2016 J. of Data, Inf. și Manag. (2019) 1:
33–43 41 Prin urmare, analiza de date mari poate ajuta întreprinderile de logistică să
promoveze piața țintă precisă prin înțelegerea clienților lor (Ting și colab. 2014).
Proiectarea unei strategii de piață este supusă previziunii dinamice a
comportamentului consumatorului, iar dezvoltarea unei întreprinderi depinde de
capacitatea de achiziție și analiză de date mari (Kverneland și colab. 2017; Dong și
Yang 2018). Astfel, vizibilitatea și profitabilitatea întreprinderilor de logistică se vor
îmbunătăți în conformitate cu îmbunătățirile în calitatea serviciilor și loialitatea
clienților.
Soluțiile logistice inteligente reprezentate de internet și big data au devenit
mai utilizate pe scară largă în industria logistică și au jucat un rol semnificativ în
îmbunătățirea capacităților sale de servicii (Fig. 5). Potrivit unui raport al Aliresearch
(2017), comenzile de colete în China au crescut cu 126% din 2014 până în 2016, dar
capacitatea serviciilor s-a menținut bine, deoarece congestia și experiența slabă a
utilizatorilor au fost inversate ca urmare a utilizării analizei de date mari. A existat o
creștere de aproape 25% a ratei de livrare a pachetelor din 2015 până în 2016, ceea
ce corespunde rezultatelor cercetărilor privind creșterea calității serviciilor și livrarea
la timp prin utilizarea analizei de date mari în operațiunile logistice (Ayed et al.
2015). În plus, o comparație a actualității în toată țara efectuată de Aliresearch (2017)
relevă faptul că regiunea Delta râului Yangtze și-a menținut poziția de lider. În
această regiune, Shanghai, provincia Zhejiang și provincia Jiangsu sunt principalele
provincii din industria logistică a Chinei prin aplicarea mai bună a datelor mari,
sugerând că actualitatea logisticii este legată pozitiv de nivelul de aplicare a datelor
mari (Kayikci 2018).
6 Concluzii și lucrări viitoare
Revizuirea din această lucrare a fost realizată dintr-o perspectivă de
dezvoltare și a inclus evoluția atât a logisticii, cât și a Big Data, caracteristicile și
caracteristicile logisticii și Big Data, bazele logisticii date și rezultatele aplicării Big
Data pentru optimizarea logisticii. S-a constatat că datele mari au avut o semnificație
transformatoare pentru starea actuală a logisticii și dezvoltarea sa completă. Nucleul
realizării unei operațiuni extrem de eficiente în diferitele etape ale logisticii constă în
modul de procesare a valorii Big Data și combinarea acesteia cu diverse echipamente
și strategii de operare. În viitor, tehnologia Internetului obiectelor va putea capta
starea fiecărei componente a logisticii, cum ar fi facilitățile, echipamentele, oamenii,
comenzile și inventarul. Blocajele și constrângerile de pe linia de producție pot fi
detectate imediat prin captarea stării dinamice. Sistemul central de dispecerizare
poate face aranjamente dinamice și flexibile prin analiza datelor colectate. În plus,
utilizarea datelor mari poate rupe restricțiile diferitelor mărfuri și moduri de operare
în cadrul logisticii actuale. Big data oferă posibilități nelimitate pentru operațiuni
logistice meticuloase și inteligente.
Între timp, identificarea unei abordări adecvate pentru colectarea,
prelucrarea și analiza eficientă a datelor disparate crescând exponențial pentru a servi
operațiunilor la fața locului și îndrumarea deciziilor de logistică este o altă problemă
provocatoare cu care se confruntă în prezent întreprinderile. În consecință, sunt
propuse patru direcții de studiu empirice:
& Structura inventarului științific. Modul de a face aranjamente de inventar
rezonabile la nivel național pentru a optimiza costurile și eficiența este o problemă cu
care companiile trebuie să se confrunte atunci când se extind în produse din categoria
completă.
& Optimizarea traseului de alegere. Acest lucru se bazează în principal pe
experiența personalului din depozit, care stabilește manual condițiile de screening
pentru a genera sarcina de a alege comenzile de colectare. Acest lucru are ca rezultat
căi de preluare extrem de împrăștiate, lungi și ilogice, care împiedică grav eficiența
operațională a depozitului.
& Prognoza inteligentă. Utilizarea datelor mari pentru prognoză este o
direcție importantă, deoarece prin intermediul tehnologiei de previziune a datelor
mari, pot fi identificate preferințele și obiceiurile consumatorilor.
& Îmbunătățirea eficienței depozitării. Pe baza previziunilor, va fi posibilă
sincronizarea logisticii mărfurilor cu nevoile clienților; configurați în avans aspectul
cererii consumatorilor; anticipează rutele de transport și distribuție; ușurează
presiunea logistică în perioadele de vârf ale transportului; și să îmbunătățească
satisfacția și viscozitatea clienților.