Кто владеет информацией

К 2025 году объём данных в мире вырастет в 10 раз по сравнению с 2015. Такие цифры анонсировала международная исследовательская и консалтинговая компания IDC (англ. International Data Company) в отчете «Эра данных 2025».

В логистической отрасли тенденция не отличается от общемировой. Объем информации удваивается каждые два года. По прогнозам аналитиков уже в 2020 году объем данных составит 44 зеттабайта. Для справки: жесткий диск на 1 зеттабайт содержит видео с высоким разрешением 4K, общий хронометраж которого составляет более 63 миллиона лет..

Для анализа и интерпретации больших объёмов данных на помощь приходят алгоритмы машинного обучения (МО). МО делает прогнозы на основе полученной информации и выявленных трендов. Подробнее о машинном обучении и его применении в транспортно-логистической отрасли расспрашиваем Виталия Вербиловича, начальника отдела исследований и развития в международной группе компаний AsstrA.

Виталий, как используют машинное обучения в логистике?

Машинное обучение применяется во всех сферах транспорта и логистики.

• Складская логистика. Компьютерное зрение мониторит остатки товаров на складах, контролирует работников, обеспечивает безопасности на объектах.
• Экспедиция. На основе информации, собранной о перевозках, планируют и строят маршруты, прогнозируют волны сезонности.
• Продажи. Прогноз объёмов продаж, изменения в ценовой политике транспортно-логистической компании строится в том числе с учетом исторических показателей продажи услуг.
• Безопасность. Скоринговые модели (прим. Скоринг – система бальной оценки объекта, основанная на численных статистических методах) помогают выявлять недобросовестных или потенциально проблемных контрагентов еще до начала сотрудничества, базируясь на информации о взаимоотношениях с поставщиками.

Какая информация обрабатывается при помощи алгоритмов МО, а что стоит оставить аналитикам?

В аналитике первоочередное – это постановка задачи и формулирование запроса для отбора необходимой информации. Здесь не обойтись без вмешательства человека – аналитика с опытом и знаниями в конкретной бизнес-области. Далее в работу вступают алгоритмы машинного обучения, которые результативнее справляются с задачами сбора, обработки и первичного анализа информации. Аналитик освобождается от рутинных и времязатратных задач и концентрируется на концептуальных аспектах работы.

Как алгоритмы машинного обучения использует AsstrA?

В группе компаний AsstrA-Associated Traffic AG алгоритмы машинного обучения используются для решения трех категорий задач:

1. Цифровизация документооборота за счет построения релевантных баз данных с дальнейшей обработкой информации.
2. Прогнозирование и информирование о возможных форс-мажорах на пути движения транспорта. В целях повышения прозрачности цепочки поставок AsstrA сотрудничает с Shippeo, чьи алгоритмы позволяют повышать прозрачность цепочек поставок в реальном времени, а также прогнозировать возможные проблемы на пути движения транспорта и сигнализировать о них.
3. Прогнозная аналитика закономерностей в показателях за предыдущие периоды и оценка будущих рисков и возможностей.

Благодаря обработанной информации принимаются взвешенные решения, направленные на повышение эффективности логистических цепочек.