Для того чтобы на складе все функционировало даже во время сезонных пиков заказов, многие предприятия при предварительном планировании логистических процессов доверяют своему субъективному опыту. Но для составления точных прогнозов по будущим заказам логисты должны преобразовать такой опыт в доступные в любое время и пригодные для использования данные. Компания Ehrhardt + Partner Group (EPG) поддерживает этот процесс с помощью Predictive Analytics. Встроенные компоненты ИИ (искусственного интеллекта) обрабатывают все значимые данные цепочки поставок, благодаря чему постоянно возрастает точность прогнозов. Сетевые логистические процессы становятся еще более экономичными и эффективными.
Тщательное предварительное планирование является обязательным во времена высокой конкуренции, дефицита ресурсов и поставок «точно в срок». В логистической повседневности необходимы, например, прогнозы о потребности в ресурсах, объеме заказов, количестве транспорта, грузовых мест или продолжительности комиссионирования. Концепция Predictive Analytics от EPG поддерживает предприятия в том, чтобы на основе анализа прошлых данных дать надежные прогнозы на будущее. EPG, совместно со своим технологическим партнером IBM, создает модели, в которых обрабатываются релевантные логистические данные из систем клиентов. При создании прогнозов по будущим загрузкам можно также учитывать внешние факторы, такие как погода или новости. С каждым днем точность прогнозов увеличивается.
Как на практике работает Predictive Analytics?
Компания EPG тщательно опробовала различные цели применения прогнозной аналитики, например: прогнозирование управление ресурсами в компании Ehrhardt + BOMAG Logistics GmbH (EBL) в г. Боппард. На складе EBL находится более чем 50 000 запасных частей разнообразных форм и размеров для строительных машин BOMAG. Для того чтобы получить возможность единого, точного и надежного планирования всех ресурсов, существующая система управления ресурсами была дополнена предиктивными компонентами. Компания EPG и Watson Studios (IBM) создали самообучающуюся модель актуальных и прошлых данных по заказам. Дополнительно с помощью Discovery API в прогноз были интегрированы в качестве внешних факторов ранее неструктурированные данные, такие как электронные письма и отчеты. Созданная модель данных дает возможность руководящему сотруднику использовать личный кабинет Predictive Analytics в качестве умного помощника для планирования ресурсов. Благодаря текущей синхронизации данных точность прогнозов постоянно возрастает.
