24.09.2015

Indspark: Hvorfor er big data og analytics så hot?

Indhold fra partner Hvad er dette?

De fleste virksomheder har i dag etableret sig i et dynamisk, komplekst og netværksbaseret setup. Hurtigere reaktioner og holistiske beslutninger med udgangspunkt i indsigt i såvel egen virksomhed som kunder og samarbejdspartnere er nødvendig for succes. ’Big data & Analytics’ er en af de centrale begreber til løsninger af behovet for bedre beslutningsstøtte i hele forsyningskæden, skriver Henrik Knak, civilingeniør og HD.

Supply Chain kompleksiteten er voldsom stigende og har været stigende gennem flere år. Dels pga den øgede konkurrence efter finanskrisen og de mere krævende forbrugere og kunder, dels pga. globaliseringen af forsyningskæder, og den mere og mere avancerede teknologi samt internettet. Som modsvar har virksomhederne øget innovationen, segmenteret kunder og produkter, målrettet serviceydelser, og gjort værdikæden, herunder supply chainen, væsentligt mere avanceret at styre pga outsourcing, partnerskaber og flere led i vareflowet.

Annonce: (Artiklen fortsætter efter annoncen)

Fra at skulle styre en stationær, hierarkisk og flowbaseret kæde har de fleste virksomheder i dag etableret sig i et dynamisk, komplekst og netværksbaseret setup. Hurtigere reaktioner og holistiske beslutninger med udgangspunkt i indsigt i såvel egen virksomhed som kunder og samarbejdspartnere er nødvendig for succes. ’Big data & Analytics’ er en af de centrale begreber til løsninger af behovet for bedre beslutningsstøtte i hele forsyningskæden.

Big Data
Big data handler om de 3 V’er: Volumen, Varietet og Hastighed (Velocity).

Volumen: Big data handler om at kunne indsamle enorme datamængder, bearbejde og analysere dem, og hvorefter de gemmes.

Varietet: Big data gør brug af forskellige typer af data, fx strukturerede data fra eksempelvis ERP-systemet, hierarkiske data, dokumenter, emails, blogs, målerdata fx sensorer eller RFID, mobil web data, GPS data, billeder, video, lyd, lugte m.v.

Hastighed (Velocity): For at bruge en supply chain term handler dette om ’gennemløbstid’, dvs. hvor hurtigt og hvor frekvent kan data indsamles og bearbejdes for at kunne levere til beslutningsbehovet.

Læs også: Rapport fra 2nd Supply Chain Leaders Forum 2013

Flere og flere specificere et fjerde V: Veracity - som omhandler kvaliteten og anvendeligheden af de indsamlede data, samt et femte V: Value – altså den forretningsmæssige værdi, som kan inddrives via de indsamlede data. Meget relevante konkretiseringer af begrebet ’Big data’.

Analytics
Analytics kan målrettes fire forskellige typer af indsigt, som understøtter forskellige beslutningsbehov: Beskrivende, Diagnosticerende, Forudsigende og Præskriptive.

Beskrivende analyser har til formål at undersøge historiske data med henblik på at beskrive, hvad som er sket (fx hvem aftog vores varer i uge 37?).

Diagnosticerende analyser er kausal og undersøger historiske data med henblik på at forstå, hvorfor noget skete (fx hvorfor er vores lager for stort?).

Forudsigende analyser forsøger at kigge ud i fremtiden ved at bygge videre på historiske data med henblik på at estimere, hvad der kommer til at ske (fx hvor meget sælger vi af hver SKU i de kommende måneder?).

Endelig arbejder præskriptive analyser med at anbefale aktiviteter, som kan få givne ting til at ske (fx hvordan øger vi salget af en given vare?) eller netop ikke at ske (fx hvordan undgås nedbrud af en maskine).

Samlet har big data & analytics til formål at indsamle og konverterer omfattende data til beslutningsstøtte via statistik, matematik, økonometri, simulering, optimering, mv.

Hvad er mulighederne i dag?
Det er ikke udsædvanligt, at 80% af en virksomheds data er ustruktureret; hertil kommer tilgængelige eksterne data, som typisk er ustruktureret.

Erfaringer fra en nylig undersøgelse viser, at kun 0,5% data benyttes til analyse! (Supply Chain Big Data, Gartner Inc, 2014). Det giver store og let tilgængelige muligheder for at opnå hurtige fordele af at inddrage flere data og øge kompetencen i at lave analyser.

På det Supply Chain strategiske niveau er de mest anvendte måder at gøre brug af big data & analytics:

  • Strukturel segmentering af aftrækssiden, dvs. gruppering ud fra fælles karakteristika af markeder, kunder, produkter og services og efterfølgende strømligning af supply chain ydelser og kompetencer. Herved kan virksomhedens markedsprioriteter, supply chain-prioriteter og -styring ske i et koordineret setup, som fx revurderes årligt.
  • Netværksoptimering af kapitalinvesteringer i fabrikker, lagre og varehuse, distributionscentre og depoter samt til støtte i valget af strategiske distributionspartnere og leverandører. Gennem omfattende datamængder og avancerede analytiske værktøjer kan netværket optimeres til at håndtere det stigende antal kunder, produkter og services. CAST og Supply Chain Guru er eksempler på sådanne værktøjer.
  • Strukturel indtjeningsoptimering gennem en holistisk revurdering fx hvert kvartal af samspillet mellem individuelle markeder, kunder, produkter, services og de forskellige værdikæde elementer ud fra en netto profitabilitetssynsvinkel. Hvilke kombinationer af kunder og produkter/services samt prissætninger skal vi satse på i forhold til vore dynamiske omkostninger i værdikæden, og hvordan kan vor supply chain bedst understøtte prioriteterne? Skal vi lukke givne produkter og services, revurdere specifikke kunder og markeder, eller optimere værdikæde elementer mhp. at sikre bedste afkast af vor værdikædeinvesteringer? Novozymes er et eksempel på en virksomhed, som prioritere den holistiske tilgang og er i stand til at lave sådanne analyser.

Taktisk horisont
På den mere taktiske horisont anvendes big data & analytics i særdeleshed til salgsforecasting og efterfølgende planlægning af supply chain aktiviteter, samt til dynamisk lageroptimering. Salgsforecasts opbygges ud fra såvel egne historiske salgsdata, samt suppleret med enorme datamængder fra kunder, leverandører og sensorer, fx POS-data. Disse suppleres med kontekstuelle faktorer så som vejrforecast, konkurrentkampagner og måske data fra sociale medier fx ifm. nyintroduktion af en vare i et givet geografisk område, land eller region.

Tages salgsforecast analyserne et skridt videre og suppleres med detaljerede data omkring distributionsstrukturen og produktionskapabiliteter en det muligt at fastlægge dynamiske vareoplæg på samtlige lagerlokationer i netværket. En central supply chain parameter, som typisk er statisk i de fleste ERP og planlægningsløsninger, sjældent opdateres tilstrækkeligt frekvent til at afspejle virkeligheden, men som er afgørende for kundeservice, kapitalbinding og omkostninger.

Demand Shaping - Få virksomheder er gået videre endnu og kombinerer det avancerede salgsforecast med forskellige supply chain begrænsninger, og anvender dette målrettet til at ’manipulere’ markedet til at aftrække givne produkter eller services – eller netop ikke aftrække givne varer og services fx pga. knaphed i produktionskapacitet, distributionen eller bare manglende råvarer.

Flere og flere websites har grader af denne funktionalitet indbygget. Målrettede kampagner, prisjusteringer, segmentprioritering, differentierede services, selektiv distribution og andre markedstiltag er koblet til indsigt i konkrete omkostninger for virksomheden, og med henblik på at opnå anbefalinger til, hvad der bør prioriteres for at maksimere virksomhedens samlede indtjening. Lego er fx i stand til at justere på emballage og indhold med kort varsel såfremt et aftræk på en given æske ikke forløber som planlagt, og man ønsker at tilskynde til et øget salg i detailledet med henblik på at bringe lageret ned centralt.

Operationel anvendelse
Endelig anvendes big data & analytics mere operationelt til optimal eksekvering af fx dynamisk ruteoptimering af transporter og biler og til risikominimering.

Om skribenten

Henrik Knak har igennem godt 25 år arbejdet med Supply Chain Management som management og IT konsulent i verdens største konsulenthuse samt via egen virksomhed, SCOPTI A/S.

Gennem årene er SCM opgaverne blevet mere strategiske og bredere, hvilket har involveret såvel salg & marketing, produktudvikling og støttefunktioner. Henrik er censor på MBA i Shipping og i fagene SCM, Marketing, Organisation, IT og Økonomi på en række universiteter i Danmark.

Han er uddannet civilingeniør fra DTU og HD fra CBS.

Dynamisk ruteoptimering kræver massive datamængder i realtid og avancerede analytiske værktøjer og teknikker. Optimeringen omfatter indsamling af GPS data fra virksomhedens biler og den aktuelle last samt chaufførkompetence, opdaterede GIS-rutekort, realtidsbaseret Traffic Message Channel-data, ordredata, leveringsbegrænsninger mv. Dette kombineres med avancerede algoritmer til at gennemføre hurtige beregninger og reberegninger ved ændringer i den optimale plans kontekst, fx ændret trafikmønster, forsinkelser og uheld, nye ordrer, ændret leveringsadresse, sygdom mv. TransVision er et eksempel på en dansk udviklet løsning til dette.

Risikominimering på fx forsyningssiden handler om at kombinere eksterne risici data med interne data vedrørende produktionsstruktur, leverandørstruktur og fremtidige forsyningsbehov med henblik på at afbøde fremtidige risici for manglende eller forsinkede leverancer flere led tilbage i forsyningskæden.

Eksterne data omfatter ændringer i geopolitik og -økonomi, krige og andre disruptive situationer, vejrforecasts, miljøuheld, pludselige råvareknaphed eller -prisstigninger, GIS-data, mv. Ved at lave avancerede analyser som korrelerer ændringer i de eksterne data med potentielle risici for virksomhedens og leverandørenes fremtidige forsyninger kan der laves simulering af konsekvenser og optimeres på afbødende aktiviteter. BMW Group er et eksempel på en virksomhed, som arbejder proaktivt med risk management og denne form for big data analytics og visuelt kan illustrere områder under forhøjet risici samt potentielle konsekvenser. BMW anvender ikke kun kompetencen operationelt, men har ligeledes indarbejdet det i virksomhedens mere langsigtede risikooptimering.

Kom med op på hesten
Big data & analytics kan hjælpe en virksomhed med at blive mere markedsdrevet og øge kundeorienteringen i virksomhedens supply chain processer og beslutninger. Og med at opbygge en optimal struktur på tværs af distributører, lagre, fabrikker og leverandører, som bedst servicerer de forskellige kundesegmenter – afhængig af tilbudte produkter og services i de forskellige markeder. Den bidrager til at forstå, hvor indtjeningen kommer fra og i særdeleshed, hvad der dræner virksomheden for omsætning, cashflow, kapital og indtjening. Og bidrager til at sikre grundlag til at træffe de svære og komplicerede beslutninger på tværs af forsyningskæden – både de langsigtede og de kortsigtede. Men hvor skal man starte?

Opsummerende gives følgende anbefalinger af ledende eksperter og leverandører i big data & analytics i supply chains (Google, 1010data, InsightSquared, Tableau, MIT, Gartner, McKinsey, BCG, IBM, Accenture m.fl.):

  • Lad topledelsens prioriteter drive investeringer og fokus på big data & analytics.
  • Erkend at Rom ikke blev bygget på en dag og udbyg ambitionerne via en roadmap.
  • Afsæt egne kompetente ressourcer til at opbygge og udbygge supply chain big data & analytics kapabiliteter, og invester i gode analytiske værktøjer samt eksterne partnerskaber.
  • Undgå at opbygge siloorienterede løsninger og kompetencer, og fokuser på målbare, forretningsmæssige resultater.
  • Etablér registrering og transparens af relevante data langs hele værdikæden – også via eksterne data.
  • Optimer master data og skab incitament for konsistente data.

Læs også: Fagfolk skriver: Forsyningskæden som strategisk våben

Undervurdér ikke behovet for forandringsledelse, når de nye muligheder for anvendelse af data og analyser bliver bragt ind i virksomheden. De vil uvægerligt betyde ændret governance og nye processer, hvilket vil blive set som en trussel af nogle. Endelig: God ’Business Intelligence’ starter med spørgsmålet og ikke med data, processen eller svaret - ”At forstå spørgsmålet er det halve svar”, Sokrates.

  SCM.dk anvender cookies, som vi bruger til at huske dine indstillinger og statistik m.m. Når du fortsætter med at bruge websitet accepterer vores nye cookie- og persondatapolitik. Læs mere