Пьер Дюбуа, основатель консультативной компании Zimana, обслуживающей малый бизнес, рассказывает на портале InformationWeek, как применение предсказательной аналитики может повлиять на модели, используемые в секторе грузоперевозок.

Когда вы слышите об Интернете вещей (IoT), то, возможно, представляете себе «умные» часы, «умные» аудиоколонки и вообще любые домашние устройства. А вот некоторые компании видят в IoT основу логистики своего автопарка и размышляют, как лучше управлять им с помощью распределенных операций. В то же время предсказательная аналитика играет главную роль в извлечении пользы из данных, которые в реальном времени поставляют устройства IoT, которые подключены к сети.

Какие возможности IoT и предсказательной аналитики стремятся использовать компании для получения стратегических преимуществ?

Ярким примером служит Amazon. Прошлой осенью она объявила, что расширяет программу Amazon Air, включая в нее 50 грузовых самолетов и новый распределительный узел в шт. Кентукки стоимостью 1,2 млрд. долл. Это не стало сюрпризом. Аналитики фондового рынка ожидали, что Amazon займется транспортировкой и логистикой. CNBC сообщала, что в отчете для акционеров корпорация даже впервые выделила эту категорию услуг. Теперь она осуществляет доставку основным клиентам в течение одного дня.

Amazon не просто открывает возможность для розничной торговли делать доставку в течение одного дня. Предсказательная аналитика и IoT превратят занимающиеся перевозкой грузов компании в лаборатории, изучающие, как логистика может лучше обслуживать клиентов, снимая показатели в реальном времени и принимая на основе данных решения о развертывании ресурсов. Те, чьи эксперименты окажутся удачными, получат разного рода преимущества. Начиная с более точного информирования клиентов о доставке и заканчивая эффективной закупкой топлива, запчастей и основных вспомогательных сервисов.

Компании многих отраслей используют аналитику для создания конкурентного преимущества. Однако перед транспортными компаниями здесь открываются наиболее широкие возможности, поскольку изощренная аналитика сможет использовать реальные данные. Конечным результатом является весьма точная оценка полученной в результате операций прибыли.

Изучение сложных моделей, включающих логистические зависимости и марковские цепи, может выявлять взаимосвязи посредством классификации данных. Логистические регрессии дают бинарное решение на основе взвешенной шкалы наблюдений, тогда как марковская цепь последовательно классифицирует наблюдения на основе ряда вероятностных условий. Обычно же аналитики сталкиваются с проблемой при создании связного повествования на основе данных, указывающих, какие взаимосвязи будут последовательно поддерживать хорошие бизнес-решения либо улучшать функции продукта или сервиса.

Предсказательная аналитика меняет транспортную отрасль, заставляя компании оценивать, как они организуют источники данных из электронных журналов событий, видеозаписей, электронных устройств контроля и других установленных на транспортных средствах датчиков. Организация этих источников имеет важнейшее значение для выявления проблем, требующих первоочередного внимания, и означает установление связей между данными, которые могут стать ценными знаниями.

В качестве примера приведем автомобиль Corvette. Его специальные версии оснащены устройством Performance Data Recorder, позволяющим накладывать данные телеметрии на видео с камеры высокого разрешения. Эти данные о событиях в системе используются для анализа заездов по гоночной трассе. Проявившая себя на гоночной трассе машина становится более привлекательной для покупателей.

Изучение организации данных будет расширяться, когда автономные средства передвижения начнут чаще встречаться на дорогах. Исторически сложилось так, что автомобили управляли данными в том или ином формате, но до настоящего времени не могли использовать данные из сети, центрального или локальных репозиториев. Беспилотники создают данные в режиме реального времени, что позволяет менеджерам в таком же режиме принимать решения по поводу логистики.

Генерируется огромный объем данных, причем каждый источник использует особую структуру данных. Автономные транспортные средства опираются, как правило, на три источника: датчики обнаружения объектов, лазерные локаторы для обнаружения дорожной разметки и видеокамеры для распознавания дорожных знаков, людей и объектов. Может требоваться масштабная очистка данных для идентификации нулевых значений и ошибок датчиков. Все эти детали необходимо учесть на начальном этапе разработки модели.

Применение предсказательной аналитики к различным типам данных и источников требует управления многими держателями данных и создания управляемой экосистемы данных. Пока ситуация в области предсказательной аналитики не привлекает большого внимания. А ведь для трех основных облачных платформ созданы тысячи инструментов. Сегодня главными темами являются наилучшее управление источниками данных, инструменты машинного обучения и сотрудничество различных подразделений.

Расширение использования предсказательной аналитики и машинного обучения в области грузоперевозок приводит к постановке ряда вопросов. Где лучше всего хранить предназначенные для анализа данные? К каким данным лучше обеспечивать доступ в централизованном хранилище, а к каким на борту транспортных средств? Происходят также изменения, касающиеся того, когда и где производить анализ. Для аналитики является решенным вопрос о необходимости внутреннего контроля затрат на основе данных. Теперь необходимо решить, где хранить информацию, связанную с метриками управления затратами, чтобы запросы обрабатывались как можно быстрее.

Безопасность и социальные проблемы

Когда на рынке появятся «умные» устройства, возникнут и другие вопросы. IDC на мероприятии FutureScape for Internet of Things заявила, что к 2020 г. 40% созданных в IoT данных будут храниться на периферии сетей, на самих устройствах IoT или поблизости от них. Решения о месте хранения диктуют стратегический выбор относительно безопасности и качества данных, находящихся в транспортных сетях и аналитических экосистемах.

Кроме того, потребность в экосистеме заставит исследователей обратить внимание на социальные проблемы, связанные с инфраструктурой. Например, на управление транспортными потоками с учетом загрязнения окружающей среды и качества жизни. Благодаря наличию открытых данных на порталах и широкой доступности через Интернет решений в области машинного обучения исследователи могут создать экосистему аналитики, участники которой будут сотрудничать и сделают доступными свои дискуссии и результаты работы.

Компании начинают понимать, что их будущий рост зависит от использования данных и анализа сетевой активности. Ажиотаж на фондовом рынке вокруг IPO компании Uber показывает, что доступ к данным не гарантирует прибыли. Некоторые аналитики видят в Uber еще одну Amazon из-за наличия у нее доступа к данным и ее готовности предложить не только каршеринг, но и иные сервисы. Другие считают, что наличие долга не позволит компании трансформировать данные в прибыль. Что еще хуже, Uber отложила осуществление программы автономных транспортных средств из-за печально известной автокатастрофы в Аризоне, в которой погиб пешеход. Использование данных не гарантирует безопасности, не говоря уже об успешной бизнес-модели.

Компании, осуществляющие цифровую трансформацию грузоперевозок, могут обеспечить себе безбедную жизнь, если создадут лучшую экосистему модели данных, которая будет изучать операционные выгоды долговременного обслуживания клиентов.