Ein Leitfaden für Transport- und Logistikunternehmen - E-book Datengestützte Entscheidungen
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
E-book
Datengestützte Entscheidungen:
Ein Leitfaden für Transport-
und Logistikunternehmen
Erfahren Sie, wie Sie
Zeit und Geld sparen
Die Zahlen sprechen für sich:
15%
erhöhtes 50-80%
Liefervolumen WENIGER
Nachsendungen
80% DER
UNTERNEHMEN
planen
datengestützte
Entscheidungen
oder haben damit
begonnen
um 6%
GESTEIGERTE
UMSATZ-
PROFITABILITÄT
durch Business
und Data Analytics
Datensammlung vs.
gezielte Datennutzung
Heute sind Daten zur Erschließung neuer Erkenntnisse
Analyse-Tools
überall verfügbar. Nur liegt bei dieser Vielzahl von gewinnbringend
Daten der entscheidende Punkt darin, zu bestimmen,
worauf Sie Ihre Aufmerksamkeit richten und wie Sie einsetzen
Ihre Daten nutzen wollen, um einen echten Mehrwert Immer mehr Unternehmen wollen datengestützt
in Bezug auf Rentabilität, Kostensenkung und erhöhte arbeiten. Wissen Sie jedoch, welche Analyse-
Kundenzufriedenheit zu erzielen. Tools und -technologien zur Verfügung stehen
oder wie Sie diese gewinnbringend einsetzen
können? Haben Sie Erfahrung mit dem Nutzen
von Machine-Learning-Modellen und Statistiken
zur Beantwortung von betriebswirtschaftlichen
Fragen? Und wo beginnen Sie mit dem Einsatz
von Datenanalysen, um Ihre Lieferkettenprozesse
zu verbessern?
2
Steigern Sie die Effizienz
Ihrer Lieferkette mit
dem 2-Stufen-Modell! 1. Transparenz in der Lieferkette -
Prozessleistungsmessung
Der erste Schritt ist wichtig, um von der reaktiven
Der Ansatz, die Effizienz der Lieferkette mithilfe zu proaktiven Entscheidungen zu gelangen. Er
von Datenanalysen zu steigern, kann in 2 Schritten konzentriert sich auf die Nutzung historischer Daten.
erreicht werden. Diese Schritte sind eng mit der Dieser Schritt dient dem Zweck, Informationen über
Analytics Maturity Curve von Davenport verbunden: Ihre Performance zu verstehen, daraus zu lernen und
Beginnen Sie mit der deskriptiven Analytik, bei der Sie Verbesserungspotenziale zu identifizieren. Zeit, Qualität
Ihre Daten nutzen, um die vergangene und aktuelle und Kosten sind hier die wesentlichen Indikatoren neben
Leistung darzustellen. Im nächsten Schritt, der Termintreue, Kapazität und Produktivität. Dies wird auch
prädiktiven und präskriptiven Analytik, kombinieren als deskriptive Analytik bezeichnet. In diesen Bereich
Sie Ihre Daten mit Mathematik, um Ihre Daten in gehören z. B. die Leistungsanalyse, Fahrer-Scorecards
nützliche Informationen für die Entscheidungsfindung und Fahrer-Incentive-Programme, Kunden-Scorecards
zu übersetzen. Gewinnen Sie Wissen aus Ihren Daten! und Datenqualitätsanalyse.
2. Analyse-gestützte Optimierung
Die Analyse-gestützte Optimierung ist die logische
Konsequenz und geht einen Schritt weiter als die
Transparenz in der Lieferkette. Sie verwendet
Analyse-Tools und unterstützt eine proaktive
Entscheidungsfindung. Dieser Prozess nutzt historische
Daten mit maschinellen Lern- und Optimierungsmodellen,
um zukünftige Szenarien vorherzusagen, zu analysieren
und zu vergleichen und messbare Entscheidungen
zu treffen. Dies wird auch als prädiktive und
präskriptive Analytik bezeichnet. Einige Beispiele sind:
Bestellverhalten, Stoppzeit-Analysen sowie Cost to Serve-
Analysen.
en
c s Driv
yt i m ent s
nal
2. A pr ove
COMPETITIVE ADVANTAGE
OPTIMI-
ZATION
Im PREDICTIVE
MODELING
FORE-
CASTING
ve
hai
n ripti
r es c
STATISTIC
p l yC ANALYSIS
/ P
up ity ive cs
1. S Visibil dict Analyti
ALERTS
QUERY
& DRILL- Pre
DOWN
AD HOC
REPORTS
STANDARD
s
REPORTS
na lytic
ip t ive A
De scr
DEGREE OF INTELLIGENCE
Das 2-Stufen-Modell: Ein Überblick
3
Transparenz in der Lieferkette
Viele Transport- und Logistikunternehmen folgen dem 2-Stufen-Modell, um einen effizienteren Lieferkettenprozess zu erhalten.
Um mit diesem Modell erfolgreich zu sein, ist es hilfreich, die richtigen Tools zu kennen. Nachfolgend finden Sie einige Beispiele
für Analyselösungen zur Verbesserung der Transparenz Ihrer Lieferkette.
• Performance-Analyse • Fahrer-Analyse
Bewerten Sie die für Ihr Unternehmen wichtigen Kennzahlen Die Fahrer-Analyse konzentriert sich auf verschiedene
(KPIs): Hierzu gehören beispielsweise die Auslastung von KPIs aus der Perspektive des Fahrers, wie z. B. pünktliche
Lkw und Ressourcen, Kosten, Kilometer pro Lieferung, Lkw- Lieferung, geplante vs. gefahrene Kilometer, geplante vs.
Tonnage pro Tag und pünktliche Lieferungen. Analysieren tatsächliche Stunden, Tonnage pro Stunde, Überstunden und
Sie die Leistung im Zeitverlauf, vergleichen Sie bestimmte verfolgt das Ziel, Verbesserungsbereiche zu identifizieren.
Tage, Zeiträume, Abteilungen und Kunden. Die interaktive Sie ermöglicht die Fahreranalyse im Zeitverlauf und den
Analyse zeigt einen schnellen Überblick über Ihre aktuelle Vergleich bestimmter Zeiträume, Fahrer und Abteilungen.
und vergangene Performance. Sie können detaillierte Im nächsten Schritt können jedem Fahrer über eine Driver-
Informationen zu Aktivitäten und Aktionen abrufen, App Auswertungen über geplante verglichen mit tatsächlich
dies unterstützt eine exakte Analyse und identifiziert gefahrenen Kilometern, Sicherheitsmaßnahmen und
Verbesserungspotenzial. geplante vs. tatsächliche Reihenfolge der Lieferungen zur
Verfügung gestellt werden, um ihn auf der Grundlage von
• Analyse der Datenqualität Zielen und Vorgaben zu motivieren. Das Driver Incentive
Eine schlechte Datenqualität ist häufig der Grund, der Program ist eine Kombination aus der Analyse und dem
Unternehmen daran hindert, mit der Datenanalyse zu Vergleich von Fahrerdaten mit der Driver Scorecard und
beginnen. Hierzu gehören z. B. falsche Informationen der Bereitstellung von Statistiken pro Fahrer mit Hilfe einer
über Startzeit, Endzeit oder geliefertes Volumen. Data Driver-App.
Analytics ist eine gezielte Möglichkeit, dies zu beheben
und die Datenqualität zu verbessern. Visualisierungen • Kunden-Scorecard
können dabei helfen, die vorhandene Datenqualität Die Kundenanalyse konzentriert sich auf verschiedene KPIs
aufzuzeigen und Verbesserungsbereiche zu ermitteln. Die aus der Kundenperspektive, wie z. B. pünktliche Lieferung,
Datenvorverarbeitung unterstützt die Bereinigung Ihrer Daten Gewicht pro Lieferung (Drop Size), geplante vs. gefahrene
und ermöglicht es Ihnen, Erkenntnisse aus den verfügbaren Mengen, wöchentliche Frequenz und Stoppzeit, und dient
Informationen zu gewinnen. dazu, Optimierungsbereiche zu identifizieren. High-Level-
Kennzahlen können ausgewertet werden, und es besteht die
Möglichkeit, detaillierte Aktivitäten und Aktionen abzurufen,
um die Entscheidungsfindung zu unterstützen.
Transparenz in der Lieferkette
– Performance-Analyse
Dieses interaktive Dashboard
zeigt eine Übersicht Ihrer
aktuellen und vergangenen
Leistung auf Basis verschiedener
und für Ihr Unternehmen
wichtiger KPIs.
4
Analyse-gestützte Optimierung
Nachfolgend einige Beispiele für Analyse-gestützte Optimierungsmöglichkeiten:
- Cost to Serve-Kundenprofitabilitätsanalyse • Asset-Analyse
Die Cost to Serve-Analyse ermittelt die Kosten und Die Asset- Analyse unterstützt die Flottentransparenz
die Rentabilität für die Belieferung Ihrer Kunden. und nutzt historische Fahrzeugdaten zur Prognose für die
Mithilfe eines maschinellen Lernmodells und eines zukünftige Fuhrparknutzung. Diese Transparenz ermöglicht
Zuordnungsalgorithmus werden die Transportkosten auf die ein besseres Verständnis der aktuellen Flottennutzung
einzelnen Kunden umgelegt. Die Technologie berücksichtigt im Zeitverlauf, der gefahrenen Kilometer und der
alle kostenrelevanten Faktoren, wie z. B. ausgeliefertes Fuhrparkeigenschaften. Die Forecasting-Funktionalität
Volumen, Entfernung vom Abholort, die Distanz zu weiteren ermittelt Prognosen über die Flottennutzung. Hierbei
Kunden innerhalb der Tour, Auslastung und Zeitfenster. Die unterstützt ein Algorithmus die Priorisierung der Nutzung
Ergebnisse ermöglichen es Ihnen, Kosten und Rentabilität nach Fahrzeugtyp und -modell. Auf diese Weise werden
auf einer detaillierten Kundenebene darzustellen und zu Prioritäten und -warnungen nachverfolgt, visulisiert und
analysieren. Die Sensitivitätsanalyse zeigt die Auswirkungen zukünftige Entscheidungen, z. B. im Hinblick auf eine
von Entscheidungen und erreicht ein genaues Erkennen der Erweiterung der Fahrzeugkapapazitäten/des Fuhrparks,
Auswirkungen von Lieferhäufigkeit, Drop Size, Entfernung, unterstützt.
Dauer und Kapazität auf Kosten und Rentabilität.
• Analyse der Stopp-Zeiten
• Soll- vs. Ist-Analyse Der Fokus bezieht sich auf die Ermittlung von
Der Fokus der Soll/Ist-Analyse liegt auf dem Verständnis Abweichungen zwischen geplanten Stopp-Zeiten (Entlade-
möglicher Abweichungen zwischen Planung und bzw. Beladedauer) und den tatsächlichen Werten. Ein
Realisierung von Zeitplan, Dauer, gelieferten Mengen und maschinelles Lernmodell unterstützt auch hier, wie bei der
Entfernung. Ein maschinelles Lernmodell unterstützt Soll-/Ist-Analyse, um die Auswirkungen spezieller Stopp-
dabei, die Auswirkungen spezifischer Kunden- und Eigenschaften zu identifizieren.
Toureigenschaften zu identifizieren.
Kostenvergleich für Kunden
Die Abbildung zeigt einen Vergleich einzelner Kunden, der dabei hilft,
herauszufinden, warum einige Kunden weniger Kosten verursachen.
Zudem liefert er Hinweise zur Verbesserung der Rentabilität.
5
Beispiele für Cost to Serve-Kundenprofitabilitätsanalyse
Nachfolgend einige Beispiele für die Ergebnisse der Cost to Serve-Analyse:
Sie bieten Unterstützung: 1) zum Verständnis der Faktoren, die einen direkten Einfluss auf die Kundenkosten haben,
2) bei der Durchführung von Sensitivitätsanalysen, um die Auswirkung auf die Kosten zwischen Entfernung und Volumen zu
verstehen, und 3) bei der Kalkulation der Preise für neue Kunden und der Entscheidungsfindung bei Kundenvereinbarungen.
Auswirkungen auf
die Kosten
Entscheidungsmatrix
Entfernung vs. Volumen
Preisgestaltung
für Neukunden
6
So erreichen Sie datengestützte Entscheidungen!
Es gibt verschiedene Möglichkeiten, eine datengestützte Entscheidungsfindung zu nutzen und den Entscheidern Analyselösungen
zur Verfügung zu stellen. Hier erhalten Sie Informationen über Tipps und Tools, die sich in vielen Unternehmen bewährt haben:
Tipps Tools
a. Verwenden Sie eigene Analyse-Tools und -umgebung. - Apps: Diese Technologie bietet verschiedene
Arbeiten Sie mit Analytik-Experten zusammen, um Analyselösungen. Mit der Big Data Portal-Lizenz können
Datenanalyse-Lösungen in Ihrer bestehenden Umgebung zu mehrere Analyselösungen erstellt und in einzelnen Apps
ermöglichen. Die Experten können Ihnen helfen, Ihre bereits aufgerufen werden.
vorhandene Dateninfrastruktur und Visualisierungstools zu - Ressourcen: Gibt die Datenquellen im Big Data Portal an,
nutzen. Sie unterstützen auch dabei, Ihre Analyseumgebung die in einer Microsoft Azure-Umgebung gespeichert sind.
zu erweitern, indem sie diese durch neue Analysemodelle Verbinden Sie Ihre Daten mit dem Big Data Portal und
und -logik ergänzen. nutzen Sie Analysemodelle, um Ihre Daten in wertvolle
b. Nutzen Sie das ORTEC Big Data Portal, ein Cloud-basiertes Informationen zu transformieren.
Portal, das den Zugriff auf Analytics-Lösungen bietet (siehe - Workflows: Ermöglicht Ihnen die Ausführung
Abbildung unten und Screenshots auf den Seiten 4, 5 und und Planung von Analyseskripten. Die Workflows
6). Sie können Daten integrieren und verarbeiten und diese bestehen aus Logik, Analytik und Mathematik, um
mithilfe von Analysemodellen in wichtige Informationen Datenvorverarbeitungsaktivitäten durchzuführen und
umsetzen. Durch die visualisierten Ergebnisse treffen Sie erweiterte Analysemodelle auszuführen.
Entscheidungen auf Basis Ihrer Daten. Das Portal wird auf - Reports: Präsentiert interaktive Dashboards, die Output-
Microsoft Azure gehostet, es ist skalierbar, zuverlässig und Daten enthalten. Dieser Bereich wird vom Nutzer verwendet,
für Unternehmen unterschiedlicher Branchen einsetzbar. Das um die Ergebnisse der Analyse auszuwerten.
Big Data Portal umfasst verschiedene Apps, Ressourcen,
Workflows und Reports.
Mit dem Big Data Portal können Sie unter
Berücksichtigung Ihrer Präferenzen auf bestehende
Big Data
Portal Schnittstellen, Analysemodelle und Visualisierungen
Data: Interface with
Big Data Portal
zurückgreifen oder neue Analyselösungen erstellen.
Customer, Route, ORD
Data preprocessing
Resource, Asset, ORD
tables ORD
Analytics
tables
ORD tables
Financial,.. Raw data
tables
data
tables
tables
Resources
Data input for workflow Send calculation
calculations results to database
Machine Learning
Cost impact Outlier
characteristics Allocation detection …
Workflows
algorithm
Link data to
visualizations/analysis
End user Right focus
Visualizations -
Analysis
Reports Being in Control
Increased Profitability
ORTEC Big Data Portal (Schematische Übersicht der Analyse-App) – Ermöglicht eine datengestützte Entscheidungsfindung, um Ihre
Daten zu verbinden, Analyse-Workflows durchzuführen und Ergebnisse in gut verständlichen Visualisierungen darzustellen.
7
Das Datenpuzzle lösen
Wir verfügen über große Mengen an Daten
und können einen hohen Mehrwert daraus Warum ORTEC?
ziehen, wenn wir diese Daten effektiv nutzen.
Die Beispiele in diesem E-Book zeigen Ihnen, Das Geheimnis des Erfolgs besteht nach unserer Erfahrung
wie Sie Datenanalysen nutzen können, um die aus den drei Komponenten IT-Optimierungsverfahren &
Effizienz der Lieferkette zu steigern. Unabhängig transparentes Implementierungsprojekt & nachhaltige
davon, wie fortschrittlich Ihr Unternehmen Optimierung, d. h. kontinuierliche Verbesserung durch
ist, ein schrittweiser Prozess kann Sie auf die datengestützte Entscheidungen. Seit fast 40 Jahren ist ORTEC
nächste Stufe führen. Nutzen Sie Ihre Daten und weltweit führend im Bereich der fortschrittlichen Planung und
beginnen, Werte zu schaffen! Ausführung von Touren- und Laderaumoptimierung. Mehr als
1.200 führende Unternehmen verlassen sich bei Tourenplanung
und -disposition, Laderaumoptimierung, Personaleinsatzplanung,
Lieferprognosen, Logistiknetzwerkplanung und Lagersteuerung
auf ORTEC. Wir bieten sowohl Stand-alone als auch
maßgeschneiderte und SAP®-zertifizierte und eingebettete
Lösungen.
ortec.com/de-de/ | Stay connected! |
Sie können auch lesen
