Ellátási lánc optimalizálása integrált IoT-adatokkal

Újra kiadta Platón

Követő: 0

Ellátási lánc optimalizálása integrált IoT-adatokkal

Valószínűleg már használja az IoT-t a szállítási flotta láthatóságának javítására és az ellátási lánc fokozott optimalizálására. 2023-ig majdnem 70 a logisztikai szolgáltatók százaléka volt. Ha igen, akkor folyamatos adatfolyamot kap, amely megmutatja, hol vannak az eszközei.

Talán van valamilyen állapotfigyelése is, például a hűtött rakomány hőmérsékleti leolvasása. Talán még geokerítést is felállított az elosztóközpontok vagy raktárak körül. Más szóval: megvannak az adatok. De mit kezdesz vele?

Az igazság az, hogy egyetlen adatforrás nem árul el sokat a terepen végzett tevékenységedről. Ahhoz, hogy valódi, gyakorlatias betekintést nyerjen, integrált adatokra van szüksége, és időben szüksége van a cselekvéshez.

A mai logisztikai IoT platformok közül sok nem teljesíti ezt a két alapvető képességet. A logisztikai szereplőknek automatikus adatintegrációra és valós idejű AI-feldolgozásra van szükségük. Íme, miért.

1. kihívás: A legtöbb logisztikai alkalmazás nem integrálja jól az adatokat

A jelenlegi rendszerben minden adatforrás esélye –érzékelő, GPS címke, harmadik féltől származó jelentések stb. – külön adatbázisba töltik be.

A térinformatikai helyadatok az IoT- vagy GPS-eszközöktől származnak.
A szállítási információk a szállító termékadatbázisában lehetnek.
A környezeti állapotokat a közlekedési eseményektől az időjárásig az önkormányzati szervek által vezetett intézményi adatbázisok frissítik.
Minden szoftver, mint szolgáltatás (SaaS), amellyel integrálja, megtartja adatbázisát.

Ha külön tárolják, hogyan segíthetnek ezek az eltérő információk a küldemény átirányításában, hogy elkerülje a késedelmi díjakat az óra ketyegésével? Vagy válasszon új hajózási útvonalat, ha friss jelentések érkeztek a kalózkodásról az egyik területen, és egy viharról a másikon? Vagy egyszerűen csak mondd el, hogy te vagy-e eszközhasználat a pazarlás irányába mutat?

A mindent megváltoztató döntés meghozatalához több adatfolyamra van szükség egyetlen adatmodellbe kombinálva. 360 fokos nézetre van szüksége a valós körülményekről. Ezt biztosítja az adatintegráció, és ezért ez a hiányzó összetevő túl sok logisztikai platformon.

De várj, mondhatnád. Mindig csatlakozunk az adatbázisokhoz. Valójában az adatbázis-csatlakozások integrálhatják az IoT-t, az állapot- és helyadatokat. De mire az adatok integrációja befejeződik, már túl késő lehet a katasztrófa elhárításához. Ez az időzítés kérdése elvezet bennünket a mai logisztikai IoT-platformok második hibájához.

2. kihívás: A kötegelt frissítések nem oldják meg a problémákat

A logisztikai szereplőknek gyakran olyan működési elemzésekre van szükségük, amelyek valós időben, vagy a lehető legközelebb állnak a valós időhöz. Természetesen ez a fajta adatelemzés lehetetlen. Az agyunk elviselheti 100 milliszekundum vagy több a vizuális bemenet feldolgozásához. Ha nem is látjuk valós időben, hogyan várhatjuk el, hogy rendszerezett, integrált IoT-adatokat kapjunk kis késés nélkül?

A reális cél a funkcionális valós idejű. Általában azért logisztikai és ellátási lánc felhasználási esetekben a funkcionális valós idejű adatok néhány ezredmásodperc vagy akár három perc alatt eljutnak Önhöz. Valós idejű célnak tekintse három vagy kevesebb percet IoT elemzés. Ez bőven elegendő idő a cselekvésre a legtöbb logisztikai forgatókönyv esetében.

Tekintettel az IoT-akkumulátor élettartamának valóságára, a kötegelt frissítések nem tudják megközelíteni a működőképes valós időt. Ez nem jelenti azt, hogy nincs helye a kötegelt adatoknak az IoT-folyamatban; ideális esetben a kötegelt és a streaming adatokra is támaszkodhat, a használati esettől függően.

Sajnos a mai IoT-adatkészletek közül sok nem tud könnyen váltani kötegelt adatfolyamról. Ehelyett keressen olyan adatfolyam-motort, amely gépi tanulással dolgozza fel az adatokat – és támogatja a kötegelt és az adatfolyamos frissítéseket egyaránt.

Egy ilyen megoldás egyszerre oldja meg az adatintegráció és az időzítés kihívásait. Hatékony – azaz gyakorlatias – betekintést nyújt a logisztikai és ellátási lánc szereplői számára. Még az is lehet, hogy megváltoztatja az ellátási lánc optimalizálásával kapcsolatos elképzeléseit.

Az adatintegráció javítása a meglévő logisztikai IoT-ben

A logisztikai iparágban jelenleg alkalmazott IoT-eszközök többsége kezd elöregedni. Valószínűleg energiahatékonyságra és megfizethetőségre épülnek, nem pedig bonyolult adattermelésre. Az általuk küldött adatok valószínűleg nem lesznek jól szervezettek vagy jól strukturáltak, és nem vezetnek az ellátási lánc optimalizálásához.

Ezek az adatfeldolgozási hiányosságok inkonzisztens adatokhoz vezethetnek. (Az adatok konzisztenciája azt jelenti, hogy az érték helyes és érvényes marad minden példányban. Ha például két szerveren jelenik meg, akkor mindkettőn ugyanaz lesz.) A rosszul feldolgozott IoT-adatok is megjelenhetnek nem működik, ami hibákhoz vezet.

A régebbi IoT-eszközök cseréje azonban elképzelhetetlenül drága lenne. Szerencsére lehetséges egy üzleti intelligencia (BI) platform felépítése erős adatintegrációval és valós idejű jelentéskészítéssel a meglévő IoT-flottájával. Csak egy jobb vezeték kell.

Keressen egy esemény-feldolgozó motort, amely három képességet egyesít:

Funkcionális valós idejű adatfolyam.
Egyszerű adatintegráció és dinamikus frissítés.
Kontextusmegértés valós idejű gépi tanulással.

Egy ilyen eszközzel adatfolyamokat építhet fel meglévő BI-rendszerein belül. Vagy használhatja minden az egyben logisztikai alkalmazásként, a felhasználói felülettel kiegészítve. Akárhogy is, Ön a motor adatfeldolgozási képességeire hagyatkozik, így nem kell kicserélnie az eszközöket.

Ehelyett cserélje le az egész analitikai paradigmáját. A jelenlegi ellátási lánc technológia általában mérések köré szerveződik: A pótkocsi itt van. A hőmérséklet X. Az üzemanyag-fogyasztás Y. Lekérdezzük az egyes értékeket egymás után.

Van egy hasznosabb módja az adatokkal való interakciónak: ne diszkrét mérésként, hanem kombinált folyamatként közelítse meg őket. Ez a folyamatnézet sokkal gyorsabban vezet a gyakorlati betekintéshez.

Példa az ellátási láncra

Tegyük fel, hogy egy hűtött teherautót követ, amely egy millió dolláros oltóanyag-szállítmányt szállít. Ha a hőmérséklet túlságosan, túl sokáig emelkedik, az egész szállítmány elveszik. Most mondjuk, hogy a hőmérséklet-érzékelők rendellenességet észlelnek: A hűtőegység meghibásodott. Talán két órája van, hogy megmentse a terhelést (és esetleg a vállalkozását).

A valós idejű, streaming adatplatform segítségével a térinformatikai adatok megmondják, hogy van-e a közelben egy hűtőkocsi, amely segíthet. Az állapotfigyelés megmutatja, hogy a hűtőszekrény tápellátása okoz-e problémát, míg a környezeti adatok valószínűsítik a javítási időt.

Ezekkel az integrált adatokkal eldöntheti, hogy mi a legjobb módja a küldemény mentésének. És ezt időben megteheti, hogy végrehajtsa a tervet. Ez az adatintegráció ereje a valós idejű intelligencia platformon belül.

Logisztika és ellátási lánc optimalizálása

Az IoT valóban átalakítja a logisztikát és az ellátási lánc optimalizálását. De nem egészen igaz, hogy az adatok a kulcsok. Az ellátási lánc valódi optimalizálásához az adatok önmagukban nem elegendőek. Funkcionális, valós időben feldolgozott adatintegrációra van szüksége.