SUPPLY-CHAIN BLOGGEN
Distributionscentraler flyttas mot urbana områden
När du ska välja var dina DC-butiker ska ligga är det viktigt att ta hänsyn till trenderna inom e-handeln och behovet av att leverera till kunder i storstadsområdena.
När du ska välja var dina DC-butiker ska ligga är det viktigt att ta hänsyn till trenderna inom e-handeln och behovet av att leverera till kunder i storstadsområdena.
Byggtakten för Fulfillment Center fortsätter, men nu ligger fokus på större stadsmarknader, inte på lågkostnadsområden och mindre utvecklade områden
SCDigest diskuterade observationer av Amazons nätverksstrategi och hur den utvecklas. De visar ett diagram från MWPVL som visar attdet befintliga nätverket (blå punkter) till stor del har funnits i mer lantliga områden, eller åtminstone inte mycket urbana - regioner där mark- och arbetskraftskostnaderna var lägre. Men nu är anläggningarna under uppbyggnad i allmänhet i stadsområden - New York City-området, Chicago, Philadelphia etc., vilket framgår av de större röda punkterna.
Amazon letar nu efter en snabb nivå av orderomvandlingstid (dvs. samma dag) för alla större städer i USA. Detta är ett annorlunda tillvägagångssätt jämfört med tidigare, då man fokuserade mer på kostnad.
Källa: http://www.scdigest.com/assets/newsviews/14-06-04-1.php?cid=8152
Amazons lagerutbyggnad fortsätter i oförminskad takt som ett sätt att uppnå ohotad dominans
Amazon arbetar med att erbjuda allt snabbare leveranser av onlinebeställningar - inklusive leveranser samma dag - till kundernas hem. Detta innebär att de behöver fler distributionscentraler i storstadsområden.
Konsumenterna förväntar sig nu att leveransen ska ske inom två till tre dagar. Detta är bara den lägsta förväntningen. Trenden går mot att leverera från ett specifikt lager och välja ett lager som ligger närmare kunderna, med snabbare leverans och billigare transportkostnader.
Analys av försörjningskedjan och data från sociala medier
Supply Chain Analytics bör inkludera Social Analytics eftersom sociala data kan hjälpa supply chain managers att göra viktiga justeringar, upprätthålla rätt lagernivåer, övervaka orderhanteringen och minska antalet returer. Detta hjälper företaget att hålla kostnaderna på ett minimum och öka kundvärdet.
Supply Chain Analytics bör inkludera Social Analytics eftersom sociala data kan hjälpa supply chain managers att göra viktiga justeringar, upprätthålla rätt lagernivåer, övervaka orderhanteringen och minska antalet returer. Detta hjälper företaget att hålla kostnaderna på ett minimum och öka kundvärdet.
Vad betyder sociala medier för din leveranskedja?
Luciano Cunha på Warehouse Management Systems Guide diskuterar hur företag kan börja tänka på användningen av sociala medier i leveranskedjan. Han konstaterar särskilt att "den absoluta realtid som är inbyggd i sociala medier kan fungera som en välsignelse och en förbannelse för yrkesverksamma som övervakar en leveranskedja. På ett sätt kan tillgång till realtidsdata hjälpa leveranskedjorna att köra ultra lean - eftersom korrekt analys kan leda till att man producerar precis tillräckligt med produkter för att möta konsumenternas efterfrågan."
Källa: http://www.warehousemanagementsystemsguide.com/blog/social-media-supply-chain-042711/
Hantera din analys av leveranskedjan som ett basebollag
Jeff Kavanaugh skrev i Industry Week att "Social analys har förmågan att hjälpa supply chain
Sociala medier och analys av försörjningskedjan
chefer göra kritiska justeringar, upprätthålla korrekta lagernivåer, övervaka orderhantering och minska returer, vilket i sin tur bidrar till att kontrollera kostnader och förbättra kundnöjdheten."
Källa:http://www.industryweek.com/customer-relationships/manage-your-supply-chain-analytics-baseball-team
Användning av avancerad analys för data om leveranskedjor och handel
Hur tar ett företag hänsyn till data från sociala medier som finns tillgängliga där ute? Marc Dragon diskuterade i en intervju med Dustin Mattison hur avancerad analys kan tillämpas på data från supply chain och handel. Han tror på att titta på tre olika typer av datakällor: den ägda datakällan - den strukturerade datan inom företag, de betalda datakällorna och data från sociala medier.
Slutsats
Supply chain-analytiker kan använda data från sociala medier i sina analyser, men de måste utnyttja möjligheterna att använda data från sociala medier för att förbättra prognoser och möta efterfrågan. I slutändan handlar social analys om att använda sociala medier för att öka förutsägbarheten för viktiga operativa mätvärden.
Intervju: Varför är Supply Chain Analytics verkligen viktigt?
Hakan Andersson diskuterar varför Supply Chain Analytics verkligen är viktigt.
I följande video diskuterar Hakan Andersson varför Supply Chain Analytics verkligen är viktigt.
De viktigaste slutsatserna:
Utmaningarna med att förstå sig på stora datamängder
Fyra svårigheter med dataanalys av försörjningskedjan
Typer av dataanalys av försörjningskedjan som behöver göras
Varför är det svårt att förstå sig på stora datamängder?
Först vill jag säga att det är fantastiskt att ha big data. Nu har vi data, data på djup nivå, vi har datorkraften att bearbeta data. Det innebär att vi faktiskt kan fastställa vad som är verklighet, i nära anslutning till när saker och ting inträffar. Vi behöver inte förlita oss på etablerade sanningar som ofta visar sig inte vara sanningar, utan snarare myter.
Risken här är att med alla dessa vackra data tillgängliga, är det mycket lätt att ryckas med. Det finns också en risk att uppgifterna är tillgängliga för många människor. Alla som har tillgång till dem kan dra sina egna slutsatser. Det är därför som uppgifterna måste kureras, de måste hanteras av någon som har expertis och kunskap om verksamheten. Annars kan de slutsatser som alla som har tillgång till uppgifterna drar mycket väl vara felaktiga, och då jämför man äpplen med ananas.
Vi vet från Establish-Davis Database, där vi har följt upp logistikkostnader och tjänster i nästan fyrtio år, att man verkligen måste veta vad som är jämförbart och vad som inte är det.
Det är inte rättvist att jämföra logistikkostnaden för en artikel med högt värde och låg vikt, som läkemedel, med en bransch som stålindustrin, där artiklarna har lågt värde och hög vikt. Det är en stor skillnad, och det kan ge dig problem om du arbetar med leveranskedjan i företaget, för då kommer du att vara i försvarsställning hela tiden och försöka förklara varför saker är rätt eller fel, och du måste ha kontroll över vad som är viktigt och vad som är rätt.
Svårigheter med analys av data från leveranskedjan
En svårighet med att sortera igenom uppgifterna är för det första att uppgifterna aldrig - jag skulle säga nästan aldrig - är rena. Bara det faktum att du har en massa data och att de ser ut att vara mycket korrekta och giltiga betyder inte att de är det, så du måste känna till och identifiera svagheterna i data, var masterfilerna har uppdaterats och var de inte har det och var du bara har en platshållare och var det är riktiga grejer.
En annan svårighet med rena data är att även om data är korrekta kan de innehålla extremvärden och outliers som snedvrider resultaten av den analys du gör. Därför är det ett första steg att rensa data, identifiera extremerna och känna till de svagheter där du kan använda data och där de inte är giltiga.
Du måste bestämma dig för vad som är viktigt. Här är det lätt att gå vilse i en massa analyser, och du måste veta vad som verkligen är meningsfullt och var du får ut något av analysen.
Du måste göra uppgifterna jämförbara. Till exempel måste man göra dem jämförbara över tiden så att man vet när verksamheten har förändrats, och man måste göra justeringar av trenderna. Trendanalys är det bästa sättet att övervaka och identifiera var dina åtgärder för att förbättra effektiviteten, till exempel, lönar sig och var du behöver ta en närmare titt.
Med big data vill du också göra benchmarking mellan dina enheter och benchmarking externt. Sedan måste man göra uppgifterna jämförbara mellan enheterna.
Ett uppenbart och kanske litet exempel är när det gäller anläggningar. Det kostar att förvara inventarierna i lager där du kanske äger en del av anläggningarna själv och du kanske hyr en del av anläggningarna. Den faktiska kostnaden som du bör använda kan vara densamma, men den ägda anläggningen kan komma ut mycket gynnsamt i dessa jämförelser. Här kan det vara bra att skapa en fiktiv hyra för att jämna ut spelplanen.
Vilka typer av dataanalyser för försörjningskedjan behöver göras och varför?
Detta beror naturligtvis på behoven. I vilket skede befinner ni er? Ska du vända ett företag? Håller du bara ett öga på ett välfungerande företag? Har ni haft några fusioner och så vidare?
Det första området du vill titta på är kostnads- och effektivitetsområdet. Vi brukar börja med att titta på logistikkostnaderna och strukturen per artikel, per kund och per leverantör, och vi tittar på orderstrukturen. Det vi försöker titta på är vad som driver kostnaderna. Genom att tillämpa vissa tumregler eller detaljerad kunskap som vi har från andra analyser kan vi identifiera vilka artiklar som är lönsamma, vilka kunder vi ska fokusera på, vilka leverantörer vi har avtal med som gör att den landade kostnaden blir högre än vi trodde att den skulle vara.
Om vi vet det kan vi sedan lägga upp strategier för hur vi hanterar kunderna. Det kan vara så, vilket ofta är fallet, att vi har en orderstruktur där vi har många små order. Hanteringskostnaden kan vara straffande för varje order, så de små orderna gör hela verksamheten olönsam. Om vi vet det kan vi hitta olika sätt att automatisera orderhanteringen, ha fria fraktgränser eller ha en hanteringsavgift.
Det finns många sätt att använda den här kunskapen på. Om man tittar på leverantörerna ser man ofta att de är lite ofokuserade, pekar åt alla håll och har många små leverantörer. Då kan det vara vettigt att ha någon som är lite dyrare, men där logistiken är mycket effektiv och gynnsam för dig.
När vi tittar på effektivitet fokuserar vi naturligtvis på hanteringskostnaden och anläggningskostnaden, vi tittar på plockning, mottagning, administration. I det här fallet vill vi göra trendanalyser, vi vill göra interna jämförelser mellan olika enheter och olika anläggningar, vi vill titta på om det finns något geografiskt område eller land som är mer gynnsamt och mer effektivt.
När vi har fått ordning på detta är det mycket intressant att göra en extern benchmarking. Var finns era konkurrenter? Jag nämnde tidigare Establish-Davis Database, som är kostnadsfri så att du kan få ett bra grepp om hur du ligger till i förhållande till dina konkurrenter.
Ett specifikt område är transportkostnaderna. Detta är en kostnadspost som i de flesta företag till största delen är extern, vilket innebär att det är pengar som hamnar på sista raden. Genom att analysera transporterna och behoven av transportsätt kan man upptäcka att man ofta kan använda billigare transportsätt, man kan hitta potentiella konsolideringsområden, vilket vi vet sparar mycket pengar och, återigen, påverkar slutresultatet.
Det finns trendanalyser som är möjliga nu som inte var möjliga för ett antal år sedan med, säg, med transporterna. Förr var det omöjligt att göra en detaljerad analys av hur den faktiska fraktfaktureringen såg ut jämfört med avtalen, men nu är det möjligt.
Vad vi vet är att ett företag i genomsnitt överfaktureras med 2 till 4 procent när man jämför den faktiska leveransen med avtalet och att ständigt övervaka detta och följa upp kan vara något som du lägger ut, men det finns också lättillgängligt i transporthanteringssystem för logistikkontrolltorn, eller så kan du i vissa fall göra det själv utan dessa analysverktyg.
Om du tittar på en mer strategisk nivå berörde vi analysen när det gäller leverantörer, orderstruktur, kunder, artiklar, sortimentsanalys, men ett mycket lukrativt område att titta på är analys av distributionsnätverk. Vad man gör är att titta på... lagrar jag rätt mängd av varje artikel för att nå en viss servicenivå? Lagrar jag varorna där det är mest fördelaktigt kostnadsmässigt? Lagrar jag dem där det är enklast och billigast att skicka till kunderna? Allt detta är möjligt att göra med data som är lättillgängliga.
Slutsats
Sammanfattningsvis erbjuder de analyser av leveranskedjan som är möjliga att göra nu en fantastisk möjlighet för dig som supply chain manager att sätta dig i förarsätet. Det här är ett område som är mycket kvantifierbart, och du kan sätta siffror på det. Om du har data kan du ta ansvar, du kan definiera vad som är viktigt och du kan driva och övervaka effektiviteten, och du kan också vara en bra kund till de leverantörer som hjälper dig.
Tack så mycket för att jag fick komma, och jag ser fram emot att prata med er igen.
Datadrivna verktyg för analys av försörjningskedjan räcker inte
De som arbetar med Supply Chain Analytics kan lära sig mycket av Customer Analytics. De två domänerna bygger på liknande grundläggande affärsprinciper. Det vi ser är att data och datadrivna beslutsverktyg inte är tillräckligt. De största svårigheterna med supply chain- eller kundanalys ligger i organisationernas kulturella praxis.
De som arbetar med Supply Chain Analytics kan lära sig mycket av Customer Analytics. De två domänerna bygger på liknande grundläggande affärsprinciper. Det vi ser är att data och datadrivna beslutsverktyg inte är tillräckligt. De största svårigheterna med supply chain- eller kundanalys ligger i organisationernas kulturella praxis.
Följande artikel skrevs av Maz Iqbal som gav sitt värdefulla perspektiv från en Customer Analytics-synvinkel.
På LinkedIn delar Don Peppers med sig av sitt perspektiv på hur man fattar bättre beslut med hjälp av data. Detta fick mig att fundera och jag vill dela med mig av vad som dök upp för mig. Varför lyssna på min föreläsning? Jag har en vetenskaplig bakgrund (BSc Applied Physics). Jag kvalificerade mig som auktoriserad revisor och var involverad i att ta fram alla typer av rapporter för chefer och såg vad de gjorde eller inte gjorde med dem. På senare tid har jag varit chef för en verksamhet inom data mining och prediktiv analys. Låt oss börja.
Data och datadrivna verktyg för beslutsfattande är inte tillräckligt
Ja, det finns ett överflöd av data, och detta överflöd minskar allt snabbare. Tillräckligt stor och snabb för att få det fyndiga namnet Big Data. Det man glömmer bort är den ansträngning som krävs för att få dessa data att passa för modellering. Detta är ingen lätt och billig uppgift. Men det går att göra om man lägger tillräckligt med resurser på det.
Ja, det finns en mängd olika verktyg för att hitta mönster i dessa data. Och i händerna på rätt personer (statistiskt utbildade, affärsmässiga) kan dessa verktyg användas för att omvandla data till värdefulla (handlingsbara) insikter.
Det är inte så lätt som det låter. Varför inte? För att det råder brist på statistiskt utbildade personer: amatörer duger inte, experter är nödvändiga för att skilja mellan guld och guldkorn - med tillräckligt mycket data kan du hitta nästan vilket mönster som helst. Det räcker inte med statistiskt kunnande, det måste kombineras med affärsmässigt kunnande. Låt oss ändå anta att vi kan övervinna denna begränsning.
Den verkliga utmaningen när det gäller att skapa datadrivet beslutsfattande i företag är de kulturella rutinerna. Vi har inte de kulturella rutiner som skapar utrymme för datadrivet beslutsfattande att dyka upp och blomstra. En tänkare som är mycket smartare och klokare än jag har redan delat med sig av sin visdom, jag inbjuder dig att lyssna:
"På det hela taget är vetenskapliga metoder minst lika viktiga som all annan forskning: för det är på insikten i metoden som den vetenskapliga andan beror: och om dessa metoder går förlorade, då kan inte alla vetenskapens resultat förhindra en förnyad triumf för vidskepelse och nonsens. Kloka människor kan lära sig så mycket de vill av vetenskapens resultat - ändå kommer man alltid att märka i deras samtal, och särskilt i deras hypoteser, att de saknar den vetenskapliga andan; de har inte den distinkta misstro mot tankeavvikelser som genom lång träning är djupt rotad i själen hos varje vetenskaplig person. De nöjer sig med att hitta en hypotes överhuvudtaget om en viss fråga; sedan är de helt eld och lågor och tycker att det räcker. ........ Om något är oförklarligt blir de eld och lågor över den första idé som dyker upp i deras huvuden och som ser ut som en förklaring...."
- Nietzsche (Mänsklig, alltför mänsklig)
Det har slagit mig att den vetenskapliga metoden aldrig har fått fäste i organisationslivet. Lägg den rationalistiska ideologin åt sidan och ta en ordentlig titt på vad som händer i näringslivet, inklusive hur beslut fattas. Jag tror att du kommer att finna att Nietzsches genomträngande insikt om människans villkor är lika sann idag som när han uttalade den. Beslutsfattandet i alla organisationer som jag någonsin har kommit i kontakt med är inte vetenskapligt: det följer inte den vetenskapliga metoden.
Tvärtom fattar chefer beslut som ligger i linje med deras intuition, deras fördomar och deras egenintresse. Det är så sällsynt att stöta på en chef (och organisation) som fattar beslut med hjälp av den vetenskapliga metoden att jag stannar upp när det händer. Det är samma typ av oväntat som att se en kvinnlig streaker springa över fotbollsplanen i en ligamatch.
Vilka är utmaningarna med att införa datadrivet beslutsfattande i organisationer?
Teknologer har en gåva. Vilken gåva? Gåvan att inte tillräckligt djupt förstå hur människor är beskaffade. I brist på denna förståelse kan de och gör det (självsäkert) stå upp och predika teknikens dygder och fördelar. Om livet vore så enkelt.
Sanningen framstår som attraktiv för dem av oss som inte behöver ta konsekvenserna av sanningen. Datadrivet beslutsfattande låter bra för dem av oss som säljer (tjänar pengar och hoppas på att bli rika) datadrivna verktyg och tjänster.
Utmaningen med att införa datadrivet beslutsfattande är att det rubbar status quo. När man stör status quo går man emot de mäktiga som drar nytta av status quo. Kom ihåg Sokrates:
"Själva arten av vad Sokrates gjorde gjorde honom till ett störande och omstörtande inflytande. Han lärde människor att ifrågasätta allt, och han avslöjade okunnigheten hos individer med makt och auktoritet. Han blev mycket älskad men också mycket hatad .... Till slut arresterade myndigheterna honom för .... och för att han inte trodde på stadens gudar. Han ställdes inför rätta och dömdes till döden..."
- Bryan Magee, professor
Akta dig för att lyckas införa en kultur med datadrivet beslutsfattande!
Med tillräckligt engagemang och investeringar kan du införa en datadriven beslutsfattande kultur. Precis som människorna på Tesco gjorde. Och genom att fatta beslut med hjälp av data om dina kunder, dina butiker och dina produkter kan du överträffa alla dina konkurrenter, växa som en galning och göra stora vinster. Igen, igen och igen. Sedan kommer räkenskapens dag - när du ställs ansikte mot ansikte med bristerna i att fatta beslut enbart på grundval av data.
Det går inte så bra för Tesco. Det har inte gått så bra på flera år - bland annat utfärdade man sin första vinstvarning någonsin 2012. Vad är den senaste situationen? Tesco har rapporterat en vinstminskning på 23,5 % under det första halvåret i år. Vad har Tesco gjort för att hantera situationen? Så här står det i artikeln:
Förra året meddelade Tesco att man skulle spendera 1 miljard pund på att förbättra sina butiker i Storbritannien, investera i butiksuppgraderingar, produktsortiment, mer personal samt sitt online-erbjudande.
Det finns ett antal brister i datadrivet beslutsfattande. För det första förutsätter datadrivet beslutsfattande att framtiden kommer att vara en fortsättning på det förflutna. Det är ungefär som att säga att alla svanar som vi har stött på är vita, så vi bör planera för vita svanar. Och så en dag upptäcker man att den svarta svanen dyker upp! Lågkonjunkturen och den förändring i konsumentbeteendet som låg bakom lågkonjunkturen var den svarta svanen för Tesco.
Dessutom vågar jag gissa att Tesco-folket i sin dyrkan av datadrivet beslutsfattande glömde bort de dimensioner som är viktiga men som inte matades in i data och prediktiva modeller. Vilka dimensioner? Som kundernas upplevelse av att handla i Tescos butiker: för lite personal, missnöjd personal, butiker som ser mer och mer föråldrade ut för varje dag, kvaliteten på deras produkter...
Det verkar som om människorna på Tesco inte lyssnade på de kloka orden från en av mina idoler:
Allt som räknas kan inte räknas, och allt som kan räknas räknas inte.
- Einstein
Denna artikel om "Musings on Big Data, Customer Analytics, and Data Driven Business" skrevs av Maz Iqbal som är en expert som hjälper chefer, team och organisationer att göra det bra genom att skapa överlägset värde för kunderna och berika livet för alla intressenter. Hans webbplats är http://thecustomerblog.co.uk/