Data er det 21. århundredes olie
Digitaliseringen gør arbejdet med logistik nemmere og mere effektivt. Vare- og datastrømme flyder sammen og skaber kvalitet og gennemsigtighed på tværs af alle procestrin. Hos DACHSER bruger vi maskinlæring til at analysere data fra den daglige drift – disse informationer giver os mulighed for at skabe endnu bedre intelligente logistikløsninger, der tilfører værdi for både os og vores kunder.
"Data er det 21. århundredes olie." Det siges, at den britiske matematiker og dataforsker Clive Humby første gang drog denne analogi tilbage i 2006, mens han arbejdede på at udvikle et loyalitetskort. Dengang var det en visionær påstand. I dag er Humbys vision for længst blevet en selvfølgelighed, og selv politikere bruger sammenligningen igen og igen, når de efterlyser fremskridt. Og med god grund, for alle aspekter af vores liv er indlejret i en stadigt større strøm af data, der vokser eksponentielt. Denne datastrøm er lige så meget en del af vores virkelighed som et hurtigt kig på smartphonen, chats med venner og familie og videokonferencer som en del af den daglige forretningsgang.
Data er blevet en afgørende økonomisk faktor, og de "fem store" tech-virksomheder – Google, Apple, Facebook, Amazon og Microsoft – er det 21. århundredes oliesheiker eller medlemmer af Rockefeller-familien. De har for længst overhalet de store olieselskaber som de mest værdifulde virksomheder i verden.
Nogle iagttagere er bekymrede over dataenes voksende dominans. De tegner dystre billeder af virksomheder, der suger data til sig, alt imens databeskyttelse og personlige rettigheder forvitrer. Men fordelene opvejer i sidste ende forbeholdene, i takt med at livet bliver lettere og mindre kompliceret, hvad enten det drejer sig om onlineinteraktioner på tværs af nationale og kulturelle grænser eller adgangen til nyheder og vidensindhold, musik og litteratur i realtid og altid opdaterede navigationsværktøjer, der hjælper os med at undgå trafikpropper.
Dataanalyse øger effektiviteten
Takket være dataanalyse kan virksomheder bedre overvåge driftsprocesser, opdage og eliminere fejl og ineffektivitet på et tidligt tidspunkt og løbende optimere deres arbejdsgange. Inden for logistik har data og dataanalyse længe været en integreret del af arbejdet med gods og forsyningskæder. Det udgør grundlaget for pålidelige logistikprocesser, der er tilrettelagt med henblik på maksimal gennemsigtighed, det være sig ved at sammensætte læs, planlægge transportruter, kombinere forskellige transportmidler eller spore forsendelser – kort sagt styring af hele netværket.
"Vigtigheden af kunstig intelligens, maskinlæring og datavidenskab for transport, logistik og supply chain management vil fortsætte med at vokse i de kommende år."
Det har vi allerede ”lært” hos DACHSER og i vores globale netværk. I midten af 1980'erne udviklede vi programmet Domino, som er hjørnestenen i vores koncept for behandling af speditionsdata. Softwaren håndterer alle processer i forbindelse med transport af varer – ikke kun udgående og indgående i transitterminalen eller import og eksport, men også ordrestyring, transportplanlægning, fakturering og frem for alt forsendelsesoplysninger (track and trace). Ud over Domino, har vi to andre integrerede systemer, Mikado (lager) og Othello (sø- og luftfragt), som løbende udvides. B2B Gateway fungerer som den centrale kommunikationsplatform for dem alle. Endvidere kan alle vores kunder håndtere sine ordrer online ved hjælp af eLogistics. Hertil kommer værktøjet ActiveReport til hændelsesstyring i forsyningskæder, som slår alarm, hvis der opstår uoverensstemmelser i forsendelsesprocessen.
Man kan ikke klare det på egen hånd
For at udnytte fordelene ved digitaliseringen og yderligere fremme netværkets modenhed arbejder vi hos DACHSER på at integrere IT og logistik endnu dybere. "Her har vi i lige så høj grad brug for eksperter inden for spedition og logistikmedarbejdere som for statistikere, matematikere og dataloger. Man klarer det ikke på egen hånd – den eneste måde at udvikle intelligente algoritmer til logistik på er ved at slå sig sammen med andre," siger Stefan Hohm, Chief Development Officer (CDO) hos DACHSER. Han forklarer, at det er en løbende proces, som ikke kun afspejler den teknologiske udvikling, men også er med til at drive den frem.
Siden begyndelsen af juni 2021 har vi hos DACHSER samlet den ekspertise, som vi har opbygget i forbindelse med forskellige forsknings- og innovationsprojekter, i vores nye kompetencecenter for datavidenskab og maskinlæring.
"Vigtigheden af kunstig intelligens, maskinlæring og datavidenskab for transport, logistik og supply chain management vil fortsætte med at vokse i de kommende år. Derfor er det afgørende for os at styrke vores ekspertise yderligere på dette område og at udvide vores evne til at implementere og drive maskinlæringsapplikationer," fortsætter Stefan Hohm.
Baggrunden skal findes i de daglige logistikoperationer. Hos DACHSER producerer vi nemlig dagligt store mængder data, hvilket danner grundlag for udvikling og brug af de nye teknologier baseret på kunstig intelligens. "Vi vil udnytte disse data endnu bedre i fremtiden og give vores medarbejdere endnu bedre beslutningsgrundlag," tilføjer Florian Zizler, som er Team Leader for Data Science & Machine Learning. Men hvis du nævner "kunstig intelligens", medfører det ikke altid positive associationer. Folk tænker på "big data"-maskiner, der er ude af kontrol og har deres eget liv, og på robotter, der erstatter mennesker og i sidste ende gør dem helt overflødige på arbejdsmarkedet. Det hjælper, hvis man starter med at afklare nogle udtryk.
Dømt til konstant læring
Den britiske logiker, matematiker, kryptoanalytiker og datalog Alan Turing (1912-1954), en af hjernerne bag moderne informations- og computerteknologi, fremsatte et pragmatisk forslag til at definere det meget brede fagområde, som kunstig intelligens er: At en maskine er intelligent, hvis man ikke kan afgøre, om man kommunikerer med et menneske eller en computer. Og den irske dramatiker George Bernard Shaw (1856-1950) bemærkede, at ulempen ved intelligens er, at du konstant er tvunget til at lære.
Inden for kunstig intelligens er det algoritmerne, der står for læringen. Og det er netop her, maskinlæring kommer ind i billedet som en underdisciplin af kunstig intelligens. Ved at se på eksempler lærer den kunstige intelligens at genkende mønstre og regelmæssigheder i processer og sammenhænge og derved at beherske ukendte situationer.
Hos DACHSER har vi for nylig udviklet konkrete maskinlæringsapplikationer som en del af DACHSER Enterprise Lab sammen med forskere fra Fraunhofer IML-instituttet i Dortmund, Tyskland. En af disse applikationer er PAnDA One. Det står for "Predictive Analytics DACHSER", mens "One" angiver, at det er virksomhedens første maskinlæringsprojekt.
PAnDA One-modellen er specifikt udviklet til at forudsige mængden af indgående gods i en Road Logistics-afdeling. "Vores mål er at give medarbejderne i vores afdelinger værdifuld støtte til beslutninger, de skal træffe i forbindelse med sæsonbestemt kapacitetsplanlægning," forklarer Thomas Schmalz, som er Head of Production Management. Det gør det muligt at sikre en passende lastkapacitet på markedet på et tidligt tidspunkt eller at planlægge ressourcer i transitterminalen. "Det er formålet med de prognoser for mængden af indgående gods, som modellen genererer op til 25 uger i forvejen."
Men maskinlæring er ikke et mål i sig selv, understreger Thomas Schmalz: "Det, vi ønsker, er at give afdelingerne et værktøj, som i sidste ende gør deres arbejde lettere, mere effektivt og også mere attraktivt." Vores mål er ikke at erstatte mennesker med beregninger og databehandling. "Vi ser IT, teknologi, netværket og mennesker som én samlet enhed, et cyber-socio-fysisk system. Det er sådan, vi flytter vores kunder – og os selv – fremad."
Datakvalitet er altafgørende
Hvor vellykket maskinlæringen er, afhænger af kvaliteten af de data, systemet modtager. "Selve dataene er vigtigere end algoritmen," påpeger Thomas Schmalz. "Vi har en unik pulje, der modtager ensartede data i garanteret og standardiseret kvalitet." Hos DACHSER har vi en fordel på grund af vores ensartede systemlandskab i European Logistics og Air & Sea Logistics og modenheden af vores netværk. "Det er der ikke særlig mange aktører inden for logistik, der kan tilbyde."
Det er én ting at have gode data, men at fortolke og bruge dem er en anden. "Maskinlæring er en holdindsats. Det er kun muligt at opbygge vellykkede modeller, når proceseksperter arbejder hånd i hånd med eksperterne fra Data Science & Machine Learning Competence Center. Vi har brug for hinanden," påpeger Florian Zizler.
DACHSERs kompetencecenter for datavidenskab og maskinlæring forbinder logistikkens verden med IT-verdenen. "Vi skaber et rum, hvor en bred vifte af interessenter kan mødes og bidrage med deres fagekspertise. Udvekslingen er øjeblikkelig og direkte. I sidste ende handler det om at bruge data til at skabe modeller af konkrete processer," forklarer Florian Zizler. "Det er en fantastisk oplevelse for alle at håndtere meget specifikke opgaver i en tværfaglig udveksling og derudfra at udvikle praktiske løsninger til det daglige logistikarbejde."
I forbindelse med PAnDA One arbejdede DACHSERs eksperter i kompetencecentret sammen med de forskellige afdelinger om at foretage en grundig analyse af processerne og identificere kriterier for pålidelige prognoser. "Vores data går helt tilbage til 2011. Fokus er på historiske data for forsendelser," fortsætter Florian Zizler. "Vi supplerer denne datapulje med kalenderdata, f.eks. helligdage og skoleferier. Det sætter modellen i stand til at genkende de sæsonmønstre, der er så vigtige inden for landtransport. For bedre at kunne forudse tendenser har vi også integreret en lang række økonomiske indekser."
Mulighederne for at forudsige fremtidige ønsker og kundebehov støder dog stadig på en grænse, når forholdene ændrer sig på grund af væsentlige uforudsete begivenheder. "Det har selvfølgelig været en udfordring for prognoserne at håndtere såvel udsving i mængderne af gods som coronapandemien," erkender Florian Zizler. Men han og hans team af eksperter er fortsat optimistiske: "Vi skal nok få vores prognoser tilbage på deres sædvanlige høje kvalitet inden længe."
Et andet konkret brugsscenarie er B2X-mærkningsprojektet. Algoritmens opgave er at forbedre datakvaliteten og løse et klassificeringsproblem, der opstår under den daglige drift, nemlig at afgøre, om modtageren er en virksomhed (B2B) eller en privatperson (B2C). Denne sondring ikke altid indlysende alene baseret på ordredataene. Men i forhold til logistikprocesserne gør det en betydelig forskel, om modtageren er en virksomhed eller en privat husstand.
Inden for maskinlæring skelner man helt grundlæggende mellem indlæringsfasen og anvendelsesfasen. Under indlæringen bliver algoritmen præsenteret for eksempeldata, som skal lære den, hvordan input omdannes til output. Inputdata for B2X-projektet fokuserer på ordredata, f.eks. geografiske data. I den efterfølgende anvendelsesfase bruger den uddannede model de indlærte korrelationer til at generere et output (klassificering som B2B eller B2C) under faktiske driftsforhold baseret på nye oplysninger. Dette projekt spiller en afgørende rolle i kvalitetssikringen ved ikke kun at forbedre datakvaliteten, men også yderligere at optimere processerne i forbindelse med den logistiske håndtering.
Kompetencecentret evaluerer løbende nye ideer og potentielle brugsscenarier. Et af disse er inden for procesoptimering og forbedring af ergonomiske arbejdsforhold for logistikmedarbejdere i forbindelse med håndtering af gods. Her tester eksperter i maskinlæring fem forskellige steder en ny proces, der har til formål at øge proceskvaliteten, sammen med den nystartede virksomhed MotionMiners.
Der er masser af anvendelsesmuligheder for maskinlæring. Under vores udforskning af dem i de senere år har der udviklet sig et robust og dynamisk open source-økosystem. "Maskinlæring vil i stigende grad forme DACHSERs alsidige proceslandskab. Takket være tilgængeligheden af open source-applikationer behøver vi ikke længere at udvikle alting selv. Gennemtænkt anvendelse af disse algoritmer vil give os mulighed for at udnytte vores datapotentiale endnu mere effektivt," forudser Florian Zizler. Det er en af grundene til, at DACHSER er stiftende medlem af Open Logistics Foundation. Dette er således endnu en forskel fra tidligere århundreders olie: Vi løber ikke tør for data. Tværtimod! Det er et godt udgangspunkt for fremtiden.
