Jag har tidigare skrivit om hur transportindustrin måste ta steget in i 2010-talet och lära sig att fatta bättre beslut i realtid. Detta är inte ett uttryck för teknikenvangelism utan ren och skär överlevnad. Det är allmänt känt att det finns en stark koppling mellan tillväxt och transportarbete. Man pratar om så kallad ”de-coupling” där samhället måste ställa om så att vi kan fortsätta få det bättre och bättre utan att för den sakens skull behöva transportera mer. Detta arbete går sådär. Det finns naturligtvis många strategier för att minska miljöpåverkan från transporter (se till exempel denna film). Förutom ren teknisk utveckling av motorer, fordon, bränslen och infrastruktur handlar det mycket om att transporterna måste utföras smartare.

Transportbranschen är mycket informationsintensiv. Det krävs stora datamängder för att utföra den enklaste tjänst. Ofta hanteras detta genom att “förprogrammera” systemen med tumregler och standardiserade lösningar. De flesta transportsystem vi har idag är inte särskilt smarta. De är standardiserade och bygger oftast på några få, men enkla, tumregler och standarder (containertransport, palltransport etc.).

Big data?

När man pratar om Big data brukar man använda de tre V:na för att beskriva vad det handlar om. Dessa är Volume (mycket data), Variety (olika typer av data) och Velocity (strömmande data, data som färskvara). IBM, som är en av de stora globala spelarna inom området, har lagt till en fjärde, Verasity (tillförlitligheten av data).

Bild: IBM

Det handlar kort sagt om data som inte nödvändigtvis kan samlas in, lagras, hanteras och tolkas med traditionella metoder (relationsdatabaser etc.). 2008 lanserade Google sin tjänst Flu trends där de, baserat på användares sökningar och deras geografiska position, kunde mäta influensautbredning i realtid. 10 dagar snabbare än den traditionella mätmetoden. Coolt är bara förnamnet. Nu, sex år senare, får vi big data-genererad kunskap inom allt från sport, politik, sociala medier, hälsa med mera. Svenska tidningar börjar anställa matematiker, något som vissa amerikanska branschkollegor hållit på med ett bra tag.

Några exempel på hur Big data har använts den senaste tiden:

Big data är, oavsett om termen som sådan kommer att ändras eller inte, här för att stanna. Vi digitaliserar allt mer av vår omvärld. I transportbranschen är denna utveckling mycket tydlig (läs min serie om detta här). All denna digitala data som används för att hantera och styra våra system ligger nu där och bara väntar på att användas.

Big data i transportindustrin?

Det finns forskning på området, även om det inte är mycket än så länge (vi jobbar på detta…). Några områden som har lyfts fram av olika forskare som potentiella är:

  • Lagerstyrning. Skapa bättre beslutsunderlag baserat på många datakällor, till exempel kundbeteende och realtidstillstånd i lager etc.
  • Prognosticering. Prediktera transportefterfrågan genom att vikta in väder, trafik, resurstillgång etc.
  • Transportstyrning. Ruttoptimering och resursallokering baserat på data om förarbeteende, väder, trafik, kundbeteende etc.
  • Personalhantering. Använd sentiment analysis (”humöret” i en population) baserat på beteenden i sociala medier med mera.
  • Transparens. Skapa synlighet i hela försörjningskedjan utan att dränka folk i data.
  • Kundhantering. Segmentering och service baserat på individuella egenskaper.
  • Nya affärsmodeller! Big data kan skapa nya intäktskällor baserat på den data som samlas in och analyseras. Transportföretag sitter potentiellt på mycket data, till exempel om trafiksituation. Dessa data har ett värde och kan, rätt paketerade, säljas vidare.

Ett av de stora hinder som finns är brist på kompetens. Big data kräver nya sätt att hantera, analysera och visualisera data och kompetensmässigt behövs djup kunskap inom flera områden. Programmerings- och datalagringskompetens behövs för att kunna samla in och strukturera data som inte är strukturerad. Det krävs nya typer av databashanterare för detta. Matematisk kompetens är sedan nödvändig för att kunna analysera och hantera all data på ett riktigt sätt. Ett av problemen (eller möjligheterna) med Big data är att det ofta krävs olika typer av visualisering för att kunna förstå samband. Visualisering är svårt och kräver sin expertis. Till sist måste dessa kompletteras med det som vi kallar domänkunskap, i vårt fall kunskap om godstransporter, någon som kan tolka resultaten.

Det finns ytterst få individer med tillräckligt djupa kunskaper inom alla dessa områden, i alla fall inom transportindustrin. Troligtvis handlar det alltså om att skapa Big data-team med flera medlemmar. Inom universitetsvärlden har detta behov snappats upp och just nu utbildas många inom ”Data science”.

En sak är säker, transportindustrin är djupt inne i en irreversibel utvecklingskurva mot en betydligt mer välinformerad och digital framtid. De som lär sig hantera denna nya värld kommer också att kunna exploatera den.

Lite läsning:

DHL 2013, Big Data in logistics

Waller, M. A. and Fawcett, S. E. (2013), Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply Chain Design and Management. JOURNAL OF BUSINESS LOGISTICS, 34: 77–84

IBM om Big data

0