O ile z zewnątrz transport morski wydaje się być ślamazarny, o tyle nasza branża jest bardzo dynamiczna. Kilka dni zaburzeń w łańcuchu dostaw może powodować kilka tygodni bolesnych konsekwencji, chaosu i opóźnień. Przewidywanie przyszłych potrzeb i minimalizowanie ryzyka (pisałem już o tym w artykule) stają się kluczowymi zabiegami. O ile ostatnie lata pokazują, że ciężko jest przewidywać nawet najbliższą przyszłość, o tyle dzięki AI i big data zyskujemy potężne narzędzia do optymalizacji procesów. Włączając w to prognozowanie popytu i podaży.
Za niedługo (bo już 7.11.2024) będę wraz z kolegą prowadził webinar, przybliżający trochę mechanizmy popytu i podaży w naszej branży. Pomyślałem więc, że „na rozgrzewkę” napiszę o tym kilka zdań.
Prognozowanie popytu - nowy poziom
Dzięki analizie danych z milionów punktów (historyczne przepływy, informacje pogodowe, zmiany w gospodarce czy dane sezonowe) sztuczna inteligencja może dostarczać prognozy popytu z niesamowitą dokładnością. Wykorzystując wspomniane wcześniej zmienne, algorytmy są w stanie przewidzieć okresy wysokiego i niskiego zapotrzebowania. Pozwala to spedycjom być lepiej przygotowanymi na tzw. peaki. Reasumując – prognozowanie popytu wymaga zrozumienia zależności, które mogą wpłynąć na dynamikę przepływu towarów. Nagłe zmiany w handlu, zmienność gospodarcza mogą wpłynąć na poziom zapotrzebowania. Dzięki analizie big data możemy przewidzieć te zmiany z większą dokładnością.
Prognozowanie popytu z udziałem Big Data - jak to działa?
Na początku wypadałoby wspomnieć czym w ogóle Big Data jest. To, trochę jak sama nazwa wskazuje – wielkie dane 🙂 to masowe zbiory różnorodnych danych, które można analizować pod kątem ujawnienia trendów, wzorców i korelacji. W transporcie morskim big data obejmuje wiele aspektów – bieżące szlaki handlowe, wskaźniki ekonomiczne, frachtowe, dane sezonowe, prognozy pogody czy nawet kalendarz świąt (wszakże trzeba pamiętać kiedy wypada Chiński Nowy Rok). Dzięki zebraniu powyższych jesteśmy w stanie zbudować tzw. model predykcyjny, który analizuje jak te zmienne wpływają na siebie i na popyt. Dzięki algorytmom AI możemy nie tylko wykrywać pewne trendy ale także pewne sygnały zwiastujące zmiany. Np. wybory prezydenckie w USA mogą spowodować zwiększony popyt na dobra konsumpcyjne w obawie przed nałożeniem wysokich ceł na towary importowane.
Od ogółu do szczegółu – analiza wzorców historycznych daje bazę do badania sezonowych i długotrwałych trendów. Możemy identyfikować wzorce zachowań w poprzednich okresach i na ich podstawie przeprowadzić prognozowanie popytu w nadchodzących latach. Transport morski jest także bardzo wrażliwy na globalne zmiany (recesja, inflacja czy regulacje celne). Big Data może pomóc w przewidzeniu jak zmiany w poszczególnych regionach wpłyną na międzynarodowy przepływ towarów i tym samym na popyt na transport morski. Wreszcie analiza pogody i zmian klimatycznych. Prognozy są nie tylko w stanie nakreślić sezonowe zmiany, ale także nagłe anomalia. Dzięki AI i Big Data możemy być bardziej precyzyjni w przewidywaniu skutków pogodowych.
Korzyści płynące z prognozowania popytu
- Precyzyjne planowanie zasobów. Dzięki danym prognozującym popyt można lepiej zarządzać zasobami. Na przykład w niższym rynku zadbać o korzystne kontrakty długoterminowe z armatorem, by w okresie wzrostu mieć bardziej atrakcyjne stawki. Można także w okresie niższego popytu pozyskać nowych przewoźników, nie ryzykując w znacznym stopniu słabej jakości wykonania. A takie kontakty przydadzą się w momencie, gdy poszukiwanie przewoźnika stanie się wyzwaniem.
- Wykrywanie potencjalnych kryzysów. Analityka Big Data umożliwia wcześniejsze wykrycie potencjalnych zagrożeń dla łańcucha dostaw. Już samo informowanie klienta o możliwych zagrożeniach (takich jak podwyżki cen frachtów wywołane krachem na rynku paliw) stawia nas w korzystnym świetle. Nawet jeśli tego nie unikniemy, pozwolimy klientowi podjąć decyzje biznesowe, neutralizujące ewentualne następstwa niespodziewanych, nagłych kryzysów.
- Reagowanie na zmienność. Przygotowanie się na różne warianty wahań popytu to podstawa do elastyczności. Algorytmy AI mogą symulować różne scenariusze w oparciu o dane ekonomiczne, pogodowe czy zakupowe konsumentów. W efekcie spedycje są gotowe na szybkie dostosowanie w wyborze serwisów morskich. Pozwala to uniknąć opóźnień i optymalizować operacje.
Prognozowanie popytu - scenariusze ekstremalne
Pandemia COVID-19 przyniosła nieprzewidywalne scenariusze: zamknięcia fabryk i portów, lockdowny, masowy wzrost na produkty medyczne czy elektronikę. Od strony transportu ciągłe blank sailingi, port omity i brak dostępnych kontenerów wywołały przeciążenie portów i radykalne podwyżki cen frachtów. Zablokowanie Kanału Sueskiego przez kontenerowiec Ever Given to także dobry przykład jak ważna jest elastyczność w zarządzaniu popytem. A także jak nieoczekiwane zdarzenia mogą zachwiać stabilnością dostaw. Także na bieżąco (już od prawie roku) mierzymy się z potężnym kryzysem na Morzu Czerwonym, gdzie statki handlowe omijają Kanał Sueski, wydłużając trasę nieraz o 40% (parę słów o tym napisałem tutaj). Czy AI i Big Data są w stanie przygotować branżę na takie sytuacje?
- Informacje o blokadach w portach czy o anomaliach pogodowych są analizowane natychmiast, co może ułatwić zabezpieczenie alternatywnych rozwiązań (dostarczenie kontenera do innego portu, wybranie alternatywnej trasy).
- Symulacje „what if” mogą analizować różne, nawet najbardziej ekstremalne scenariusze. Można się dzięki temu przygotować na nagłe zdarzenia, wskazując alternatywne porty, serwisy etc.
- Systemy AI są w stanie monitorować każdy element łańcucha dostaw w, co umożliwia lepsze zarządzanie zasobami i minimalizować ryzyko „wąskich gardeł”, które stanowiły olbrzymi problem w czasie pandemii.
- Sztuczna inteligencja, w oparciu o zasilenie danymi Big Data może szybko reagować na zmiany. Blokada Kanału Sueskiego czy kryzys w Zatoce Adeńskiej mogłyby zostać przeanalizowane pod kątem wyboru alternatywnej trasy (z uwzględnieniem kosztów, dostępności i czasów dostawy). Wiadomo, że omijanie Suezu na skutek działań zbrojnych Huti było absolutną koniecznością a nie wyborem. Niemniej, wsparcie AI mogłoby być dobrym rozwiązaniem pod kątem optymalizacji kosztów.
Reasumując, AI i Big Data są dobrym narzędziem optymalizacyjnym. W sytuacjach wyjątkowych ich rola ogranicza się niestety do adaptacji niż do przewidywania. Jednakowoż, im więcej danych zbierzemy do naszych systemów, tym bardziej one będą mogły reagować na takie zaburzenia.
Podsumowanie.
W obliczu zmieniających się realiów transportu morskiego, prognozowanie popytu stało się nieodzownym elementem strategii zarządzania łańcuchem dostaw. Dzięki sztucznej inteligencji i big data firmy logistyczne mogą skuteczniej identyfikować nadchodzące trendy oraz przygotowywać się na wyzwania, jak choćby nagłe wzrosty zapotrzebowania czy zakłócenia łańcucha dostaw. Analiza danych historycznych, wzorców sezonowych oraz bieżących informacji o sytuacjach kryzysowych (jak blokady, lockdowny czy anomalia pogodowe) pozwala nie tylko optymalizować zasoby, ale także lepiej reagować na globalne zmiany.
Jednak nawet najnowocześniejsze technologie nie są niezawodne w obliczu nieoczekiwanych kryzysów, takich jak pandemia COVID-19 czy blokady strategicznych szlaków morskich. W tych przypadkach AI staje się bardziej narzędziem wspierającym adaptację niż całkowitą ochroną przed skutkami zaburzeń.
Podsumowując, połączenie wiedzy branżowej i zaawansowanej analityki danych stanowi nowy wymiar zarządzania popytem w transporcie morskim – i otwiera drogę do bardziej precyzyjnego i elastycznego reagowania na dynamiczne warunki rynkowe. W kolejnym wydaniu opowiem o wykorzystaniu AI i big data w przewidywaniu podaży.
