Полная версия
Big data изменяют Китай
Cainiao Smart Logistics Network стимулирует обновление логистики с помощью больших данных.
Cainiao Smart Logistics Network была одной из первых среди китайских компаний, применивших концепции больших данных и смарт-логистики в логистической отрасли. Cainiao Smart Logistics Network начала использовать технологии обработки больших данных для обслуживания фестиваля шопоголизма «11.11» на платформе Tmall в 2013 году, а в 2014 году точность прогноза, сделанного её «радаром раннего обнаружения», превысила 95 %, таким образом уже на начальном этапе использования эффективно снизив давление на логистику в период «11.11». К 2018 году, согласно информации финансового отчёта Alibaba, количество логистических заказов, обрабатываемых Cainiao Smart Logistics Network, в период «11.11» достигло поражающей цифры – 812 миллионов, и при этом сроки доставки и уровень обслуживания клиентов всё так же, не переставая, повышались. Каким образом Cainiao Smart Logistics Network удалось достичь успеха и в количественном, и в качественном отношении? Мы можем подробно рассмотреть каждый из важных этапов, в которых Cainiao Smart Logistics Network опирается на технологии обработки больших данных для трансформации всего логистического процесса.
На этапе складирования и упаковки Cainiao Smart Logistics Network использовала технологию обработки больших данных для настройки «умного» складирования товаров. В сочетании с релевантными данными по товарам и логистике автоматизированные склады Cainiao могут прогнозировать то, насколько ходовым будет товар, и в зависимости от этого производить умную настройку склада и полок с товарами, максимально уменьшая количество узлов в перевозке товара, сокращая путь его перемещения, увеличивая эффективность логистики и хранения [41]. «Умный» склад компании Cainiao показан на рисунке 3.3.
Помимо этого, Cainiao Smart Logistics Network, опираясь на большие данные и технологию искусственного интеллекта, реализовала «умную» упаковку. Как правило, в традиционных заказах упаковка товара выбирается сотрудником на основании его опыта, что имеет низкую эффективность и большую вероятность неэкономного использования крупногабаритной картонной тары. С помощью больших данных и технологии искусственного интеллекта склады Cainiao знают габариты и характеристики товара до его поступления на склад и могут автоматически распределять заказы в наиболее подходящие картонные упаковки и подбирать оптимальные способы укладки. Умная упаковка позволяет сэкономить в среднем на 5 % больше расходного материала, чем в случае, если бы соответствующие решения принимал человек. Это не только снижает себестоимость упаковки, но и является способом, более природосберегающим.
Рисунок 3.3. «Умный» склад компании Cainiao Smart Logistics Network (Юй Лянь / vcg.com)
В отношении распределения заказов и планирования маршрутов Cainiao, опираясь на систему обработки больших данных Hailiang (Hylanda) и систему Alibaba Cloud, предложила проект основанного на больших данных «умного» распределения заказов с электронными накладными Cainiao в качестве носителя, то есть позволяющий заменить ручное распределение заказов на основанное на технологиях больших данных. Результатом стала не только максимальная оптимизация планирования маршрутов доставки экспресс-почты, но и значительное сокращение числа ошибочных операций. Если при традиционном ручном распределении заказов частота ошибок составляет 5 %, после внедрения «умного» распределения заказов степень его точности в компаниях экспресс-доставки достигла более 98 %, эффективность складской рутинной сортировки повысилась более чем на 50 % [40]. В настоящее время этот проект одна за другой начинают использовать ведущие китайские логистические компании, что приводит к огромному росту эффективности движения посылок в сортировочных центрах [43].
Большие данные открыли для Cainiao Smart Logistics Network множество возможностей и в отношении доставки на «последней миле». Платформа логистических данных Cainiao Smart Logistics Network, собирая данные продавцов, логистических компаний, а также метеоданные, данные о дорожной обстановке и другие данные из различных ичсточников и выполняя глубокую предобработку огромного массива информации по товарам, транзакциям, пользователям и информации социальных логистических сетей на платформе Alibaba, обеспечивает цифровизацию и визуализацию логистических процессов. Она умеет прогнозировать перевозки, осуществляемые всеми крупными логистическими компаниями Китая на протяжении всех цепочек движения посылок, и снабжать их соответствующими оповещениями, благодаря чему логистические компании могут в режиме реального времени иметь полное представление об «ожидаемом количестве посылок» и «оповещениях о степени загруженности» для каждого звена логистической сети. В то же время благодаря платформе продавцы имеют понимание положения дел в логистических компаниях и на этом основании могут выбрать подходящую компанию для доставки своих товаров и достижения цели «умной» логистики, то есть более быстрой и безопасной доставки товара в руки клиента.
На всех этапах процесса – от прогноза спроса, упаковки и хранения до сортировки и доставки – большие данные принесли безграничные возможности для усовершенствования и обновления смарт-логистики, благодаря чему логистическая индустрия может предоставить более качественные услуги в более короткие сроки, реализуя таким образом более «близкую» «последнюю милю».
3.3. Данные открывают дороги, или Путешествия без помех и промедлений
Ключевой фигурой в сфере обращения туристического рынка является турист. Не товар, но туристический поток зачастую стимулирует распространение информации о связанных с путешествиями товарах. В этом смысле информация является базовым содержанием туристической индустрии. И большие данные предоставили совершенно новые возможности для интеллектуального отбора данных в сфере индустрии туризма, управления ими, их обработки, анализа и применения.
Описывая движение людских потоков, большие данные создают возможности для туристического бизнеса.
Mafengwo (кит. 马蜂窝) – известная китайская торговая и сервисная платформа для самостоятельных путешествий, созданная на базе стратегии персонализированных путешествий. Основным ресурсом Mafengwo являются превышающее 100 миллионов число зарегистрированных пользователей и данные создаваемого ими пользовательского контента (User Generated Content, UGC). Согласно статистике, пользователи Mafengwo ежемесячно создают более 130 тысяч записей о путешествиях, количество пользовательских комментариев превышает 180 миллионов, число уникальных пользователей сайта – более 130 миллионов, при этом среднемесячное количество активных пользователей превышает 80 миллионов. Опросы пользователей, создание контента, глубокие просмотры и оценки, а также информация о совершаемых пользователями на Mafengwo транзакциях – всё это сформировало огромный массив источников больших данных. Объём ежедневно создаваемых на Mafengwo новых данных превышает 3 терабайта, а всего на платформе охвачено более 50 миллионов достопримечательностей (Point of Interest, POI) по всей земле. Эти цифры поистине потрясают [45]. В настоящее время Mafengwo из чисто туристической платформы трансформировалась в платформу туризма и электронной коммерции, торговый оборот которой всего за три года достиг 10 миллиардов юаней. Ключевым фактором, стоящим за осуществлённым Mafengwo стремительным увеличением объёма операций, стал анализ и применение больших данных пользовательского контента, связанного с путешествиями.
В широком смысле под пользовательским контентом понимаются публикуемые пользователями в сети и обладающие определённой новизной тексты, изображения, аудио- и видеофайлы. С развитием Интернета данные пользовательского контента, касающегося путешествий, например: оставляемые путешественниками в сети комментарии, их блоги, распространяющиеся пользователями в социальных сетях тексты, изображения и другие виды контента – стали новым важным источником больших данных в сфере путешествий, который имеет чрезвычайно высокую прикладную ценность с точки зрения прогнозирования потребительского спроса, развития туризма и других аспектов. Например, известное американское туристическое онлайн-агентство Travelocity применяет анализ больших данных в отношении ежедневно меняющихся спроса и предложения, установления цены, наличных запасов и рекламы. Используя лучший «движок» для анализа транзакций и рекомендаций, Travelocity продвигает персонализированные товары целевым потребителям, помимо этого, с помощью аналитических моделей результаты передаются в смежные приложения, чтобы помочь разработчикам соответствующих приложений своевременно принимать решения.
Mafengwo – одна из самых успешных с точки зрения использования больших данных пользовательского контента китайских компаний. С помощью больших данных Mafengwo находит пользователей и формирует стратегии. Человек, прежде чем принять решение о путешествии, может на протяжении долгого времени производить на Mafengwo действия, связанные с поиском и просмотром контента, например, просматривать релевантные для его места назначения записи других путешественников и рекомендации по маршрутам или просить других путешественников дать свои комментарии и т. п. Осуществляя интеллектуальный отбор соответствующих данных, Mafengwo может нарисовать панорамный портрет целой потребительской группы, точно подобрать высококачественные конечные туристические товары для конкретного пользователя, достигая персонализации и «потребности в том, что увидел». В то же время можно с соответствии с тенденциями спроса, демонстрируемого огромным количеством пользователей, исходя из результатов анализа больших данных, улучшить предложение на туристические товары, что повлечёт за собой соответствующее увеличение поставок, кроме того, можно в зависимости от разных категорий пользователей улучшить презентацию своего товара и возможности по предоставлению услуг (продаж). Кроме того, и после совершения продажи на платформе Mafengwo создаются большие объёмы данных пользовательского контента, связанного с покупкой и оценкой, например, новые туристические заметки и комментарии, что, в свою очередь, ведёт к обратной оптимизации товара и ориентации контента [45].
Благодаря большим данным Mafengwo также получила возможность расширить коммерческое сотрудничество в сфере туризма, создав ситуацию взаимной выгоды с поставщиками туристических услуг. Ещё в 2014 году Mafengwo в коллаборации с поставщиком авиауслуг Zailushang (On the way) запустила продажу товаров, изготовленных по «обратному заказу». Заказ на выпуск таких товаров и их предпродажа базировались на данных о предпочтениях пользователей. Поскольку они не только соответствовали потребностям путешественников, но и обладали сравнительно хорошим соотношением цены и качества, их раскупили в течение 5 минут после начала продажи. В свою очередь, Хайнаньские авиалинии и управление по туризму штата Массачусетс (США) также разработали в сотрудничестве с Mafengwo ряд туристических товаров, изготовленных по «обратному заказу». Подобная модель C2B с предварительной продажей и «обратным заказом», основанная на огромных по объёму пользовательских данных, прогнозирует, что вызовет симпатию у потребителя и потребительские тенденции. Таким образом изготовление соответствующих туристических товаров удовлетворяет персонализированные потребности, связанные с поездками. Благодаря использованию больших данных для анализа потребительского поведения или совокупности социальных сил, эта модель может сдвинуть передовые туристические ресурсы с мёртвой точки и реструктурировать их [46].
Большие данные делают достопримечательности более «умными», а путешествия более спокойными.
Благодаря коротким видео множество достопримечательностей Чунцина стали хитами и «интернет-знаменитостями», лидирует в рейтинге популярности район Хунъядун. В 2017 году широкое распространение в социальных сетях получило короткое видео под названием «Ночной вид точной копии “Унесённых призраками”» (кит. «千与千寻同款夜景»), вслед за чем популярность Хунъядуна взлетела до второго места по стране, уступив только Запретному городу в Пекине. Хунъядун стал первой чунцинской достопримечательностью, завоевавшей бешеную популярность благодаря видеоролику. Огромные потоки туристов принесли туристической зоне популярность и внимание, но одновременно с этим – огромное давление с точки зрения управления и безопасности, и большие данные в этой ситуации позволили принять наиболее эффективные решения.
Информационная система управления туристической зоной и связанных с ней производств, система видеомониторинга, система датчиков и другие цифровые системы туристической зоны безостановочно производят огромные объёмы цифровых, текстовых и видеоданных; внешние социальные сети туристической зоны и другие платформы в Интернете также создают большое количество связанных с ней данных. Помимо этого, уникальные природно-географические характеристики туристического объекта и его историко-культурные особенности также могут быть преобразованы в пространственно-географические и историко-гуманитарные данные. Все эти огромные массивы данных предоставили источники информации для смартизации туристической зоны, а технологии обработки больших данных, в свою очередь, поспособствовали её осуществлению.
В 2018 году в Чунцине выпустили «Чунцинское туристическое облако». На основе больших данных, искусственного интеллекта, облачных вычислений, Интернета вещей и других технологий смартизации была выполнена интеграция данных по ресурсам и сервису туристических мест, способствовавшая повышению уровня управления туристической зоной, её точному маркетингу и улучшению качества продукции. Туристам облако даёт возможность для планирования маршрутов и поиска информации. Наиболее популярная туристическая зона «Хунъядун» стала испытательным полигоном «Чунцинского туристического облака». Оно отрегулировало систему функционирования района таким образом, чтобы человеческий поток был соразмерен его принимающей способности, была настроена система предварительных оповещений, реализованы цифровизация и смартизация мониторинга человеческого потока. Благодаря сбору и анализу данных в режиме реального времени менеджмент туристической зоны имеет полное представление о количестве принятых туристов, доходах от их посещений, количестве внутренних туристов и иностранных туристов в городе в целом, своевременно получает данные, касающиеся человеческого потока в туристической зоне, формирует механизм прогнозирования и предварительного оповещения и может своевременно регулировать ресурсы.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «Литрес».
Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
Примечания
1
Частично содержание данной главы было взято из вышедшей в свет в 2014 году в издательстве «Чжунсинь чубаньшэ» работы одного из составителей данной книги – Ту Цзыпэя «Пик данных: революция больших данных, история, современность и будущее».
2
В 1965 году, когда Мур впервые обнаружил данную закономерность, он считал, что продолжительность периода составляет один год; в 1975 году он скорректировал её до двух лет. По мнению некоторых специалистов, этот период составляет 18 месяцев.
3
Алгоритмы – это специальные шаги, использующие методы и приёмы математики и статистики и предназначенные для решения определённого типа задач.
4
Читатели, интересующиеся эволюцией технологий анализа данных, могут обратиться к четвёртой главе книги «Большие данные» («Прошлое и настоящее бизнес-аналитики»), написанной одним из составителей настоящего издания – Ту Цзыпэем [12].
5
Источник – речь премьера Государственного совета КНР Ли Кэцяна, произнесённая им 15 января 2013 г. во время проводимой им инспекции Исследовательского института Государственного департамента продовольствия.
6
Китайская классическая литература в переводах Л. Эйдлина. М., 1975. С. 308. (Прим. перев.).
7
Гарди Т. Собрание сочинений в 8 т. Т. 7: Тэсс из рода д’Эрбервиллей. М., 2007. С. 84. (Прим. перев.).
8
Так в Китае называют социальных сирот, детей рабочих-мигрантов.
9
Показатель транспортной загруженности TomTom (TomTom Congest Index, сокращённо CI).