Академический Документы
Профессиональный Документы
Культура Документы
(подпись)
Научный руководитель:
к.э.н., ассистент кафедры операционного
менеджмента
(подпись)
Санкт-Петербург
2017
Заявление о самостоятельном выполнении выпускной
квалификационной работы
____________________________________ (Дата)
2
Оглавление
Введение.........................................................................................................................................4
Глава 1. Характеристика рынка и методов аналитики больших данных.................................6
1.1 Большие данные: предпосылки возникновения и определения.................................6
1.2 Глобальный рынок аналитики больших данных.......................................................10
1.3 Анализ публикационной активности по теме больших данных..............................11
1.4 Применение аналитики больших данных в логистике..............................................14
Вывод по главе 1......................................................................................................................23
Глава 2. Кейсы применения аналитики больших данных в логистике..................................25
2.1 Методология анализа лучших практик...........................................................................25
2.2 Примеры внедрения аналитики больших данных в логистике.....................................28
2.3 Перекрестный анализ примеров применения аналитики больших данных................43
2.4 Итоговые выводы анализа примеров применения аналитики больших данных в
логистике..................................................................................................................................46
Вывод по главе 2......................................................................................................................50
Глава 3. Возможности и барьеры использования аналитики больших данных малыми и
средними логистическими компаниями в России....................................................................51
3.1 Определение малого и среднего бизнеса........................................................................51
3.2 Актуальное состояние малого и среднего бизнеса в России.........................................52
3.3 Виды малых и средних логистических компаний в России..........................................56
3.4 Результаты экспертных интервью...................................................................................58
3.5 Возможности и барьеры для внедрения аналитики больших данных в малых и
средних логистических компаниях........................................................................................66
Вывод по главе 3......................................................................................................................68
Глава 4. Оценка степени влияния выявленных барьеров на внедрение аналитики больших
данных логистическими компаниями........................................................................................70
4.1 Оценка степени влияния выявленных барьеров на внедрение аналитики больших
данных на примере компании «Логистика Авто»................................................................70
4.2 Оценка степени влияния выявленных барьеров на внедрение аналитики больших
данных на примере компании «Gruzer»................................................................................73
Вывод по главе 4......................................................................................................................76
Заключение...................................................................................................................................77
Список использованной литературы.........................................................................................80
3
Введение
4
Определить степень влияния сформулированных барьеров на примере реальных
малых и средних логистических компаний.
5
Глава 1. Характеристика рынка и методов аналитики больших данных
1.1 Большие данные: предпосылки возникновения и определения
1
Cisco, “The Zetabyte Era” (2016)
6
61.4
20.2
2015 2020
7
из социальных сетей, где популярный контент очень нестабилен. Для обработки таких
пиков информации, указывает компания SAS4, необходимы технологии анализа больших
данных.
4
https://www.sas.com/en_us/insights/big-data/what-is-big-data.html
5
Accenture, “Global Operations Megatrends Study. Big Data analytics: Hype or here to stay?” (2014)
8
Стоит заметить, что сами большие данные существовали в компаниях давно,
просто для них не было точного определения. Это было вызвано тем, что раньше у
компаний просто не было способа извлечь из них пользу, поэтому большая их часть
просто хранилась в компаниях, принося им лишь издержки на хранение. Появление и
использование больших данных стало возможным благодаря развитию новых технологий,
которые удешевили процесс сбора и обработки данных такого типа. Одной из
особенностей больших данных является то, что стандартные методы аналитики к ним
неприменимы, что создало новую нишу на рынке программного обеспечения.
6
Московская Биржа, “Аналитический обзор рынка Big Data” (2015)
https://habrahabr.ru/company/moex/blog/256747/
9
1.2 Глобальный рынок аналитики больших данных
CAGR +11,8%
203
130
2016 2020
График 2. Рост мировой выручки рынка аналитики данных, млрд. долларов, 2016-2020
Источник: IDC10
При этом в 2014 компания оценивала рынок больших данных в России в 340 млн.
долларов США и прогнозировала рост до 1,7 млрд. долларов США к 2018 году.
Аналитика больших данных в России, по оценкам аналитиков Московской биржи,
которые также ссылаются на данные компании IDC, пока находится на стадии раннего
развития и в будущем ожидается рост этого рынка в России.
7
https://www.forbes.com/sites/gilpress/2012/09/27/data-scientists-the-definition-of-sexy/#60b68ae85f96
8
https://www.ibm.com/big-data/us/en/
9
IDC, “Worldwide Semiannual Big Data and Analytics Spending Guide’ (2016)
10
Там же
10
1.7
1.1
0.8
0.5
0.3
График 3. Рост выручки рынка аналитики данных в России, млрд. долларов, 2014-2018
Источник: IDC11
11
IDC, “Worldwide Semiannual Big Data and Analytics Spending Guide’ (2016)
11
производился среди названий статей, аннотаций и ключевых слов. Ниже представлены
результаты анализа:
Количество публикаций представлено за период с 2012 года по 2017 год, так как
первая публикация по применению аналитики больших данных в логистике,
опубликованная на сайте EBSCO, датируется 2012 годом. Всего за данный период на
платформе была опубликована 50 934 161 статья. Все более ранние публикации по
тематике аналитики больших данных из анализа исключены.
200
173
164
83
73
12
Аналитика больших данных в малом и среднем бизнесе также слабо отражена в
публикациях. По соответствующему запросу было найдено лишь 103 публикации. При
этом только две из них относились к сфере логистики.
13
30
21
11
8
7
14
Таблица 1. Разнообразие данных в цепях поставок
15
продукты и услуги, увеличить лояльность покупателей и долю постоянных клиентов за
счёт анализа их предпочтений и покупательских привычек, а также повысить качество
взаимодействия с клиентами.
Источник: DHL14
14
DHL, “Logistic trends radar” (2016)
16
of Business Value) выделяет следующие три сферы применения аналитики больших
данных: операционная эффективность, клиентские сервисы и риск-менеджмент. В
компании отмечают, что возможности аналитик больших данных по совмещению данных
из совершенно различных источников дают бизнесу возможность отслеживать
политические, экономические, социальные и экологические риски на ранних стадиях, тем
самым нивелируя их возможные воздействия на компании.
17
для преобразования логистической цепи, она не менее ценна и для анализа её текущего
состояния. Изучая грузопотоки своей компании в различных регионах её присутствия,
компания получает возможность оценить ситуацию на микро-уровне.
2. Снижение издержек;
3. Управление рисками;
16
http://spendmatters.com/2015/12/23/5-data-driven-supply-chain-challenges-to-overcome-in-2016/
18
Понимание и знание потребителей изменилось за счет расширения данных до
больших. Близость с потребителями может быть достигнута теперь за счет использования
гораздо более сложных механизмов и техник. Источниками данных о потребителях и их
предпочтениях теперь служат социальные сети, мобильные приложения и используемые
потребителями программы лояльности. Благодаря этим данным, представляется
возможность более точно прогнозировать спрос, разрабатывать улучшенную программу
управления запасами, анализировать пользовательскую активность и интересы с целью
фокусного продвижения продукта или услуги за счет контекстной рекламы.
19
В таблице 2 приведены некоторые примеры решения проблем на разных уровнях
управления цепями поставок, которые могут быть решены с помощью аналитики больших
данных.
17
I. V. Rozados, B. Tjahjono, «Big Data Analytics in Supply Chain Management: Trends and Related Research»
(2014)
18
Там же
20
аналитика использует прогнозы для формирования предложения плана действий для
получения определённых преимуществ и избегания нежелательных результатов.
В первом выпуске своего издания «Supply Chain Big Data Series»19 компания KPMG
помимо трёх вышеупомянутых подтипов продвинутой аналитики также выделяются ещё
два: диагностирующая аналитика и адаптивная аналитика. В данном случае
диагностирующая аналитика является переходным этапом между описательной и
предиктивной аналитикой, чьей задачей является выявления причин определённых
результатов. Адаптивная аналитика является наиболее развитым из пяти подтипов
продвинутой аналитики. Она используется для обучения на основе поведения участников
процесса, а также фокусируется на отклонениях в таком поведении. Согласно прогнозу
компании KPMG20, в течении 20 лет компании прейдут от уровня описательной аналитики
до уровня адаптивной, тем самым используя все пять подтипов продвинутой аналитики.
19
KPMG «Supply Chain Big Data Series Part 1», (Март 2017)
20
Там же
21
T. Schoenherr, C. Speier-Pero, «Data Science, Predictive Analytics, and Big Data in Supply Chain Management:
Current State and Future Potential» (2015)
22
S. Robak, B. Franczyk, M. Robak, «Research Problems Associated with Big Data Utilization in Logistics and
Supply Chains Design and Management» (2014)
23
Stanford Graduate School of Business «Technological disruption and innovation in last-mile delivery» (2016)
24
M. Brinch, J. Stentoft, J.K. Jensen, «Big Data and its Applications in Supply Chain Management: Findings from a
Delphi Study» (2017)
21
Разные участники цепи поставок имеют разные проблемы и тем самым технологии,
основанные на аналитике больших данных, предоставляет им разные возможности. В
таблице 3 ниже приведены основные задачи перевозчика, производителя и ретейлера,
которые могут быть решены с помощью аналитики больших данных, а именно задачи
прогнозирования спроса, управления запасами, управления персоналом и транспортные
задачи.
22
ограничено специфичными для логистики технологиями. Существует ряд задач, таких как
управление персоналом или прогнозирование, которые не привязаны к конкретным
сферам бизнеса и потому являются универсальными для компаний из любой отрасли
экономики.
Таблица 4. Основные проблемы логистики, для решения которых могут быть применены
технологии аналитики больших данных
Вывод по главе 1
23
Объём означает большие объёмы информации, требующие особых способов её
обработки.
Скорость подразумевает сбор и обработку данных в реальном времени без
временного лага, или с минимальным временным лагом.
Разнообразие подразумевает, что данные варьируются во времени и контексту, а
также не обязательно являются структурированными.
Определив характеристики больших данных, а также то, как они могут быть
применены в логистике, необходимо выявить, как на самом деле применяются такие
технологии, для чего был выбран кейс-метод как способ проведения исследования.
Анализ кейсов и его выводы представлены во второй главе данной работы.
24
Глава 2. Кейсы применения аналитики больших данных в логистике
2.1 Методология анализа лучших практик
Для решения этой проблемы было решено использовать кейс-метод. В своей книге
«Case study research: Design and Methods» Роберт Йин выделяет два основных фактора,
обуславливающие выбор кейс-метода в качестве метода исследования. Во-первых, кейс-
метод применим, когда у исследователя нет возможности влиять на анализируемый
феномен. В данном случае имеет место именно такая ситуация. Не представляется
возможным влиять на развитие технологий больших данных в логистике в целом или на
их применение в конкретных логистических компаниях.
25
развития феномена неясны. Опять же, это полностью соотносится с характеристиками
сферы аналитики больших данных в логистике на сегодняшний день.
Ещё одной сильной стороной кейс-метода является то, что выводы, основанные на
нём, при условии соблюдения всех стандартов, априори являются существенными, так как
подтверждены реальными фактами и потому не нуждаются в дополнительной
доказательной базе.
26
После того, как выбор кейс-метода как способа исследования обоснован, и
определены его основные характеристики, необходимо разработать методологию
исследования. За основу взяты методологии, предложенные Р. Йином и К. Айзенхардтом.
На четвертом этапе был проведён анализ всех отобранных кейсов. Для анализа был
выбран подход, предложенный К. Айзенхардом. Он предложил группировать кейсы на
основе определённых параметров и далее анализировать отличия и совпадения по другим
параметрам, не учитываю основной параметр группировки. Помимо этого им также были
предложены методы попарного сравнения кейсов, а также сравнения кейсов на основе
источников информации, на которых они основаны, однако данные подходы были
отвергнуты, так как не было ясно, какую ценность они могут создать в рамках
исследования. Потому был выбран первый подход. Его результат описан в пункте 2.3
настоящей главы.
UPS
28
Ярким примером использования аналитики больших данных в логистическом
бизнесе является компания United Parcel Service, более известная как UPS. Согласно
официальному сайту компании, ежедневно UPS обрабатывает более 40 млн. запросов на
определение местонахождения их заказа, владеет более чем 100 тысячами автомобилей по
всему миру и перевозит 2,7 млн. единиц грузов в день. По оценкам портала Datafloq
компания хранит более 16 Петабайтов данных, что эквивалентно 16 миллионам
Гигабайтов. Компания использует эти данные для совершенно различных целей.
29
Помимо оптимизации и заботе об окружающей среде, UPS использует большие
данные и для разработки новых сервисов для своих клиентов. Так был создан сервис My
Choice, дающий клиентам возможность изменять время и место доставки заказа.
DHL
Для B2B рынка компания предлагает сразу несколько сервисов. Одним из них
является решение для управления рисками в цепи поставок. Сервис использует данные о
политической, экономической, социальной, экологической и других сферах, которые
30
анализируются программой для выявления зарождающихся рисков, что позволяет
предсказывать возникновение риска и принимать предупреждающие меры.
Другим продуктом компании для сегмента В2В является сервис DHL Geovista.
Сервис позволяет пользователям прогнозировать продажи на потенциальных новых
рынках, а также отслеживать уровень конкуренции на существующих рынках. Всё это
позволяет компаниям эффективно изменять свою модель ведения бизнеса на основе
получаемой информации.
FedEx
Компания FedEx была основана в 1971 году в городе Мемфис, США. Выручка
компании за 2016 год составила $50 миллиардов. Компания известна своим стремлением к
внедрению современных технологий для принятия информированных решений, а также
для повышения эффективности бизнеса. Согласно официальным отчетам компания в
период с 2014 по 2016 года ежегодно инвестировала в развитие информационных
технологий от $348 до $403 миллионов.
31
FedEx также использует сложные математические модели, основанные на больших
данных, для прогнозирования реакции потребителей на изменение тарифов компании или
на внедрение новых продуктов и услуг.
РЖД
Walmart
Amazon
33
этой операционной прибыли составляют доходы подразделения AWS (Amazon Web
Services), занимающееся облачными вычислениями и разработкой нового программного
обеспечения в этой области. На сегодняшний день, можно утверждать, что Amazon из
крупнейшего онлайн-ретейлера превращается в IT-компанию, специализирующуюся на
аналитике больших данных. Исходя из вышесказанного, логично выделить два
направления использования больших данных в компании: первое, связанное с
традиционной деятельностью компании, и второе, связанное с деятельностью AWS.
Amazon отслеживает 1,5 млрд своих SKU среди 200 распределительных центров.
Вся информация о товарах хранится на платформе S3, разработанной Amazon. Она
позволяет хранить неограниченное количество данных. Хранилище S3 обновляется 50
миллионов раз за неделю. Каждые 30 минут эти данные обрабатываются и далее
отправляются в соответствующие распределительные центры и сайты.
Все эти данные компания использует для оптимизации своей деятельности, так как,
несмотря на свою значительную капитализацию, компания испытывает проблемы с
рентабельностью, потому во много компания фокусируется на снижении издержек.
34
Кроме того компания внедрила современные системы рекомендации для своих
клиентов на основе исторических данных о заказах, а также отзывах клиента и его
оценках различных товаров. Для рекомендаций книг компания также использует данные о
словах, которые пользователь выделяет, читаю книги на устройствах Kindle,
производимых компанией Amazon.
Монополия
35
В грузовиках компании расположены датчики, отслеживающие более 40
показателей, которые в дальнейшем анализируются единой системой, которая выбирает
оптимальный способ доставки. Система учитывает такие показатели как маршрут, цену,
погодные условия, время отдыха водителя, ситуацию на дорогах и время отгрузки.
Cargomatics
Convoy
Gruzer
36
пользователей. В компании работает 9 человек, без учёта команды разработчиков.
Инвестиции в компанию составили ₽30 млн.
Keychain Logistics
MAN
37
General Electrics
Fleetmatics
38
Второй продукт, Fleetmatics Now, позволяет в реальном времени определять
местоположение автомобилей, изучать данные о передвижениях автомобилей за
последние 90 дней и получать ежедневные отчеты о перевозках.
СКАУТ
Всем везёт
Gruzoobzor
39
типа Hadoop для поиска и агрегации заказов на перевозку на своей платформе. Помимо
этого компания также позволяет перевозчикам размещать предложения о перевозке груза.
Клиентами компании являются грузоотправители, грузоперевозчики и экспедиторы.
TimoCom
Г. Барселона
40
Оптимизация маршрута в
Снижение времени доставки
реальном времени
Анализ навыков вождения
Обучение водителей
индивидуальных водителей
Улучшение клиентского Анализ клиентских данных из
сервиса приложения компании
Источник: https://datafloq.com/read/ups-spends-1-billion-big-data-annually/273
Снижение выбросов, Трекинг транспортных
контроль состояния средств и грузов, анализ
транспортного средства данных с сенсоров/датчиков
Оптимизация маршрута в
Снижение времени доставки
реальном времени
2 DHL
Прогнозирование спроса Предиктивная аналитика
Анализ исторических данных
Создание новых продуктов о заказах, анализ данных о
клиентах
Источник:
http://www.dhl.com/content/dam/downloads/g0/about_us/innovation/CSI_Studie_BIG_DATA.p
df
Снижение выбросов, Трекинг транспортных
контроль состояния средств и грузов, анализ
транспортного средства данных с сенсоров/датчиков
Оптимизация маршрута в
Снижение времени доставки
реальном времени
Анализ исторических данных
3 FedEx о заказах, анализ данных о
Создание новых продуктов клиентах, трекинг
транспортных средств и
грузов
Предиктивная аналитика,
Разработка новых продуктов
эконометрическое
и ценообразование
моделирование
Источник: http://demand-planning.com/2016/04/06/how-fedex-uses-macroeconomic-data-to-
forecast-demand/
Оптимизация внутренних
SAP HANA
процессов
Планирование ремонта Анализ больших массивов
4 РЖД
инфраструктуры структурированных данных
Прогноз спроса Предиктивная аналитика
Источник: http://d-russia.ru/rzhd-xochet-optimizirovat-marshruty-s-pomoshhyu-big-data.html
Анализ данных из
5 Walmart Прогнозирование спроса
социальных сетей и интернета
Источник: https://datafloq.com/read/walmart-making-big-data-part-dna/509
Исторические данные о
6 Amazon Дизайн логистической сети
спросе, предиктивная
41
аналитика
Планирование поставок Предиктивная аналитика
Источник: https://datafloq.com/read/amazon-leveraging-big-data/517
Трекинг транспортных
Управление транспортными
средств, анализ данных с
средствами
сенсоров
7 Монополия
Анализ внешней среды,
Улучшения клиентского
анализ больших исторических
сервиса
данных о заказах
Источник: http://www.rbc.ru/magazine/2016/04/56ead0549a79474e4031fc94
Управление транспортными Трекинг транспортных
средствами средств
8 Cargomatics Прогнозирование спроса Предиктивная аналитика
Улучшения клиентского Предиктивная аналитика,
сервиса анализ исторических данных
Источник: https://www.cargomatic.com/
Управление транспортными Трекинг транспортных
средствами средств
9 Convoy Прогнозирование спроса Предиктивная аналитика
Улучшения клиентского Предиктивная аналитика,
сервиса анализ исторических данных
Источник: https://convoy.com/
Управление транспортными Трекинг транспортных
средствами средств
10 Gruzer
Улучшения клиентского
Анализ исторических данных
сервиса
Источник: http://gruzer.ru/
Управление транспортными Трекинг транспортных
средствами средств
11 Keychain Logistics Прогнозирование спроса Предиктивная аналитика
Улучшения клиентского Предиктивная аналитика,
сервиса анализ исторических данных
Источник: https://www.crunchbase.com/organization/keychain-logistics#/entity
Создание открытой
Создание новой бизнес- платформы для разработки
12 MAN
модели программ на основе
аналитики больших данных
Источник: http://vts35.ru/news/rio-otkrytaya-platforma-dlya-transportnoj-otrasli-
13 General Electrics Создание новых продуктов Анализ данных с
сенсоров/датчиков
42
Создание новых услуг для
клиентов
Источник: https://www.ge.com/digital/sites/default/files/Industrial_Big_Data_Platform.pdf
Анализ данных с
Fleet Risk Advisory Снижение аварийных сенсоров/датчиков, анализ
14
Inc. ситуаций внешней среды, анализ
данных о водителе
Источник: http://www.fleetriskmgt.com/
Трекинг транспортных
Управление транспортными
15 Fleetmatics средств, Анализ данных с
средствами
сенсоров/датчиков
Источник: https://www.fleetmatics.com/
Трекинг транспортных
Управление транспортными
16 СКАУТ средств, Анализ данных с
средствами
сенсоров/датчиков
Источник: https://scout-gps.ru/
Поиск перевозчиков/ Парсинг, анализ данных из
грузоотправителей интернета
17 Всем везёт Анализ больших
Улучшения клиентского
исторических данных о
сервиса
заказах
Источник: https://www.vezetvsem.ru/
Поиск перевозчиков/ Парсинг, анализ данных из
грузоотправителей интернета
18 Gruzoobzor Анализ больших
Улучшения клиентского
исторических данных о
сервиса
заказах
Источник: https://rb.ru/company/gruzobzorru/
Трекинг транспортных
Управление транспортными
средств, Анализ данных с
средствами
19 TimoCon сенсоров/датчиков
Поиск перевозчиков/ Парсинг, анализ данных из
грузоотправителей интернета
Источник: https://www.timocom.ru/
Трекинг транспортных
Управление общественным
средств, Анализ данных с
транспортом
20 Г. Барселона сенсоров/датчиков
Прогнозирование нагрузки
Предиктивная аналитика
на сеть
Источник: https://datafloq.com/read/how-barcelona-deploys-big-data-to-improve-lives-an/297
43
2.3 Перекрестный анализ примеров применения аналитики больших данных
44
Ко второй группе можно отнести молодые компании, использующие новую бизнес-
модель, при которой основным активом компании становятся интернет-платформа, а
ценность создается за счёт простоты осуществления транзакций на платформе, а также
количества и разнообразия участников платформы. К этой группе можно отнести
компании Cargomatics, Convoy, Gruzer, Keychain Logitics, Всем везёт, Gruzoobzor,
TimoCon и MAN. При этом данную группу можно также разделить на две подгруппы.
46
Как видно из приведённого перечня наиболее популярными являются технологии
трекинга транспортных средств, предиктивная аналитика и аналитика данных с сенсоров
и датчиков, установленных в транспортных средствах. При этом совместное
использование трекинга транспортных средств и сенсоров отмечено у четырёх компаний,
отнесённых к первой группе, из пяти. Исключение составила компания РЖД, для которой
это не столь актуально, так как компания занимается исключительно железнодорожными
перевозками.
47
их большого количества, на что и нацелена платформа, нецелесообразно. При этом среди
первой группы компаний фактов применения таких технологий найдено не было.
Далее был сделан ряд выводов на основе изучения первой выделенной группы
компаний. Во-первых, как показал анализ, такие компании используют аналитику
больших данных не только в логистике как таковой. Несмотря на то, что именно
логистика является их основной сферой деятельности, в компаниях также присутствуют
отделы маркетинга и стратегии, чья деятельность имеет значительное влияние на общее
положение компании на рынке. В целом в данном случае можно выделить два типа
технологий больших данных, применяемых в логистических компаниях: технологии
аналитики больших данных в логистике и технологии больших данных, не имеющие
привязки к конкретному типу экономической деятельности. Первый тип был подробно
описан в настоящей работе и является основным предметом исследования. Ко второму
типу относятся технологии, позволяющие разрабатывать новые продукты, анализировать
спрос и повысить качество работы с клиентами. Это, например, технологии предиктивной
аналитики. Несмотря на то, что напрямую они не относятся к логистике, такие технологии
могут принести большую пользу компаниям, что не было упущено крупными игроками
рынка.
Также анализ первой группы показал, что такие компании начинают конкурировать
по уровню развития технологий, в том числе и технологий аналитики больших данных,
которые позволяют компаниям одновременно снижать свои издержки и повышать
качество предоставляемых услуг. На это указывает, в том числе и тот факт, что такие
компании приобрели в прошлом технологические компании, разрабатывающие
программное обеспечение для аналитики больших данных, и сделали их своими
подразделениями или дочерними компаниями. Также о переходе таких компаний в раздел
48
технологических свидетельствует и заявление главы компании Монополия, в которой он
заявил, что целью развития компании является переход от традиционной модели ведения
бизнеса к масштабной онлайн-платформе, на которой грузоотправители смогли бы
свободно размещать заказы на грузоперевозку, которые бы осуществлялись
самоуправляемыми транспортными средствами, которые бы администрировала сама
платформа.
Перекрёстный анализ кейсов также показал, что все компании, которые можно
отнести к сегменту малого и среднего бизнеса, используют новую модель
платформенного бизнеса. Безусловно, такой вывод можно опровергнуть утверждением,
что малые и средние компании в принципе не являются публичными и потому
информацию о них будет сложно найти в открытых источниках. В то же время компании с
инновационной моделью, в силу своей специфичности, наоборот, привлекают внимание
СМИ и потому данные о них найти легче, что и привело к сделанному выводу. Такое
суждение выглядит логичным. Однако нет сомнений, что пример компании малого и
среднего бизнеса с традиционной для логистической сферы бизнес-моделью, которая
внедрила аналитику больших данных и тем самым добилась значительного роста, был бы
широко освещён. Сделанный вывод не означает, что аналитика больших данных не
используется обычными малыми и средними логистическими компаниями, он лишь
указывает, что компаний платформенного типа становится всё больше за счёт развития
таких технологий и их успех повышает уровень конкуренции рынка грузоперевозок,
создавая угрозу компаниями традиционного типа.
49
Обычно данные полученные от одной технологии используются в другой, что позволяет
повысить степень глубины анализа данных. Однако при использовании технологий
разных компаний это становится куда сложнее, так как необходимым условием
становится совместимость программ от различных разработчиков, что на рынке
встречается редко.
50
Вывод по главе 2
51
Глава 3. Возможности и барьеры использования аналитики больших
данных малыми и средними логистическими компаниями в России
3.1 Определение малого и среднего бизнеса
Общественные
организации ≤25%
Источник: ФЗ №204 «О развитии малого и среднего бизнеса».
52
Следует отметить, что, несмотря на существующие формальные характеристики,
по которым компании должны относиться к малому и среднему бизнесу, банки зачастую
осуществляют классификацию самостоятельно и на своё усмотрение, в зависимости от их
собственной оценки бизнеса.
Малые предприятия ≤ 50 ≤ 10 ≤ 10
Средние ≤ 250 ≤ 50 ≤ 43
предприятия
Источник: Eurostat.eu
53
Несмотря на то, что во всех развитых и ряде развивающихся стран малый и
средний бизнес является основой благосостояния страны, в России он развит не столь
значительно. Согласно данным федеральной службы государственной статистики вклад
компаний малого и среднего бизнеса в ВВП России в 2016 году составил 21%. Для
сравнения, в странах Евросоюза этот показатель в 2016 году составлял от 50% в Польше
до 75% в Греции. Более подробно данные о вкладе малого и среднего бизнеса в ВВП
своей страны представлены на графике 6.
75.1
67.0 66.7 64.6
51.8 50.6
45.3
40.8
21.0
График 6. Вклад малого и среднего бизнеса в ВВП по странам в 2016 году, % от ВВП
Источник: Росстат
86.4
25,6
Источник: Росстат
54
В целом, в последние годы количество малых и средних компаний остаётся
стабильным. Сложно оценить является ли этот факт положительным или негативным, так
как с одной стороны экономическая стагнация негативно сказалась на финансовом
благосостоянии граждан и их платёжеспособности, что должно было отразиться на
бизнесе. С другой стороны, с 2009 года развитие малого и среднего бизнеса в России
является одной из ключевых задач Министерства Экономического развития России,
однако значительных результатов она не возымела, если основываться на данных,
приведённых на графиках 8 и 9.
17,703
15,826
15,372 15,492
15,326
55
За последние годы определённые решения для улучшения состояния малого и
среднего бизнеса в России всё же были предприняты. До 2019 года наложен мораторий на
повышение налогов для малого и среднего бизнеса. В два раза увеличены пороговые
значение по выручке, для отнесения предприятий в разряд малого и среднего бизнеса.
Создана федеральная корпорация по развитию малого и среднего бизнеса. Также закупки
госкомпаний у малого и среднего бизнеса были выведены на уровень не ниже 18%.
56
После определения характеристик малого и среднего бизнеса в России и его
состояния на данный момент, было выделено два типа малых и средних логистических
компаний, которые необходимо было изучить. Данные два типа компаний описаны в
следующем пункте данной работы.
Как и для любых других компаний, для компаний первого типа основной задачей
для обеспечения рентабельности бизнеса является задача снижения затрат. Это вызвано
тем, что тарифы на перевозку в рамках одного региона зачастую одинаковые у
большинства перевозчиков, потому увеличение доходности возможно лишь за счет
снижения издержек или же увеличения оборачиваемости.
57
конкретной компании. Данный факт является ещё одной причиной невозможности
подсчёта количества логистических компаний в России, так как крайне сложно оценить
количество таких индивидуальных предпринимателей.
58
демонстрируют интерес к компаниям такого типа. Авторы отмечают, что в будущем
именно бизнес-модель основанная на платформе станет доминирующей среди компаний, а
компаниям традиционного типа придётся или принять новые правила игры, либо
полностью уйти с рынка, независимо от их отраслевой принадлежности. Заметим, что
вывод авторов коррелируют с высказанным ранее утверждением о том, что в будущем
логистическая отрасль как таковая перейдёт к модели платформ, на которых
грузоотправители смогут свободно размещаться свои заказы на перевозку, которые будут
распределяться между перевозчиками, участвующими в платформе.
59
будут основаны на эмпирических данных и потому будут релевантными, несмотря на то,
что будут полностью субъективными. Во-вторых, человек должен был иметь
представление о том, что такое аналитика больших данных и иметь понимание о том, чем
в принципе являются большие данные. В-третьих, человек должен был быть сотрудником
малой и средней логистической компании. При наличии двух из трёх указанных факторов,
человек считался экспертом, чьё мнение является ценным для целей настоящего
исследования.
Далее был начат поиск экспертов, которые были бы готовы принять участие в
исследовании. Во время поиска предложения об участии в той или иной форме были
озвучены 14 компаниям. Положительные ответы были получены от 6 экспертов, с
которыми было проведено в общей сложности 7 интервью. Описание экспертов и их
сферы деятельности представлены ниже:
60
директорами технологических компаний, это позволяло понять, на каких технологиях они
специализируются, а также лучше понять суть самих технологий.
Третьей темой разговора были сами большие данные. Экспертам было предложено
описать, что они понимают под большими данными и какие типы данных они к этому
относят. Ответы на эти вопросы позволили понять, насколько полное представление о
проблеме имеет эксперт и насколько информированными являются его ответы на вопросы
об аналитике больших данных.
61
уже внедрено он не считает необходимым и целесообразным внедрять что-либо ещё, так
как технологии устанавливались ещё когда у компании было хорошее финансовое
состояние, а сейчас ситуация для этого не благоприятная. Он пояснил, что за последние
годы значительного роста тарифов на перевозку не было, однако топливо и запчасти для
автомобилей подорожали в разы. На предложение о том, что технологии аналитики
больших данных может отдавать на аутсорсинг технологическим компаниям, он ответил,
что такие данные являются крайне важными, и он не уверен, что компания в полной мере
сможет обеспечить их безопасность. Он также отметил, что эффективность уже
внедрённых в его бизнесе технологий резко снижается из-за недобросовестности
водителей, которые придумывают различные способы обойти датчики, чтобы сливать из
баков бензин для продажи.
Ещё одной причиной выбора рынка В2В является сложность выхода на рынок В2С
для любой новой компании. Это вызвано тем, что для рынка В2С характерны
значительные инвестиции в маркетинг, которые молодые компании не могут себе
позволить. Например, выходя на рынок Санкт-Петербурга, новым компаниям придётся
конкурировать с компаниями «Грузовичков» и «Газелькин», чьи инвестиции в маркетинг,
по оценкам эксперта, составляют десятки миллионов рублей. Для маленьких компаний
такие бюджеты просто не достижимы.
Эксперт также выразил уверенность в том, что такие именно такая модель ведения
бизнеса в будущем преуспеет, объяснив это в том числе, аргументами, описанными выше.
Как и третий эксперт, пятый эксперт считает, что именно в России развитие таких
технологий пока маловероятно, из-за отсутствия необходимой для этого инфраструктуры
в компаниях и стране в целом. Того же мнения он придерживается относительно перехода
логистической отрасли к модели общей платформы, объединяющей всех игроков рынка и
грузоотправителей.
Шестой эксперт имел опыт разработки стратегии для ряда крупных логистических
компаний. В рамках разработки стратегии технологии аналитики больших данных в
логистике рассматривались лишь как внешние факторы, влияющие на компанию, однако
их внедрение в компании не рассматривались. С его точки зрения, разработка технологий
в современных реалиях России связаны со слишком большим риском. На данный момент
большинство логистических компаний теряют прибыль, их выручка растёт медленнее,
чем инфляция в стране. Более того, невозможно полностью оценить экономический
результат разработки и внедрения таких технологий. Потому такие проекты можно
описать фразой «пан или пропал». Следовательно, для компаний малого и среднего
бизнеса тем более не могут получить распространение. Относительно компаний с новой
моделью ведения бизнеса, у эксперта имеются сомнения относительно их способности,
конкурировать с крупными компаниями при поиске клиентов, как среди юридических, так
и среди физических лиц. Однако, по его мнению, успех таких компаний на зарубежных
рынках доказывает, что и в России они однажды также появятся, но лишь в перспективе
пяти лет.
65
Другим ограничениями для компаний, разрабатывающих платформы, является
поиск перевозчиков, которых можно было бы подключить к платформе. Сегодня, как
сказал эксперт, к таким платформам можно подключить лишь частных перевозчиков,
однако количество людей, владеющих собственными грузовыми автомобилями не велико.
Действующие же компании со своим автопарком уже имеют устоявшуюся клиентскую
базу, потому такие платформы для них не привлекательны, так как к ним подключено не
так много грузоотправителей.
66
Далее на основе проведённых интервью, результатов анализа кейсов внедрения
аналитики больших данных, а также публичных данных об актуальном состоянии малого
и среднего бизнеса в России были выявлены возможности и барьеры аналитики больших
данных в малых и средних компаниях, которые представлены в пункте 3.5 этой работы.
67
Барьеры для внедрения аналитики больших данных в малых и средних
логистических компаниях
68
привлекать грузоотправителей на свои платформы. Выход на рынок В2С закрыт из-за
невозможности конкурировать по маркетинговым бюджетам с крупными игроками рынка.
В секторе В2В компаниям приходится сталкиваться с недоверием со стороны
грузоотправителей к новой модели ведения бизнеса. Во-вторых, ещё одним фактором,
негативно влияющем на возможность компаний-платформ привлекать новых
грузоотправителей, является высокая доля «серых» перевозок, благодаря которым
компании-грузоотправители избегают уплаты НДС. У таких компаний нет мотивации
размещать свои заказы на интернет-платформах, так как это приведёт к полной
прозрачности процесса перевозок. В-третьих, скорость выхода на рынок для таких
компаний крайне важна. Если компания не успеет одной из первых предложить свой
продукт потребителю, это приведёт к необходимости резкого увеличения затрат на
маркетинг, что, в сложных экономических условиях, может стать крайне сложной задачей.
Помимо этого, такие компании вынуждены конкурировать не только с крупными
игроками с традиционной бизнес-моделью, но и с компаниями, которые могут
потенциально выйти на рынок коммерческих грузоперевозок, используя свои
компетенции в области разработки технологий управления транспортными средствами и
аналитики больших данных. Такими компаниями, например, могут стать курьерские
компании-платформы, которые на данные момент фокусируются на малогабаритных
перевозках, однако для них вопрос выхода на рынок коммерческих грузоперевозок во
многом заключается лишь в подключении в платформе перевозчиков с новым видом
транспорта.
Вывод по главе 3
69
Из вывода данной главы может создаться ощущение о невозможности применения
аналитики больших данных в малых и средних логистических компаниях, так как
количество барьеров сильно превышает количество возможностей. Для проверки данного
суждения, был проведён анализ примеров двух компаний с традиционной и
платформенной моделями ведения бизнеса, которые активно используют технологии
аналитики больших данных. Целью данного анализа было выявить, насколько на самом
деле существенными являются описанные выше барьеры.
70
Глава 4. Оценка степени влияния выявленных барьеров на внедрение
аналитики больших данных логистическими компаниями
4.1 Оценка степени влияния выявленных барьеров на внедрение аналитики
больших данных на примере компании «Логистика Авто»
71
транспортных средств, отчёты об истории передвижения, графические отчёты и плановые
отчёты, которые составляются на конкретную дату. Доступ к первичным данным клиент
не имеет.
72
если принять оба показателя экономии за 1% в месяц, то внедрение таких технологий
окупиться для компании «Логистика Авто» уже на 9 месяц использования.
73
В случае финансового лизинга обслуживание транспортного средства является
обязательством компании, берущей транспортное средство в лизинг, и актив отражается
на балансе этой компании. Компания также обязуется выкупить актив по завершения
контракта о финансовом лизинге. Таким образом, все выгодоприобретателем от внедрения
технологий трекинга является логистическая компания, а лизинговая компания опять же
не несёт никаких потерь или рисков от внедрения таких технологий.
74
конкретной поездке, вводя в расчёт новые факторы. Помимо этого в компании
разработаны технологии трекинга транспортных средств. Примечательно также, что для
компаний-платформ, для которых перевозчики являются партнёрами, а не клиентами,
усложняется ещё сильнее. Это вызвано тем, что таким компаниям необходимо в
приложениях визуально отображать актуальное состояние транспортного средства, что
является, по словам разработчиков приложения, одной из самых сложных задач, так как
чтобы довести временной лаг до состояния менее минуты, а также правильно отображать
направление движения, необходимо разрабатывать отдельные программные продукты и
значительно инвестировать в эту область.
Тот факт, что за полтора месяца работы компания смогла подключить 150
пользователей, показывает, что влияние второго барьера не столь велико, как это
оценивали эксперты. Логистические компании-платформы изначально не ориентируются
75
на заказы физических лиц, так как это слишком нестабильный источник дохода.
Безусловно, по мере роста компания будет наращивать количество заказ от физических
лиц по мере роста возможностей инвестиций в маркетинг, однако ставка на такие заказы
не делается. При этом юридические лица на самом деле во многом могут выиграть от
участия на платформе. В первую очередь, если говорить о «серых» перевозчиках, то
оплата с ними происходит наличными средствами, а для большинства компаний это
является нетривиальной задачей в условиях экономического кризиса, в то время как на
платформе оплата происходит онлайн. Более того, на платформе компании Gruzer на
данный момент зарегистрировано порядка 60 грузоперевозчиков с различными видами
транспортных средств, потому платформа способна обеспечить своевременную поставку
автомобиля при срочном заказе, не уступая в скорости крупным игрокам, а при плановом
заказе удовлетворить потребность в перевозке своих клиентов, определяя на него нужное
количество автомобилей. Таким образом, компании-платформы могут успешно
конкурировать с обычными логистическими провайдерами в секторе В2В.
76
средств и превратиться в технологическую компанию. Данный поступок требует, чтобы
топ-менеджмент компании состоял из визионеров, готовых пойти на значительные риски,
а также готовых столкнуться со значительным сопротивление со стороны сотрудников и
инвесторов компании, потому новым компаниям в определённой мере легче
разрабатывать такие платформы и выводить их на рынок.
Вывод по главе 4
77
Заключение
Далее было выделено два типа малых и средних логистических компаний. Первый
тип – это компании с традиционной бизнес-моделью, чьим основным активом являются
транспортные средства. Второй тип – компании-платформы, на которых объединяются
грузовладельцы и перевозчики. Основным активом таких компаний являются её
участники и их ресурсы. Впоследствии компании двух типов изучались отдельно.
78
обоих типов, являются сложность финансирования подобных проектов, вызванная рядом
экономических факторов. Кроме этого, компаниям традиционного типа мешают
дополнительные расходы, связанные с системой Платон, а также отсутствие
информационных систем. Для компаний инновационного типа, как было выявлено,
специфическими барьерами являются высокая доля «серых» перевозчиков, сложность
привлечения на платформу клиентов из сектора В2В, и ограниченный доступ в сегмент
В2С, угроза конкуренции со стороны крупных компаний, а также вынужденная гонка за
право первым представить свой продукт на рынок.
79
усилию на ответах на вопросы о том, где им вести бизнес и какой груз перевозить, что
является аспектами уже бизнес-стратегии. В таких условиях логистический рынок
потенциально может стать более привлекательным для малых и средних логистических
компаний. Компании смогут приобретать автомобили и регистрировать их на платформах,
извлекая из них доход, без потребности конкурировать по ценам и уровню сервиса с
другими логистическими провайдерами, так как эти параметры будут задаваться самой
платформой.
80
Список использованной литературы
1. «Умные» грузовики: как организовать перевозки по принципу птичьих стай, доступ
http://www.rbc.ru/magazine/2016/04/56ead0549a79474e4031fc94 / (Дата обращения
17.03.2017)
2. RIO: открытая платформа для транспортной отрасли на основе облачных технологий,
[Электронный ресурс] Режим доступа: http://vts35.ru/news/rio-otkrytaya-platforma-dlya-
transportnoj-otrasli- (Дата обращения 17.03.2017)
3. Грабер М., SQL / Грабер М. – 1ое изд. – Лори – 2009.
4. Кузнецов С. Д., Базы данных. Модели и языки / Кузнецов С. Д. – 1ое изд. – Бином –
2008.
5. Московская Биржа (2015), “Аналитический обзор рынка Big Data”, доступ
https://habrahabr.ru/company/moex/blog/256747/ (Дата обращения 16.03.2017)
6. Тоскин А., “Большие грузы – Большие Данные. Big Data для транспортно-
логистических узлов”, доступ http://lscm.ru/index.php/ru/po-rubrikam/item/1097 (Дата
обращения 18.03.2017)
7. ФаберНовел (2014), “Большие данные приходят на помощь малому и среднему
бизнесу”, доступ https://habrahabr.ru/company/fabernovel/blog/220829/ (Дата
обращения 17.03.2017)
8. Accenture (2014), “Global Operations Megatrends Study. Big Data analytics: Hype or here
to stay?”
9. Annual Report / Amazon. com Inc. – Seattle, 2016
10. Annual Report / DHL – Bonn, 2016
11. Annual Report / FedEx Corporation – Memphis, 2014
12. Annual Report / FedEx Corporation – Memphis, 2015
13. Annual Report / FedEx Corporation – Memphis, 2016
14. Annual Report / United Parcel Service Inc. – Atlanta, 2016
15. Annual Report /Wal-mart Stores Inc. – Bentoville, 2016
16. Brinch M., Stentoft J., Jensen J. K. (2017), “Big Data and its Applications in Supply Chain
Management: Findings from a Delphi Study”, Hawaii International Conference on System
Sciences, Hawaii, 2017/
17. Christopher, M. (2011), Logistics & supply chain management, 4th Ed, FT Prentice Hall,
NY
81
18. Cisco (2016), “The Zetabyte Era”, available at
http://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-
vni/vni-hyperconnectivity-wp.html (Дата обращения 17.03.2017)
19. Demand Planning Blog. 2017. How FedEx Uses Macroeconomic Data to Forecast Demand |
Demand Planning Blog. [Электронный ресурс] Режим доступа: http://demand-
planning.com/2016/04/06/how-fedex-uses-macroeconomic-data-to-forecast-demand/. (Дата
обращения 15.04.2017)
20. DHL (2016), “Logistics trend radar”
21. Double-Digit Growth Forecast for the Worldwide Big Data and Business Analytics Market
Through 2020 Led by Banking and Manufacturing Investments, According to IDC -
prUS41826116. [Электронный ресурс] Режим доступа: http://www.idc.com/getdoc.jsp?
containerId=prUS41826116. (Дата обращения 15.04.2017)
22. Eisenhardt, K. M., Building Theories from Case Study Research / Eisenhardt, K. M. //
Academy of Management Review – 2012.
23. Fawcett T., Data Science for Business // Fawcett T., Provost F. – 1 st ed – O’Reilyy Media -
2013
24. H. L. Lee, Technological disruption and innovation in last-mile delivery / H. L. Lee, Y.
Chen, B. Gillai, S. Rammohan – Stanford Graduate School of Management – 2017
25. How Amazon Is Leveraging Big Data. 2017. How Amazon Is Leveraging Big Data.
[Электронный ресурс] Режим доступа: https://datafloq.com/read/amazon-leveraging-big-
data/517. (Дата обращения 15.04.2017)
26. How Barcelona Deploys Big Data To Improve Lives And Create A Smart City. 2017. How
Barcelona Deploys Big Data To Improve Lives And Create A Smart City. [Электронный
ресурс] Режим доступа: https://datafloq.com/read/how-barcelona-deploys-big-data-to-
improve-lives-an/297. (Дата обращения 15.04.2017)
27. IDC (2016), “Worldwide Semiannual Big Data and Analytics Spending Guide’
28. John Rose. 2017. bcg.perspectives - The Value of Our Digital Identity . [Электронный
ресурс] Режим
доступа: https://www.bcgperspectives.com/content/articles/digital_economy_consumer_insi
ght_value_of_our_digital_identity/. (Дата обращения 15.04.017)
29. KPMG 2017 Supply Chain Big Data Series Part 1 [Электронный ресурс] // KPMG -
Available at https://assets.kpmg.com/content/dam/kpmg/au/pdf/2017/big-data-analytics-
supply-chain-performance.pdf (Дата обращения 15.04.2017)
82
30. Rozados I.V., Tjahjono B. (2014), “Big Data Analytics in Supply Chain Management:
Trends and Related Research”, Conference paper of 6th International Conference on
Operations and Supply Chain Management
31. S. Fosso Wamba, How ‘Big Data’ Can Make Big Impact: Findings from a Systematic
Review and a Longitudinal Case Study [Электронный ресурс] / Fosso Wamba S., Akter S.,
Edwards A., Chopin G., Gnanzou D. // International Journal of Production Economics –
2015 – Режим доступа: http://dx.doi.org/10.1016/j.ijpe.2014.12.031 (Дата обращения
19.05.2017)
32. S. Robak, Research Problems Associated with Big Data Utilization in Logistics and Supply
Chains Design and Management [Электронный ресурс] / S. Robak, B. Franczyk, M. Robak
– Режим доступа: http://annals-csis.org/Volume_3/pliks/472.pdf (Дата обращения
15.04.2017)
33. T. Schoenherr, Data Science, Predictive Analytics, and Big Data in Supply Chain
Management: Current State and Future Potential [Электронный ресурс] / T. Schoenherr, C.
Speier-Pero – Режим доступа:
http://onlinelibrary.wiley.com/doi/10.1111/jbl.12082/abstract?
userIsAuthenticated=false&deniedAccessCustomisedMessage (Дата обращения:
15.04.2017)
34. Twelve Forces That Will Radically Change How Organizations Work: The New New Way
of Working. [Электронный ресурс] Режим
доступа: https://www.bcg.com/publications/2017/people-organization-strategy-twelve-
forces-radically-change-organizations-work.aspx?linkId=35939610. (Дата обращения
15.04.2017)
35. Vinil Ramdev. 2017. How Can Small Business Benefit From Big Data. [Электронный
ресурс] Режим доступа: https://www.entrepreneur.com/article/274380. (Дата обращения
15.04.2017)
36. Walmart Is Making Big Data Part Of Its DNA. 2017. Walmart Is Making Big Data Part Of
Its DNA. [Электронный ресурс] Режим доступа: https://datafloq.com/read/walmart-
making-big-data-part-dna/509. (Дата обращения 15.04.2017)
37. Wegner M. and Dr. Kuchehaus M. (2013), “Big Data in Logistics. A DHL perspective on
how to move beyond the hype”, available at http://www.dhl.com/content (Дата обращения
13.03.2017)
38. Why UPS spends over $ 1 Billion on Big Data Annually. 2017. Why UPS spends over $ 1
Billion on Big Data Annually. [Электронный ресурс] Режим доступа:
83
https://datafloq.com/read/ups-spends-1-billion-big-data-annually/273. (Дата обращения
15.04.2017)
39. Yin R. K., Case Study Research: Design and Methods / Yin R. K. – 5th ed. – SAGE
Publications – 2014 – Fawcett T.,
84