Федеральное государственное бюджетное образовательное

учреждение высшего профессионального образования

Санкт-Петербургский государственный университет
Институт «Высшая школа менеджмента»

ИСПОЛЬЗОВАНИЕ АНАЛИТИКИ БОЛЬШИХ ДАННЫХ В УПРАВЛЕНИИ

МАЛЫМИ И СРЕДНИМИ ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМИ КОМПАНИЯМИ

Выпускная квалификационная работа

студента 4 курса бакалаврской программы,
профиль – Логистика

Уразбахтин Денис Рифхатович

(подпись)

Научный руководитель:
к.э.н., ассистент кафедры операционного
менеджмента

Гладкова Маргарита Анатольевна

(подпись)

Санкт-Петербург
2017
 Заявление о самостоятельном выполнении выпускной
квалификационной работы

Я, Уразбахтин Денис Рифхатович, студент 4 курса направления 080200

«Менеджмент» (профиль подготовки – Логистика), заявляю, что в моей выпускной
квалификационной работе на тему «Использование аналитики больших данных в
управлении малыми и средними транспортно-логистическими компаниями»,
представленной в службу обеспечения программ бакалавриата для последующей передачи
в государственную аттестационную комиссию для публичной защиты, не содержится
элементов плагиата. Все прямые заимствования из печатных и электронных источников, а
также из защищённых ранее курсовых и выпускных квалификационных работ,
кандидатских и докторских диссертаций имеют соответствующие ссылки.

Мне известно содержание п. 9.7.1 Правил обучения по основным образовательным

программам высшего и среднего профессионального образования в СПбГУ о том, что
«ВКР выполняется индивидуально каждым студентом под руководством назначенного ему
научного руководителя», и п. 51 Устава федерального государственного бюджетного
образовательного учреждения высшего профессионального образования «Санкт-
Петербургский государственный университет» о том, что «студент подлежит отчислению
из Санкт-Петербургского университета за представление курсовой или выпускной
квалификационной работы, выполненной другим лицом (лицами)».

____________________________________ (Подпись студента)

____________________________________ (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

Большие данные, появившиеся в результате изменения структуры генерируемых

данных и развития новых технологий, привлекают к себе все больше внимания, как со
стороны учёных, так и со стороны практиков бизнеса. Логистические провайдеры в
данном случае не исключение. Все больше компаний внедряют у себя аналитику больших
данных для всестороннего развития бизнеса и получения дополнительных конкурентных
преимуществ. При этом можно говорить об аналитике больших данных, как о глобальном
тренде, меняющем сам подход к управлению организациями.

Однако вопреки всей важности данной технологии для конкуренции, компании

малого и среднего бизнеса не проявили большого интереса к таким технологиям. Цель
настоящей работы – определить перспективы и барьеры применения аналитики больших
данных в малых и средних транспортно-логистических компаниях.

Предметом исследования являются технологии аналитики больших данных в сфере

логистики.

Объектом исследования являются малые и средние транспортно-логистические

компании, оперирующие на рынке России.

Актуальность данной работы обусловлена глобальным ростом объёма данных в

мире, развитием новых технологий и растущим интересом к данной проблематике со
стороны научного сообщества. Принимая во внимание тот факт, что развитие аналитики
больших данных рассматривается как основа конкурентных преимуществ компании,
игнорирование малыми и средними логистическими компаниями данных технологий
может, в теории, привести к их полному уходу с рынка.

Для реализации поставленной цели необходимо было решить ряд задач:

 Определить способы применения аналитики больших данных в логистике на

основе изучения научных публикаций по теме;
 Выявить наиболее распространённые технологии аналитики больших данных в
логистических компания на основе кейс-метода, как метода анализа;
 Сформулировать на основе экспертных интервью и анализа актуального состояния
малого и среднего бизнеса в России ключевые перспективы и барьеры применения
аналитики больших данных в малых и средних логистических компаниях России;

4
  Определить степень влияния сформулированных барьеров на примере реальных
малых и средних логистических компаний.

Предполагается, что реализация всех поставленных задач позволит сформировать

комплексное представление о проблеме.

Данная работа состоит из трёх частей: Введения, Основной части и Заключения.

Основная часть содержит четыре главы, в которых отражены характеристики рынка и
методов аналитики больших данных, анализа реальных примеров применения больших
данных в логистике, анализа малого и среднего бизнеса в России и примеров
использования аналитики больших данных в малых и средних логистических компаниях.

Первая глава включает в себя анализ характеристик больших данных, технологий

их обработки, а также направлений применения аналитики больших данных в логистике.
Помимо этого, в данную главу планируется добавить анализ существующей литературы
по выбранной проблематике.

Вторая глава содержит анализ двадцати лучших практик применения аналитики

больших данных в логистике, а также выводы, сформулированные на основе этого
анализа.

В третьей главе проводится анализ актуального состояния малого и среднего

бизнеса, интервью экспертов, а также приводятся основные возможности и барьеры
применения аналитики больших данных в малых и средних логистических компаниях.

В заключительной главе настоящего исследования проводиться анализ степени

влияния выявленных барьеров на примере реальных малых и средних логистических
компании России.

Для подготовки настоящей работы использовались научные и другие профильные

публикации, аналитические отчета, публикации в СМИ и других открытых источников
сети Интернет. Все данные, кроме проведённых интервью, собранные для исследования,
являются вторичными.

5
Глава 1. Характеристика рынка и методов аналитики больших данных
1.1 Большие данные: предпосылки возникновения и определения

Информация исторически являлась одним из ключевых элементов в цепи поставок

и в логистике, как в одном из её аспектов. Компаниям необходима информация для
принятия управленческих решений и определения актуального состояния организации.
Однако по сути своей информация является продуктом обработки массивов данных. Сами
данные не представляют ценности для компаний, так как являются лишь набором
символов, образов и числовых значений. Именно поэтому компании применяют
статистику и аналитику для создания ценности на основе собираемых данных. С середины
двадцатого века компании используют аналитику для определения оптимальной
структуры распределительной сети и наилучшего маршрута, применяют модель
экономического размера заказа в снабжении и управлении запасами и т.д. Однако
возможности анализа до недавнего времени были ограничены. Во-первых, компании
собирали данные для целей конкретного анализа, что сильно ограничивало получаемый
результат и возможности глубокого понимания ситуации. Во-вторых, для анализа
использовались исторические данные, то есть данные, собранные с временным лагом.

Сегодня подход к аналитике данных претерпевает значительные изменения. В

первую очередь, изменилась сама структура данных. В качестве анализа компании в
различных отраслях используют не только данные, характеризующие показатели
функционирования самой компании или показатели изменения внешней бизнес-среды, но
и совершенно недоступные ранее данные, например, о погодных условиях. Еще одним
изменением стало появление интернета вещей, которое привело к возникновению
множества новых источников данных. Автомобили, смартфоны, веб-камеры и сенсоры
постоянно генерируют огромный поток информации, что увеличивает скорость сбора и
обработки данных. Все это повлияло на неуклонный рост объёма данных, генерируемых в
мире ежедневно. Подтверждением этого служит, в частности, рост интернет трафика.
Согласно прогнозу компании Cisco1 в период с 2015 по 2020 объем интернет трафика
вырастет с 20 до 60 тыс. гигабайт в секунду.

1
Cisco, “The Zetabyte Era” (2016)

6
 61.4

20.2

2015 2020

График 1. Рост объема данных на примере объема интернет трафика 2015-2020

Источник: Cisco (2016)2

Помимо этого изменился и тип собираемых данных. Сегодня данные собираются

из видео и фотографий, съёмок наружного наблюдения, интернет-форумов и социальных
сетей. Возникновение большого количества неструктурированных данных способствовало
увеличению их разнообразия. Все произошедшие изменения привели к возникновению
термина большие данные.

Большие данные характеризуются тремя основными параметрами: объёмом,

скоростью и разнообразием.

 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.

Кроме трёх основных характеристик, которые являются общепринятыми,

некоторые компании и исследователи выделяют и другие аспекты больших данных. Так,
например, американская компания SAS3 , являющаяся одним из лидеров в разработке
решений в сфере аналитики и машинного обучения в мире, выделяет изменчивость и
комплексность как ещё две важные характеристики больших данных.

Изменчивость отражает тот факт, что помимо большой скорости генерации и

высокого разнообразия, большие данные могут характеризоваться и значительной
волатильностью объёмов во времени. Особенно это свойственно для данных, собираемых
2
Cisco, “The Zetabyte Era” (2016)
3
https://www.sas.com/en_us/insights/big-data/what-is-big-data.html

7
из социальных сетей, где популярный контент очень нестабилен. Для обработки таких
пиков информации, указывает компания SAS4, необходимы технологии анализа больших
данных.

На комплексность, как на одну из характеристик больших данных, указывает

необходимость совмещать внутри одного анализа данные разного типа и полученные из
разных источников, что создаёт проблему сверки и совмещения данных внутри одной
системы. Это необходимо, чтобы постоянно соблюдать целостность собранных данных.

Также некоторые исследователи выделяют достоверность и ценность как

характеристики больших данных.

Значимость достоверности вытекает из других характеристик больших данных,

скорости и разнообразия. Из-за этих двух характеристик, компаниям необходимо
постоянно проверять хранящиеся у неё данные на предмет их адекватности целям анализа.
Компании вынуждены использовать специальные способы обработки данных, чтобы
исключать из анализа нерелевантные или некорректные данные. Данный признак во
многом схож с признаком комплексности, выделенным компанией SAS.

Ещё одной распространённой характеристикой больших данных является ценность.

Большие данные это не просто массив неструктурированных данных большого объёма.
Эти данные должны создавать ценность для компании, помогать улучшать внутренние
процессы или разрабатывать новые продукты/услуги.

Несмотря на множество различных точек зрения, основные три характеристики

больших данных (объём, скорость и разнообразие) встречаются в каждом определении
больших данных.

В бизнесе типы данных, относимые к большим данным, определяются каждой

компанией на её усмотрение. Согласно исследованию консалтинговой компании
Accenture5 , наиболее часто к большим данным компании относят файлы большого объёма
(более 20 терабайт), визуализированные данные, данные из социальных сетей,
неструктурированные данные (видео- или звукозаписи), данные о геопозиции, данные из
СМИ и данные от автономных источников (автомобили, смартфоны и т.д.).

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.

Изменение структуры данных, используемых для анализа, привело к появлению

новых технологий и подходов к их обработке и анализу. В своей статье о больших данных
аналитики Московской Биржи6 выделяют пять наиболее распространённых типов
программного обеспечения, используемых для работы с большими данными: SQL,
NoSQL, SAP HANA, MapReduce и Hadoop. Безусловно, приведённый список не является
исчерпывающим. Ниже приведены краткие описания указанных технологий.

 SQL является языком запросов, который позволяет обрабатывать обширные базы

данных, а также создавать и изменять их. При этом за управление самой базой
данных отвечает отдельная система.
 NoSQL является сокращением термина Not Only SQL (не только SQL). NoSQL
используется для работы с базами данных, чья структура постоянно изменяется,
как в случае обработки данных из социальных сетей.
 SAP HANA – это NewSQL платформа с высокой производительностью. Она
используется для хранения и обработки больших баз данных. Её особенностями
являются высокая скорость обработки данных и низкая стоимость поддержки
системы.
 MapReduce используется для одновременных вычислений над большими базами
данных. Модель использует два метода обработки данных: Map и Reduce. Первый
определяет предварительные данные для анализа, а второй позволяет их
агрегировать.
 Hadoop используется для осуществления поиска по сайтам с большим объёмом
данных – Amazon, Вконтакте и т.д. Особенностью системы является защищённость
от выхода из строя любого из узлов.

6
Московская Биржа, “Аналитический обзор рынка Big Data” (2015)
https://habrahabr.ru/company/moex/blog/256747/

9
1.2 Глобальный рынок аналитики больших данных

Появление новых технологий анализа больших данных привело к появлению

спроса со стороны бизнеса на новые навыки у сотрудников. Позиция специалиста в
аналитике больших данных и смежных с этим областях считается одной из самых
востребованных и высокооплачиваемых в мире согласно журналу Forbes 7. В исследовании
компании IBM8 говорится, что глобальный спрос на специалистов в области анализа
данных и науки о данных в 2015 году составил 4.4 млн. рабочих мест.

Согласно расчётам другой компании, International Data Corporation (IDC) 9,

глобальная выручка рынка бизнес-аналитики и аналитики больших данных в 2016 году
составила 130 млрд. долл. США. Компания также прогнозирует, что к 2020 году этот
показатель возрастёт до 203 млрд. долл. США, что потребует ежегодного роста рынка на
11,8% в год.

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

2014 2015 2016 2017 2018

График 3. Рост выручки рынка аналитики данных в России, млрд. долларов, 2014-2018

Источник: IDC11

Переход аналитики данных на новый уровень позволил решить две

существовавшие до этого проблемы в этой сфере. Так как сейчас в распоряжении
компаний находятся большие массивы разнообразных данных, компании могут находить
совершенно неожиданные корреляции между различными факторами. Более того, глубина
анализа данных и возможности принятия эффективных решений резко возросли.
Временной лаг анализируемой информации тоже был либо сведён до минимума, либо
полностью устранён благодаря появлению интернета вещей и новых технологий,
ускоряющих скорость сбора и обработки данных.

1.3 Анализ публикационной активности по теме больших данных

В рамках проводимого исследования был проведён анализ научных публикаций на

русском и английском языках, с целью определения существующих трендов в научных
исследованиях проблемы аналитики больших данных. Для этого было выбрано две
онлайн-платформы. Для анализа русско-язычных публикаций была выбрана платформа
eLIBRARY, являющаяся крупнейшей в России онлайн-библиотекой научных публикаций.
Для анализа зарубежных научных публикаций была выбрана платформа EBSCO.

Как и ожидалось, большее количество публикаций по теме аналитики больших

данных было выявлено на платформе EBSCO. Для поиска использовались следующие
ключевые слова и словосочетания: «Big Data», «Supply Chain Management», «Logistics
Small and medium sized enterprises»; а также их различные комбинации. Поиск

11
IDC, “Worldwide Semiannual Big Data and Analytics Spending Guide’ (2016)

11
производился среди названий статей, аннотаций и ключевых слов. Ниже представлены
результаты анализа:

 «Big data» – 48 753 публикации;

 «Big data» и «Supply Chain Management» – 414 публикаций;
 «Big data» и «Logistics» – 694 публикаций;
 «Big data» и «Logistics» или «Supply Chain Management» – 1108 публикаций;
 «Big data» и «Small and medium sized enterprises» – 103 публикации;
 «Big data» и «Logistics» и «Small and medium sized enterprises» – 2 публикации.

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.

Из представленных данных видно, что на сегодняшний день аналитики больших

данных в логистике в научных исследованиях в сфере больших данных. Лишь 1,4%
публикаций найденных по ключевому слову «Big data» относились к сфере логистики.
Однако следует заметить, что в последние годы количество публикаций по данной
проблематике стремительно возрастает. Динамика публикаций представлена на графике 1.
Данные за 2017 год приведены на 1 мая соответствующего года.

200
173
164

83
73

2012 2013 2014 2015 2016 2017

График 4. Динамика публикаций статей с тегами «Большие данные» и «Логистика» за

2012-2017 гг. на платформе EBSCO

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.

Интересно также, что количество публикаций найденных по ключевым словам

«Big data» и «Logistics» значительно превосходит количество публикаций, найденных по
ключевым словам «Big data» и «Supply Chain Management».

За аналогичный период на платформе eLIBRARY было найдено 46 985 публикаций

по ключевому слову «Большие данные». При этом общее количество публикаций на
платформе в период с 2012 по 2017 года составило 10 574 300 статей. Другие результаты
анализа представлены ниже:

 «Большие данные» - 46 985 публикаций;

 «Большие данные» и «Логистика» - 78 публикаций;
 «Большие данные» и «Управление цепями поставок» - 17 публикаций;
 «Большие данные» и «Управление цепями поставок» или «Логистика» - 95
публикаций;
 «Большие данные» и «Малый и средний бизнес» - 176 публикаций;
 «Большие данные» и «Логистика» и «Малый и средний бизнес» - 0 публикаций.

Для поиска использовались ключевые слова ««Большие данные», «Логистика»,

«Управление цепями поставок» и «Малый и средний бизнес», являющиеся переводами
ключевых слов, использованных для платформы EBSCO. Другие параметры поиска
аналогичны использованным параметрам на платформе EBSCO.

Несмотря на сопоставимое с EBSCO число публикаций, найденных по ключевому

слову «Большие данные», количество статей по теме аналитики больших данных в
логистике на русском языке приблизительно в 9 раз меньше, что свидетельствует о низкой
активности российских ученых в данной теме. Публикаций по теме аналитики больших
данных в логистических компаниях, относящихся к малому и среднему бизнесу, на
платформе найдено не было. Динамика публикаций, найденных по ключевым словам
«Большие данные» и «Логистика» за 2012-2017 гг. представлена на графике 2.

13
 30

21

11
8
7

2012 2013 2014 2015 2016 2017

График 5. Динамика публикаций статей с тегами «Большие данные» и «Логистика» за

2012-2017 гг. на платформе eLIBRARY

Сравнение данных из платформ EBSCO и eLIBRARY свидетельствует о

повышающемся, но пока довольно слабом, интересе к проблематике аналитики больших
данных в логистике среди российского научного сообщества. Также, очевидно, что тема
аналитики больших данных в малых и средних логистических компаниях в принципе не
освещена глобальным научным сообществом. Всё это свидетельствует о новизне и
необходимости проводимого исследования.

1.4 Применение аналитики больших данных в логистике

Аналитика больших данных открывает новые возможности для участников цепей

поставок, поскольку источниками данных являются тысячи магазинов, товарных позиций,
звеньев логистических цепей, миллионы клиентов-покупателей, бесчисленное количество
финансовых и информационных транзакций. Разнообразие данных в цепях поставок
представлено в таблице 1.

14
Таблица 1. Разнообразие данных в цепях поставок

Данные Объем Скорость Разнообразие

Продажи Цена, качество, Было: Прямые продажи, продажи
количество ежемесячно, в интернете, продажи
проданных товаров, ежегодно дистрибьютора,
время, место и дата Стало: Продажи конкурентов
продажи, ежедневно,
информация о ежечасно
покупателе
Потребители Информация о Информация Профиль покупателя,
решениях и поступает от эмоции, анализ чувств
покупательском каждого клика, потребителей
поведении (какие банковского
товары искал, какие перевода
купил, частота
покупок, стоимость
и время)
Запасы Не агрегированная Было: Запасы на складе, в
информация с ежемесячно магазине, в интернет-
множества локаций Стало: ежечасно магазине. Большое число
вендоров онлайн
Место и время Сенсорные данные Постоянные Информация о том, где
для определения обновления товар, кто его переместил,
места товара в перемещений когда, куда переместится
магазине, в товаров дальше
распределительном
центре, в
транспорте
Источник: Wegner M. and Dr. Kuchehaus M., “Big Data in Logistics. A DHL perspective on
how to move beyond the hype12

В своём исследовании компания DHL13 выделяет три основных направления

использования больших данных в логистике: операционная эффективность, работа с
клиентами и создание новых моделей ведения бизнеса.

Применение аналитики больших данных для повышения операционной

эффективности позволяет оптимизировать использование ресурсов компанией, улучшить
показатели эффективности и качество продуктов/услуг компании, а также повысить
прозрачность ведения бизнеса.

В работе с клиентами анализ больших данных позволяет компаниям точно

сегментировать своих потребителей и тем самым предоставлять им таргетированные
12
Wegner M. and Dr. Kuchehaus M. (2013), “Big Data in Logistics. A DHL perspective on how to move beyond
the hype”, (2013)
13
DHL “Big Data in Logistics” (2013)

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.

Используя возможности аналитики больших данных по выявлению только

зарождающихся, или же скрытых трендов, а также выявлению потенциальных точек роста
позволяет компаниям находить новые направления развития существующих продуктов
для увеличения прибыли или же создавать новые продукты/услуги для удовлетворения
только зарождающихся потребностей своих клиентов.

Компания DHL выделяет аналитику больших данных как один главных

технологических трендов, которые будут влиять на логистику в ближайшие пять лет.
Другим таким трендом является удешевление сенсорных технологий, которые в свою
очередь являются одним из источников формирования больших данных. Другие тренды,
выделенные компанией, представлены на рисунке 1.

Рисунок 1. Перспективы развития логистики

Источник: DHL14

Другой взгляд на ключевые сферы применения аналитики больших данных

предоставляет компания IBM. Институт создания ценности компании IBM (IBM Institute

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.

Компания DHL15 также выделяет пять направлений применения аналитики

больших данных в логистике, позволяющих компаниям достигать конкурентных
преимуществ.

Первым направлением является оптимизация. Задачи снижения времени доставки,

использования ресурсов и того, на каких рынках оказывать услуги, всегда были
ключевыми для любой логистической компании. По мере роста компании управлять
всеми этими показателями становится всё сложнее, так как возрастает объём данных,
которые необходимо анализировать. И чем быстрее информация будет обрабатываться и
чем точнее она будет, тем эффективнее будут решаться эти задачи. Использование
возможностей аналитики больших данных в прогнозировании и обработки данных в
реальном времени дает компаниям совершенно новые инструменты в решение этих
фундаментальных проблем.

Вторым направлением является улучшение работы с клиентами. Логистические

компании ежедневно напрямую взаимодействуют со своими клиентами, доставляя им
разнообразные грузы. Используя такое взаимодействие для сбора обратной связи, а также
определения портрета клиента компания с помощью аналитики больших данных может
глубже понять настроения своих потребителей, а также то, как они на самом деле
оценивают качество их услуг.

Третьим направлением является сближение логистических провайдеров и их

клиентов. Интеграция логистических компаний в деятельность своих клиентов является
отдельным трендом в логистике во всем мире. Применение в этой сфере аналитики
больших данных позволяет логистическим компаниям тонко чувствовать состояние
бизнеса своих клиентов, снижая тем самым свои риски и одновременно предоставляя
именно те услуги, которые наиболее необходимы клиенту.

Четвёртым направлением является анализ состояния самой логистической цепи.

Несмотря на то, что аналитика больших данных часто рассматривается как инструмент
15
DHL “Big Data in Logistics” (2013)

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.

Пятое направление применения аналитики больших данных в логистике повторяет

логику предыдущего абзаца. Так как множество логистических провайдеров работают
более чем на одном географическом рынке, будь то разные регионы внутри страны или
разные страны, поэтому собирая данные из каждого региона и сопоставляя их с данными
других регионов, компания получает возможность собирать уникальные данные о
состоянии дорожной инфраструктуры, окружающей и бизнес-среде на уровне регионов и
интегрировать их в процесс принятия решения уже на уровне всей компании.

Информационный ресурс Spend Matter16, специализирующийся на логистике и

являющийся одним из крупнейших онлайн-ресурсов в сфере снабжения, выделил иные
пять направлений применения аналитики больших данных в логистике:

1. Удовлетворения растущих ожиданий клиентов;

2. Снижение издержек;

3. Управление рисками;

4. Обеспечение прозрачности и устойчивости;

5. Обеспечение гибкости в условиях сильной волатильности глобальных рынков.

Несмотря на то, что на первый взгляд выделенные направления отличаются от

направлений, отмеченных компанией DHL, фундаментально они также относятся к трём
основным способам использования аналитики больших данных в бизнесе. По смыслу они
повторяют пять направлений, выделенных компанией DHL, однако рассмотрены немного
с другой перспективы.

Аналитика больших данных применима на всех уровнях управления цепями

поставок, обеспечивая консолидацию и взаимообмен данными между уровнями.
Например, департамент маркетинга отслеживает спрос через пункты продаж,
транспортный департамент собирает данные с GPS датчиков, складской департамент
учитывает запасы посредством RFID данных, а электронная система обмена данными
отправляет запрос на закупки.

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.

С точки зрения закупок, где источники больших данных – это невероятное

количество информационных и финансовых взаимодействий с поставщиками,
использование аналитики больших данных позволяет сделать взаимоотношения с
поставщиками более открытыми и надежными, за счет большего раскрытия общих
характеристик компаний и финансовой информации. С учетом глобализации цепей
поставок такая возможность является привлекательной, в том числе для коллаборации
компаний.

Складская логистика в сильной степени усовершенствовалась за счет внедрения

RFID системы. Наличие данных со считывающих устройств позволяет отслеживать место
расположения товаров на складе, ускорить процесс приемки и отгрузки грузов, а также
повысить надежность и прозрачность складских операций. Помимо этого, аналитика
больших данных позволяет оптимизировать систему управления персоналом на складе за
счет устранения нерациональных перемещений работников и развивающейся
автоматизации склада.

Четвертая промышленная революция и развитие Интернета вещей открывает новые

возможности для заблаговременного устранения неполадок оборудования. Коммуникация
между датчиками, установленными на производственном оборудовании, и электронной
системой обмена данными позволяет в реальном времени отслеживать состояние
оборудования, идентифицировать проблему и мгновенно направить запрос на ремонт
оборудования. Тем самым, можно утверждать, что благодаря аналитике больших данных,
как основе Интернета вещей, возможна совершенная автоматизация производства.

Наконец, благодаря данным с GPS датчиков и камер, установленных на улицах,

функция перевозки грузов также имеет возможность оптимизироваться как с точки зрения
маршрутов развозки грузов и расписания движения, так и с точки зрения управления
персоналом.

19
 В таблице 2 приведены некоторые примеры решения проблем на разных уровнях
управления цепями поставок, которые могут быть решены с помощью аналитики больших
данных.

Таблица 2. Примеры решения логистических задач с помощью анализа больших данных.

Функция Проблема Типы данных Решение

Маркетинг Анализ Исторические  Прогнозирование
спроса данные, блоги, спроса и
новости, рейтинги, соответствующая
логи, записи колл- программа управления
центров, опрос запасами
потребителей,  Анализ предпочтений
социальные сети  Контекстная реклама
Закупки Переговоры с Финансовые данные  Открытые переговоры
поставщиками о поставщике,  Коллаборация
мощности и клиенты
Производство Устранение Интернет вещей,  Непрерывное
неполадок исторические отслеживание
данные состояния
оборудования
 Заблаговременная
замена оборудования
Транспортировк Оптимизация Плотность  Оптимизированные
а маршрута в траффика, погодные маршруты
реальном условия,  Рациональное
времени ограничения расписание движения
транспортной  Анализ аномального
системы, GPS поведения водителя
данные
Источник: I. V. Rozados, «Big Data Analytics in Supply Chain Management: Trends and
Related Research»17

Многие из описанных выше решений основаны на различных видах продвинутой

аналитики данных. В своей статье И. Розадос и Б. Тьяйоно 18 выделяют три подтипа
продвинутой аналитики, которые могут использовать большие данные: описательная
аналитика, предиктивная аналитика и предписательная аналитики. Под описательной
аналитикой авторы понимают анализ исторических данных для выявления трендов,
закономерностей и отклонений. Предиктивная аналитика определяется авторами как
анализ исторических данных и данных, собираемых в реальном времени, для составления
прогнозов в форме определения вероятностей будущих событий. Предписательная

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.

Помимо этого присутствует ряд научных публикаций, которые отдельно выделяют

предиктивную аналитику как потенциальную сферу применения аналитики больших
данных. В работах Т. Шонерра21 и С. Робака22 предиктивная аналитика выделяется как
часть науки о данных, имеющая обширное применение в логистике. В статье С. Робака и
соавторов выделяются такие способы применения предиктивной аналитики в логистике,
как оптимизация бизнес-процессов, риск-менеджмент и выявления новых возможностей
для бизнеса. В статье за авторством учёных Стенфордского университета 23 описывается
потенциал предиктивной аналитики в прогнозировании спроса на перевозку, что также
позволяет оптимизировать объём запасов компании. В статье М. Бринча 24 описаны
результаты проведения исследования на основе метода Делфи, в рамках которого
проводились структурированные интервью с 24 экспертами. Согласно представленным в
статье результатам, большинство экспертов рассматривают возможности аналитики
больших данных именно со стороны предиктивной и описательной аналитики.
Возможности предстательной, диагностическое и адаптивной аналитики отметили
меньшее количество экспертов.

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.

Таблица 3. Задачи участников цепи поставок, решаемые с помощью аналитики больших

данных

Участник цепи поставок

Задачи Перевозчик Производитель Ретейлер
Прогнозирование Уточнение времени Быстрая реакция на Анализ впечатлений
доставки с учетом экстремально и отзывов
погодных условий, позитивную или потребителей,
характеристик негативную реакцию продвижение
водителя, даты потребителя на товаров через
доставки и времени продукт мобильные
дня устройства

Управление Доступная Сокращение потерь, Эффективное

запасами мощность в эффективное управление
реальном времени управление запасами запасами и точность

Управление Оптимизированный Усовершенствованная Связь дорожных и

перевозками маршрут с учетом система оповещения погодных условий с
погодных условий, о доставке, местом
характеристик усовершенствованная расположения
водителя, организация склада магазина
обстановки на
дороге
Управление Сокращение текучки Более эффективный Сокращение затрат
персоналом водителей и мониторинг на труд в связи с
повышение оценок производительности, верным
водителей с учетом медицинские датчики размещением
анализа на для безопасности на запасов
чувствительность производстве
Источник: Brinch M., Stentoft J., Jensen J. K. “Big Data and its Applications in Supply Chain
Management: Findings from a Delphi Study25

На основе проведённого анализа литературы и таблиц 2 и 3 можно составить общее

представление о том, как аналитика больших данных может быть применена в решении
логистических задач и какие результаты это может принести. Следует заметить, что в
таблице 4 обобщены задачи и решения, специфичные не только для сферы логистики, так
как применение аналитики больших данных именно в логистических компаниях не
25
Brinch M., Stentoft J., Jensen J. K., “Big Data and its Applications in Supply Chain Management: Findings from a
Delphi Study”, Hawaii International Conference on System Sciences, Hawaii, 2017

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

Задача Проблема Типы данных Решение

Перевозка грузов Оптимизация Плотность траффика, Оптимизированные
маршрута в погодные условия, маршруты;
реальном ограничения Рациональное
времени транспортной системы, расписание движения;
GPS данные Анализ аномального
поведения водителя.

Управление Снижение затрат Техническое состояние Снижение затрат на

транспортом на ремонт автомобиля, расход капитальный ремонт;
топлива. Повышение надежности
доставки.
Прогнозирование Повышение Исторические данные о Повышение утилизации
спроса уровня сервиса заказах, данные СМИ, транспортных средств;
данные из социальных Снижение времени
сетей. предоставления
транспорта;
Повышение
удовлетворённости
клиентов.
Управление Снижение затрат Данные о перевозках, Оптимизация уровня
запасами на хранение данные о мощности запасов на складах
склада, данные о компании; Повышение
загрузке утилизации
транспортных средств;

Источник: Составлено автором

Вывод по главе 1

Благодаря изменению структуры данных в результаты появления интернета вещей,

развития сенсоров и способов анализа аудио- и видео-контента, как в прочем и
текстового, появилось понятие большие данные. При этом не существует формального
определения этого термина. Большие данные определяются через три основные
характеристики:

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.

Основными технологиями аналитики являются SQL, NoSQL, SAP HANA,

MapReduce и Hadoop, каждая из которых используется для решения специфических задач
аналитики больших данных.

С формированием термина появилось и множество научных статей. В период с

2012 по 2017 годы на платформах EBSCO и eLIBRARY появилось более 90 тысяч статей
по теме больших данных. При этом статьи о больших данных в логистике на обеих
платформах составляют лишь малую долю от этого количества, а статьи о применении
аналитики больших данных малых и средних логистических компаниях практически
отсутствуют.

На основе анализа литературы было выявлено, что тремя ключевыми сферами

аналитики больших данных можно считать повышение операционной экономичности,
развитие клиентских сервисов и разработку новых моделей ведения бизнеса и новых
продуктов.

Наиболее перспективными задачами аналитики больших данных в логистике

являются перевозка грузов, управление транспортом, прогнозирования спроса, и
управление запасами.

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

Анализ литературы позволил выявить ряд возможных способов применения

аналитики больших данных в логистических компаниях. Было выявлено, что основными
областями применения могут являться оптимизация маршрутов при транспортировке,
оптимизация плана ремонтов транспортных средств, снижении затрат на хранение грузов,
ожидающих доставки, а также прогнозирования спроса на услуги транспортировки за счёт
методов предиктивной аналитики. Однако из литературы ясно, как на самом деле
применяется аналитики больших данных в сфере логистики, и имеет ли место её
применение как таковое.

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.

Во-вторых, согласно Роберту Йину, кейс-метод наиболее эффективен в ситуациях,

когда фокус исследования направлен на современные феномены, которые происходят в
настоящее время и для которых не применим анализ исторического развития. Так как
аналитика больших данных в логистике появилась совсем недавно, если основываться на
анализе научных публикаций, приведённом в предыдущей главе настоящего диплома, то
данная ситуация полностью отвечает данному критерию. С этим критерием связан и
другой критерий, выделенный К. Айзенхардтом в его статье «Building Theories from Case
Study Research». В этой статье автор отмечает, что данный подход особенно применим в
исследованиях новых сфер научного исследования. Это объясняется тем, что в данном
случае ещё не накоплен значительный массив научных публикаций и исследований, а
также эмпирических данных, достаточный для того, чтобы основывать на нём любой
анализ. В свою очередь кейс-метод не основывается на предыдущей литературе, а
использует в качестве основы актуальные примеры из реальной жизни, что позволяет
избежать проблемы нехватки данных. Также кейс-метод применим, когда тенденции

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.

На основе вышеизложенных фактов было принято решение о релевантности кейс-

метода целям настоящей исследовательской работы.

После этого был определён формат исследования, а также поставлен

исследовательский вопрос. Из литературы следует, что кейс-метод наиболее применим
для ответа на вопросы типа «как» и «почему». Другими словами, кейс-метод позволяет
понять, как проявляется определённый феномен или почему этот феномен появился в
принципе. Так как основной задачей является понять, как применяется аналитика
больших данных в логистике, то очевидно, что в данном случае исследовательский вопрос
относится к категории «как».

В соответствии с исследовательским вопросом определён тип исследования. Р. Йин

выделяет три метода исследования на основе кейс метода: дескриптивное (descriptive),
объясняющее (explanatory) и изучающее (exploratory). Дескриптивное исследование
означает описание проявления феномена в контексте реальной жизни и выявление
основных характеристик такого проявления. Задачей объясняющего исследования
является выявление каузальных связей, в которых присутствует исследуемый феномен.
Последнее, изучающее исследование используется, чтобы изучить сам феномен, а также
дать оценку его возможным последствиям. Опять же, исходя из исследовательского
вопроса и целей исследования, выбран дескриптивный тип, так как на этом этапе не стоит
задачи объяснить причину появления таких технологий, или же выявить их последствия.

Также необходимо определить, будет ли исследование основываться на анализе

одного кейса, или же будет анализироваться несколько кейсов. Так как целью является
определение способов применения определённых технологий в конкретном типе бизнеса,
а не в обособленной компании, то, очевидно, необходим анализ ряда кейсов, чтобы
выявить существующие закономерности.

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.

Методология исследования выглядела следующим образом:

1. Постановка исследовательского вопроса;

2. Подбор релевантных кейсов;
3. Анализ каждого кейса в отдельности;
4. Перекрёстный анализ кейсов;
5. Формулирование предварительных результатов;
6. Сравнение предварительных результатов с исследованной литературой по
проблематике;
7. Формулирование итоговых выводов исследования.

Этап постановки исследовательского вопроса был описан выше в этой главе и

формулируется как «Как игроки логистичесского рынка используют аналитику больших
данных на данный момент»

После постановки исследовательского вопроса необходимо отобрать релевантные

кейсы для анализа. Зачастую кейсы выбираются из заранее выбранных компаний. Однако
ограничение спектра, из которого делается выбор, может привести к тому, что ряд ценных
кейсов не будет рассмотрен. Другим подходом является подбор кейсов на основе целей
исследования, но это может привести к тому, что кейсы будут сознательно подбираться,
чтобы соответствовать представлениям исследователя о проблеме, или же исследование
невольно будет повторять предыдущие исследования по проблеме. Для исследования
было решено выбирать случайные компании, которые реализуют проекты, которые
относятся к сфере аналитики больших данных в логистике. Такой подход позволил бы
выявить определённые факторы, от которых зависит, как аналитика больших данных
применяется в логистике. Для исследования изначально подбирались компании,
относящиеся как к большому, так и к малому и среднему бизнесу.

Третьим этапом был анализ каждого кейса индивидуально. На данном этапе

проводилось письменное описание каждого кейса, которое представлено в пункте 2.2 этой
главы. Письменно описание делалось для того, чтобы избежать накопления излишних
данных, так как большая часть информации, собираемой при поиске кейсов, напрямую не
относится к исследовательской проблеме и потому приведёт лишь к увеличению
временных затрат на обработку собранных данных. На третьем этапе не ставилась задача
27
поиска факторов и общих трендов. Целью третьего этапа являлось формирования
понимания того, что описано в каждом кейсе и что из каждого кейса можно вынести
полезного.

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.

На пятом этапе были получены предварительные результаты исследования,

которые в дальнейшем были сверены с результатами анализа литературы, для
формулирования итоговых выводов. Более развёрнуто этапы пять, шесть и семь
представлены в пункте 2.4 этой главы.

Описав методологию, перейдём непосредственно к описанию анализируемых

лучших практик аналитики больших данных в логистике.

2.2 Примеры внедрения аналитики больших данных в логистике

В рамках подготовки работы было собрано и изучено более 35 различных

примеров применения аналитики больших данных в логистике. Из них было выбрано 20
наиболее ярких примеров, релевантных для исследования.

Основной проблемой анализа лучших практик стало то, что большинство

подобных проектов разрабатываются компаниями самостоятельно и потому не предаются
публичной огласке. По этой же причине оказалось практически невозможным найти
данные о внедрении аналитики больших данных в малых и средних логистических
компаниях с традиционной бизнес моделью. Более того, такие компании крайне редко
освещаются в СМИ.

Ниже представлено описание 20 выделенных лучших практик применения

аналитики больших данных в логистике.

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.

Одним из направлений применения аналитики больших данных является снижение

воздействия на окружающую среду. UPS отслеживает более чем 200 показателей по
каждому автомобилю, в том числе состояние двигателя, пробег, среднюю скорость
движения и количество остановок. Эти данные используются, чтоб снизить количество
выпускаемых парниковых газов. Также собранные данные используются, чтобы
отслеживать манеру вождения водителей. Если система видит, что манера вождения
отклоняется от нормы, водителя отправляют на дополнительное обучение.

UPS использует аналитику больших данных для оптимизации своей деятельности.

Компания определила, что повороты налево являются низкоэффективными, так как
вынуждают автомобиль выезжать на встречные полосы, что замедляет его скорость.
Компания запретила свои водителям поворачивать налево без необходимости, что
позволило увеличить скорость доставки, несмотря на одновременное увеличение
расстояния маршрута. Другим примером оптимизации является отслеживание состояние
автомобилей компании. Используя датчики, расположенные в автомобилях, компания
может отслеживать их потребность в обслуживании, что позволяет ей снижать затраты на
обслуживание своего автопарка за счёт снижения количества экстренных и капитальных
ремонтов.

Одним из наиболее ярких примеров использования аналитики больших данных в

компании UPS является проект ORION или On-Road Integrated Optimization and
Navigation, на который компании ежегодно тратит порядка 1 млрд. долларов США.
Основой проекта является математический алгоритм, который используется в реальном
времени для оптимизации маршрута автомобиля. Система способна генерировать 10
тысяч различных вариантов маршрута в минуту. Также система позволяет разрабатывать
новые практики вождения, чтобы повысить эффективность водителей.

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

Другим успешным примером использования аналитики больших данных в

логистике является компания DHL. Как и компания UPS, DHL использует аналитику
больших данных для оптимизации в реальном времени маршрута доставки грузов.
Помимо этого система также отслеживает ситуации, когда клиент отмечает, что не сможет
принять посылку в указанном им ранее месте и в указанное время, чтобы избежать
бесцельных поездок. Помимо этого компания также отслеживает состояние своих
автомобилей на предмет неполадок для планирования ремонтов, а также фиксирует объём
выхлопных газов, выделяемых автомобилями.

Компания DHL также использует аналитику больших данных для прогнозирования

потребности в перевозке грузов на ближайшие 48 часов. Это позволяет компании
правильно распределять свои ресурсы, что повышает их утилизацию, а также повышать
удовлетворённость клиентов, избегая непредвиденных пиков спроса в определённых
местностях.

Также компания активно использует собираемые её данные для разработки новых

сервисов и услуг для своих клиентов как в В2С, так и в В2В сегменте.

Для В2С сегмента компания разработала приложение DHL MyWays. Сервис

позволяет его участникам забирать заказы по пути их следования и доставлять заказы в
места, которые лежат по их маршруту. Данный сервис позволяет компании значительно
снизить затраты последней мили, которая считает самой дорогой в маршруте, используя
для этого естественное передвижение горожан по городу. Чтобы отслеживать положение
курьеров и грузов и соотносить их, показывая курьеру именно грузы и места доставки,
лежащие по его маршруту, компания использует аналитику больших данных.

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.

Компания активно инвестирует в технологии по автоматизации работы складов,

внедрения умных грузовиков, для оптимизации маршрутов и снижения потребления
топлива, а также в разработку новых программных продуктов, в том числе для своих
клиентов. Также в компании внедрены современные системы ценообразования и
обработки больших объемов заказов онлайн-ретейлеров. Второй пункт позволяет
компании налаживать эффективные отношения с онлайн-магазинами, налаживание
взаимодействия с которыми компания считает одним из своих важнейших приоритетов.

Одним из примеров внедрения аналитики больших данных в компании является

проект SenseAware. Это продукт, который позволяет отслеживать в реальном времени
местоположение и статус заказа, а также такие показатели как влажность, температуру,
атмосферное давление и освещённость места, где находится посылка. Данный продукт
используется как самой компанией, так и предлагается к продаже всем желающим.

Другим примером использования аналитики больших данных в компании является

то, как компания оценивает влияние внешних факторов на показатели компании.
Компания использует сложные эконометрические модели, включающие в себя такие
показатели как ВВП, розничные продажи, уровень безработицы, эластичность спроса и
цену на топлива, для прогнозирования влияния внешних для компании факторов на неё.

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

Из российских примеров применения аналитики больших данных можно привести

компанию РЖД. РЖД совместно с компанией SAP внедрила систему подготовки
отчётности, которая впоследствии стала использоваться для принятия решений о
тарифной политике. Согласно заявлениям официальных лиц период подготовки
отчётности удалось сократить с 14,5 часов до 20 минут. Общий объём данных в системах,
используемых для подготовки отчётности, оценивается в 170 Терабайт, а количество их
пользователей в 220 тысяч человек. Также компания РЖД совместно с компанией
Мегафон внедрила систему прогнозирования пассажиропотока, основанную на данных о
геолокации, получаемых от крупного мобильного оператора.

В 2016 году представители РЖД заявили о намерении разработать системы для

повышения эффективности управления инфраструктурой компании. Компания намерена
использовать технологии аналитики больших данных для сбора информации о состоянии
инфраструктуры, для определения потребностей в ремонте и предотвращения
чрезвычайных происшествий.

Walmart

Компания Walmart входит в список самых успешных ретейлеров мира. Согласно

официальным данным компания ежедневно зарабатывает $36 миллионов от своих 4300
магазинов, расположенных в США. Walmart ежедневно собирает 2,5 Петабайта
неструктурированных данных о своих покупателях. По оценкам, у компании имеется
информация о 145 миллионах гражданах США. На сегодняшний день, компания
научилась использовать собираемые данные для оптимизации запасов на уровне одного
магазина сети, в зависимости от информации о потребителях в районе его расположения.
Также у компании на данный момент имеется 10 активных сайтов, локализированных для
различных регионов мира. Компания ежедневно анализирует порядка 100 миллионов
ключевых слов, чтобы правильно определять их значение.

Walmart активно собирает данные о своих потребителях и их покупательских

привычках, чтобы предлагать им именно то, что им нужно. Для этого компания
использует различные технологии анализа социальных сетей и веб-сайтов. Она на данный
момент использует технологию Hadoop для сбора различной информации для 10 своих
32
сайтов и агрегирования и в единую базу данных. Помимо технологии Hadoop, компания
также внедрила технологии MapReduce и NoSQl, а также разработала собственные
технологии обработки данных. Для эффективного использования собираемых данных в
компании был создан отдел под названием Walmart Labs, который в том числе занимается
разработкой нового программного обеспечения. Однако, кроме него, компания также
создала открытые платформа Thorax и Lumbar, дающие возможность разработчикам
создавать программы для аналитики больших данных.

Одной из разработок отдела является проект Social Genome. Данный продукт

позволяет компании анализировать публикации своих клиентов и их друзей в социальных
сетях, чтобы затем предлагать своим клиентам именно то, что им требуется, а также
сопровождать это скидочными акциями. Помимо этого программа умеет различать
значения слов в зависимости от контекста. Так, программа понимает, когда слово «Iron»
необходимо перевести как «железо», а когда как «утюг». Согласно официальным данным,
компании обрабатывает более 300 000 онлайн-публикаций в неделю. Задача анализа
такого объёма данных оказалась непосильной для существующих систем на основе
технологий Hadoop, потому компания разработала новый программный продукт,
названный Muppet. Muppet позволяет в реальном времени анализировать данных их
различных кластеров и реализовывать несколько вычислений параллельно.

Еще одним продуктом является технология Shoppycat, позволяющая определять

предпочтения клиентов на основе данных о хобби и интересах человека, указанных на его
страничке в Facebook. В частности, с помощью этого продукта потребители могут
подыскивать подарки своим друзьям. Примечательно, что если желаемого товара нет в
наличии в ближайшем магазине Walmart, программа перенаправит пользователя в
магазин-конкурент.

Также компания разработала платформу Get on the Shelf, которая позволяет

любому человеку предложить свой продукт большой аудитории. Посетители сайта
голосуют за понравившиеся товары и наиболее популярные попадают на прилавки
Walmart.

Amazon

Компания была основа в 1994 году предпринимателем Джеффом Безесомв городе

Сиэтл. На сегодняшний день рыночная капитализация компании составляет $430
миллиардов. Общая выручка компании за 2016 год составила $135 млрд, а операционная
прибыль компании за тот же период составила $4,1 миллиард. Примечательно, что 75% от

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.

Помимо данных о своих товарах компания также хранит огромные массивы

данных покупках своих зарегистрированных, которых у нее насчитывается более 150
миллионов.

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.

Amazon использует свои данные о заказах, чтобы размещать свои склады

максимально близко к крупнейшим точкам потребления. Также компания использует
технологии прогнозирования, чтобы предвосхищать заказы своих клиентов и отправлять
товар на необходимый склад еще до совершения покупки. Всё это позволяет компании
снизить затраты на транспортировку на 10-40%.

Компания применяет аналитику больших данных и для управления работы самих

складов. Специальная система постоянно отслеживает наличие товара на складе и его
расположение, при этом располагая рядом товары, которые вероятнее всего могут
оказаться в одном заказе. Все это позволяет Amazon увеличить скорость формирования
заказа и увеличить точность его составления.

В компании также внедрена система оценки персонала на основе аналитики

больших данных, называемая Anytime Feedback Tool. Она позволяет сотрудником
оценивать друг друга и затем оценивает каждого сотрудника на основе собранных
данных.

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.

Эффективность рекомендаций усиливается и ценовыми предложениями компании.

Amazon отслеживает наличие товаров на складе, цены на аналогичные товары у
конкурентов, какие товары сейчас наиболее популярный, списки желаний своих
потребителей и их историю заказов, чтобы увеличить своих продажи. Цена на товар в
онлайн-магазине Amazon обычно меняется каждые 10 минут.

Как было сказано, кроме основной деятельности Amazon использует аналитику

больших данных и в рамках деятельности подразделения AWS. Компания разработала
программное решение Amazon Elastic MapReduce, которое позволяется анализировать и
управлять большими массивами данных. Также компания продает собранные ей данные о
своих потребителях маркетинговым компаниям, для разработки рекламы и повышения
качества сегментирования потребителей. Помимо продажи массивов данных, Amazon на
своём сайте предоставляет доступ к бесплатным публичным данным, таким как
фотографии всей поверхности Земли, данные о рельефе, карты генетических вариаций
человека и тому подобное.

Монополия

Компания Монополия была основана в 2004 году Ильей Дмитриевым. Изначально

в собственности компании было несколько поддержанных грузовиков. Компания
осуществляла перевозки «температурных грузов». В 2006 году компания
перепрофилировалась в экспедитора, продав все свои грузовики, однако в 2010 году
Монополия опять стала логистическим провайдером, специализирующемся на грузах,
требующих специальных температурных режимов хранения и транспортировки. На март
2016 года автопарк компании составлял 430 автомобилей, а выручка за 2015 год составила
340 млн. рублей.

Компания является одной из немногих компаний в России, о которой достоверно

известно, что она внедрила систему Smart Truck. В структуре компании есть дочернее
предприятие «Фортис», которое занимается разработкой программных решений для своей
материнской компании.

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.

Описанная система может учитывать и пожелания клиента. В вычисления могут

быть внесены разнообразные пожелания клиента, что позволяет монополии предлагать
индивидуальный подход к каждому из них.

Cargomatics

Cargomatics была основана в США в 2013 году. Компания является представителем

бизнес-модели типа Uber. Венчурные инвестиции составили $12 млн. за четыре раунда
инвестиций. Выручка компании за 2016 год составила $5 млн. долларов. В компании
работает 40 человек.

У компании нет своих грузовиков. Основным активом компании является интернет

платформа, объединяющая грузоотправителей и владельцев грузовиков. В отличие от
традиционных логистических компаний, аналитика больших данных в компании
Cargomatics является основой бизнес-модели, на которой строятся все услуги компании.
Аналитика больших данных необходима компании для отслеживания в реальном времени
грузовиков перевозчиков, а также для улучшения функционирования платформы.

Convoy

Компания была основана в 2015 году в США. Как и Cargomatics, компания

является представителем новый модели ведения бизнеса, при которой основным активом
компании становятся не транспортные средства, а онлайн-платформа, на которой
грузоотправители размещают заказы, которые далее распределяются между
перевозчиками, зарегистрированными на платформе. В компании работает 16 человек.

Как и в случае Cargomatics, для Convoy аналитика больших данных является

составляющим элементом бизнес-модели, потому в компании применяются различные
аналитики больших данных, такие как трекинг и предиктивная аналитика.

Gruzer

Компания Gruzer является примером компании с бизнес-моделью нового образца.

Компания была основана в 2016 году в Санкт-Петербурге. Перевозки компания начала в
марте 2017 году. На данный момент у компании насчитывается 150 зарегистрированных

36
пользователей. В компании работает 9 человек, без учёта команды разработчиков.
Инвестиции в компанию составили ₽30 млн.

На данный момент компания продолжает разрабатывать свою платформу. Идёт

разработка тепловой карты с помощью технологий кластеризации, а также адаптивной
системы ценообразования. В компании также внедрён трекинг транспортных средств,
подключённых к платформе.

Keychain Logistics

Компания была основана в США в 2013 году. Совокупные инвестиции в компанию

составили $2,5 млн.

Компания использует новую модель ведения бизнеса, при которой основным

активом является онлайн-платформа, объединяющая грузовладельцев и перевозчиков.

MAN

Компания MAN входит в группу компаний Volkswagen Truck Bus. Основным

продуктом компании является грузовой автотранспорт. Компанией была разработана
открытая платформа RIO, которая объединяет все стороны транспортного процесса:
грузоотправителей, перевозчиков, диспетчеров, водителей и потребителей. В рамках
открытой платформы разрабатываются различные решения, позволяющие
оптимизировать процесс транспортировки и повысить его прозрачность. Уникальность
платформы заключается в том, что у неё нет привязки к определённым типам
автомобилей или конкретным информационным системам. С весны 2017 года все новые
грузовики компании будут оснащаться этой платформой.

RIO является открытой платформой, на основе которой сторонние разработчики,

наравне с разработчиками компании MAN, могут создавать различные программные
продукты.

На данный момент у платформы имеется следующий функционал. Во-первых,

платформа напрямую передаёт водителю актуальные заявки на грузоперевозку. Во-
вторых, на платформе создано приложение Truck Share, являющееся агрегатором
автопарка и позволяющее водителям обмениваться автомобилями. В-третьих, RIO с
помощью приложения Loadfox позволяет водителям грузовиков с частичной загрузкой
подбирать дополнительные заказы по пути своего следования. Кроме этого, платформа
позволяет отслеживать технические характеристики грузовиков.

37
General Electrics

Компания General Electrics с 2012 года внедряет современные датчики в

производимые ей турбины, поезда и двигатели различных типов. Собираемые с этих
сенсоров данные впоследствии используются как клиентам компании, так и самой General
Electrics. Клиенты получают возможность данные как для снижения своих издержек, так и
для повышения качества клиентских сервисов, при этом избегая затрат на сбор больших
данных и внедрение технологий их аналитики. В то же время General Electrics получает
данные о качестве работы своей продукции, что позволяет компании выявлять
потенциальные возможности развития своей продукции.

Fleet Risk Advisors Inc.

Компания разработала программный продукт, собирающий данные о рабочем

графике водителя, скорости движения, расстоянии маршрута, времени в пути и о
водителе, включая его привычки в вождении. Далее вся эта информация используется для
оценки вероятности участия конкретного водителя в дорожно-транспортном
происшествии. Данная технология позволяет компаниям избегать происшествий на
дорогах с участием их воителей, тем самым снижая затраты и повышая надежность
перевозки.

Fleetmatics

Компания Fleetmatics была основана в 2004 году и принадлежит компании Verizon.

Fleetmatics занимается разработкой программ для трекинга автомобилей для более
эффективного управления автопарком компаний. На сегодняшний день у компании
насчитывается порядка 42 000 клиентов и 826 000 автомобилей, подключенных к системе.

Компания предлагает своим пользователям два программных продукта. Первый,

Fleetmatics Reveal, позволяет отслеживать местоположение автомобилей в реальном
времени, предотвращать поломки, а также повышать безопасность вождения, тем самым
давая компаниям доступ к технологиям типа Smart Truck.

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.

Также компания предлагает услуги по подготовке отчетов для топ-менеджмента об

экономической эффективности осуществляемых перевозок с привлечение глубинной
аналитики данных.

СКАУТ

Компания СКАУТ была основана в 2005 году в Санкт-Петербурге. Компания

разрабатывает оборудование и программное обеспечение для мониторинга транспортных
средств и спецтехники. Принцип работы ПО компании полностью совпадает с
технологиями компании Fleetmatics. Особенность компании является то, что компания
предлагает специальные программные продукты для спец. техники, такой как мусоровозы
или сельскохозяйственная техника. На сегодняшний день компания СКАУТ насчитывает
более 11 000 клиентов по всему мира и более 200 000 транспортных средств,
подключенных к системе.

Помимо базовых функций трекинга транспортных средств компания также

предлагает услуги контроля температуры в рефрижераторных фурах, поиск автомобилей
при угоне, а также программное обеспечение для контроля специализированной техники,
такой как самосвалы, уборочная техника и мусоровозы.

Всем везёт

Российская компания, работающая на рынке Москвы. Основным активом

компании является интернет-платформа для размещения заказов на грузоперевозку. После
размещения заказа за него начинаются торги, что позволяет сбить цену. На данный
момент платформа компании насчитывает порядка 130 тыс. пользователей.

Для обработки данных компания использует технологии больших данных для

обработки большого количества заказов. Сами технологии компания не раскрывает.
Предположительно в компании используются технологии на основе NoSQL и MapReduce.

Gruzoobzor

Gruzoobzor является российской компанией, специализирующейся на поиске

грузоперевозчиков. Компания работает на рынках России и СНГ. На данный момент
платформа насчитывает более 60 тыс. пользователей. Компания использует технологии

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.

Компания также предоставляет услугу установки своего программного

обеспечения в компаниях, для оперативного размещения или поиска заказов на перевозку.

TimoCom

Компания TimoCom разрабатывает различное программное обеспечение для

экспедиторов, логистических провайдеров и грузовладельцев. Также компания
разработала платформу для размещения тендеров на грузоперевозки по всей Европе.

Кроме этого компания TimoCom в реальном времени собирает данные с

крупнейшей транспортной биржи в Европе и бесплатно предоставляет их на своем сайте
всем желающим.

Г. Барселона

Барселона является столицей автономной области Каталония и одноимённой

провинции в Испании. Город является одним из главных туристических направлений в
стране. Администрация города использует аналитику больших данных, собираемых из
социальных сетей, устройств GPS, административных систем и других источников для
улучшения уровня жизни в городе. В частности, данные используются для
прогнозирования потока туристов в городе, определения оптимальных мест размещения
точек аренды велосипедов, а также для управления системой общественно транспорта в
городе. Также аналитика больших данных применяется для быстрого реагирования на
чрезвычайные ситуации.

В таблице 5 представлены обобщённые данные по приведённым кейсам и

технологиям, которые в них используются.

Таблица 5. Краткое описание проанализированных кейсов применения аналитики

больших данных в логистике

№ Компания Проблема Технология

1 UPS Снижение выбросов, Трекинг транспортных
контроль состояния средств и грузов, анализ
транспортного средства данных с сенсоров/датчиков

40

Снижение времени доставки
Обучение водителей
Улучшение клиентского
сервиса
Источник: https://datafloq.com/read/ups-spends-1-billion-big-data-annually/273
Снижение выбросов,
контроль состояния
транспортного средства
Снижение времени доставки
2 DHL
Прогнозирование спроса
Создание новых продуктов
Источник:
http://www.dhl.com/content/dam/downloads/g0/about_us/innovation/CSI_Studie_BIG_DATA.p
df
Снижение выбросов,
контроль состояния
транспортного средства
Снижение времени доставки
3 FedEx
Создание новых продуктов
Разработка новых продуктов
и ценообразование
Источник: http://demand-planning.com/2016/04/06/how-fedex-uses-macroeconomic-data-to-
forecast-demand/
Оптимизация внутренних
процессов
Планирование ремонта
4 РЖД
инфраструктуры
Прогноз спроса
Источник: http://d-russia.ru/rzhd-xochet-optimizirovat-marshruty-s-pomoshhyu-big-data.html
5 Walmart Прогнозирование спроса
Источник: https://datafloq.com/read/walmart-making-big-data-part-dna/509
6 Amazon Дизайн логистической сети
Оптимизация маршрута в
реальном времени
Анализ навыков вождения
индивидуальных водителей
Анализ клиентских данных из
приложения компании
Трекинг транспортных
средств и грузов, анализ
данных с сенсоров/датчиков
Оптимизация маршрута в
реальном времени
Предиктивная аналитика
Анализ исторических данных
о заказах, анализ данных о
клиентах
Трекинг транспортных
средств и грузов, анализ
данных с сенсоров/датчиков
Оптимизация маршрута в
реальном времени
Анализ исторических данных
о заказах, анализ данных о
клиентах, трекинг
транспортных средств и
грузов
Предиктивная аналитика,
эконометрическое
моделирование
SAP HANA
Анализ больших массивов
структурированных данных
Предиктивная аналитика
Анализ данных из
социальных сетей и интернета
Исторические данные о
спросе, предиктивная
41

Планирование поставок
Источник: https://datafloq.com/read/amazon-leveraging-big-data/517
Управление транспортными
средствами
7 Монополия
Улучшения клиентского
сервиса
Источник: http://www.rbc.ru/magazine/2016/04/56ead0549a79474e4031fc94
Управление транспортными
средствами
8 Cargomatics Прогнозирование спроса
Улучшения клиентского
сервиса
Источник: https://www.cargomatic.com/
Управление транспортными
средствами
9 Convoy Прогнозирование спроса
Улучшения клиентского
сервиса
Источник: https://convoy.com/
Управление транспортными
средствами
10 Gruzer
Улучшения клиентского
сервиса
Источник: http://gruzer.ru/
Управление транспортными
средствами
11 Keychain Logistics Прогнозирование спроса
Улучшения клиентского
сервиса
Источник: https://www.crunchbase.com/organization/keychain-logistics#/entity
Создание новой бизнес-
12 MAN
модели
Источник: http://vts35.ru/news/rio-otkrytaya-platforma-dlya-transportnoj-otrasli-
13 General Electrics Создание новых продуктов
аналитика
Предиктивная аналитика
Трекинг транспортных
средств, анализ данных с
сенсоров
Анализ внешней среды,
анализ больших исторических
данных о заказах
Трекинг транспортных
средств
Предиктивная аналитика
Предиктивная аналитика,
анализ исторических данных
Трекинг транспортных
средств
Предиктивная аналитика
Предиктивная аналитика,
анализ исторических данных
Трекинг транспортных
средств
Анализ исторических данных
Трекинг транспортных
средств
Предиктивная аналитика
Предиктивная аналитика,
анализ исторических данных
Создание открытой
платформы для разработки
программ на основе
аналитики больших данных
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

После описания найденных примеров применения аналитики больших данных в

логистике и анализа каждого из них по отдельности был проведён анализ всех выбранных
кейсов. На основе анализа было выделено четыре группы кейсов, имеющих общие
характеристики. Группировка происходила на основе типа компании, внедрившей
технологию больших данных, а также того, прямо или косвенно компания связана со
сферой логистики.

В первую группу вошли крупные логистические компании, внедрившие

технологии аналитики больших данных. К ним можно отнести компании UPS, DHL,
FedEx, РЖД и Монополия. Все эти компании имеют традиционную бизнес-модель, когда
основной доход компания генерирует, оказывая услуги перевозки различных грузов. Все
эти компании постепенно внедряли аналитику больших данных. Во всех рассмотренных
примерах, однако, компании не ограничивали внедрение аналитики больших данных
одной функциональной сферой, как, например, прогнозирование спроса или перевозка
грузов. Напротив, эти компании используют аналитику больших данных для
всенаправленного развития своего бизнеса. Аналитика больших данных в этих примерах
применялась для оптимизации процесса перевозки груза и сокращения времени поставки;
снижения выхлопов углекислого газа и контроля над состоянием транспортных средств;
улучшения клиентских сервисов за счёт предоставления более подробной информации о
грузе и анализа потребностей клиента; а также создания новых программных продуктов
на основе собственных разработок компании, которые в дальнейшем предлагались другим
игрокам логистического рынка. Исключение составила компания РЖД, которая лишь
недавно начала внедрять аналитику больших данных и на данный момент сфокусирована
на улучшении внутренних процессов компании. Однако, это не единственно отличие
компании РЖД от четырёх других компаний. Она является единственной компанией,
которая не самостоятельно разрабатывает свои технологии аналитики больших данных.
UPS, DHL, FedEx и Монополия в прошлом также разрабатывали такие технологии не
сами, однако в дальнейшем все они приобретали компании, занимающиеся аналитикой
больших данных и делали их своими подразделениями или дочерними организациями.
Это способствовало ускорению темпа внедрения технологий аналитики больших данных в
таких компаниях. Это свидетельствует о том, что сегодня конкуренция среди крупных
игроков логистического рынка смещается в область разработки программного
обеспечения.

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.

К первой подгруппе можно отнести компании Cargomatics, Convoy, Gruzer и

Keychain Logitics и MAN. Это компании, чью бизнес-модель можно описать как «Uber для
грузоперевозок». На платформах этих компаний зарегистрированы частные водители или
компании партнёры, которые нанимают водителей. Грузовладелец, независимо от того
является он юридическим или физическим лицом, размещает на платформе компании
заказ, которые затем система переадресует одному из активных водителей. Исключение
является компания MAN, для которой такая платформа не является основной моделью
ведения бизнеса. Компания использует такую модель для создания дополнительно спроса
на свои автомобили.

Ко второй подгруппе были отнесены компании Всем везёт, Gruzoobzor, TimoCon.

Бизнес-модель этих компаний во много совпадает с бизнес-моделью компаний из первой
подгруппы, однако имеет одно значительное отличие – эти компании не подключают к
своей системе водителей. Интернет-платформы таких компаний больше похожи на
торговые площадки. Перевозчики не получают заказ напрямую от системы, а откликаются
на заявку грузовладельца, или же торгуются за него. В остальном эти компании
полностью повторяют компании из первой подгруппы.

К третьей группе можно отнести технологические компании, разрабатывающие

программное обеспечение для анализа больших данных применительно к логистике. К
таким компаниям были отнесены Fleet Risk Advisory Inc., Fleetmatics, СКАУТ, General
Electrics, TimoCon и MAN. Несмотря на то, что General Electrics и MAN не являются
технологическими компаниями, их взаимодействие с прямыми игроками логистического
рынка ни чем не отличается от того, как с ними взаимодействуют описанные
технологические компании. Все эти компании разрабатывают узкоспециализированное
программное обеспечение, которое использует лишь один метод аналитики больших
данных. Клиентами таких компаний являются организации, которые самостоятельно не
могут разработать подобные технологии, или же бояться брать на себя риски связанные с
их разработкой. Однако следует отметить, что эти компании не нацелены именно на
логистический рынок. Правильнее будет говорить, что потенциальными клиентами таких
45
компаний являются организации, имеющие собственные транспортные средства, вне
зависимости от сферы деятельности. Также ни одна из компаний на данный момент не
предлагает комплексного решения в сфере логистики, которое бы включало в себя
различные решения в области аналитики больших данных. Исключением является
компания MAN, которая предприняла попытку разработки такого решения
коллективными усилиями, создав открытую онлайн-платформу.

Четвёртую группу можно назвать «Прочее». В неё были отнесены компании

Amazon и Walmart, а также пример города Барселона. Все эти примеры относятся к сфере
применения аналитики больших данных в логистике и представляют большой интерес,
однако ни по одному из критериев не могут быть отнесены к одной из трёх основных
групп.

2.4 Итоговые выводы анализа примеров применения аналитики больших данных в

логистике

На основе проведённого перекрёстного анализа кейсов был сделан ряд выводов,

которые были соотнесены с изученной научной литературой по проблематике, с целью
сравнения направления научных исследований по аналитике больших данных в логистике
и применения таких технологий практиками. Также была сформулирована гипотеза
относительно долгосрочного влияния изучаемых технологий на глобальный
логистический рынок, которая требует дополнительного изучения.

Первым результатом исследования стало составление рейтинга популярности

технологий аналитики больших данных в логистике на основе изученных кейсов
компаний. Всего было выявлено 44 способа применения аналитики больших данных в
логистике, из которых можно выделить 15 уникальных. Далее был проведён анализ всех
технологий аналитики больших данных, применяемых в логистике, после чего были
выведены показатели частоты использования таких технологий. Значения показателей
были округлены до ближайших целых значений. Результаты расчётов представлены ниже:

 Трекинг транспортных средств – 30% (13 упоминаний из 44);

 Предиктивная аналитика – 27% (12 упоминаний из 44);
 Анализ данных с сенсоров и датчиков – 25% (11 упоминаний из 44);
 Описательная аналитика – 20% (9 упоминаний из 44);
 Совместное использование аналитики данных с сенсоров и датчиков и трекинга
транспортных средств – 18% (8 упоминаний из 44).

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.

Тот факт, что именно описательная и предиктивная аналитика стали одними из

наиболее популярных технологий, в которых используется аналитика больших данных,
подтверждает, что на сегодняшний день именно эти два подтипа продвинутой аналитики
являются основными подтипами продвинутой аналитики. При анализе кейсов не было
обнаружено примеров применения компаниями предписательной аналитики, согласно
анализу литературы, по мере развития технологий компании перейдут и к таким
технологиям аналитики больших данных.

Следует заметить, что данные результаты лишь частично соотносятся с данными,

полученными из литературы, из которых следовало, что наиболее перспективными
областями аналитики больших данных в логистике являются прогнозирование спроса,
оптимизация процесса перевозки и управление ремонтом транспортных средств, для
которых как раз используются технологии, попавшие в список.

Например, технология оптимизации маршрута движения в реальном времени не

вошла в список популярных технологий, однако это вызвано спецификой анализируемой
выборки кейсов. Данная технология наиболее актуальна для компаний, имеющих свой
личных парк транспортных средств и с традиционной моделью ведения бизнеса в
логистике. Тем самым эта технология наиболее применима в первой группе компаний, где
она встречается в четырёх компаниях из пяти, опять же за исключением РЖД.

Также среди изученных кейсов не было выявлено примеров использования

логистическими компаниями аналитики больших данных для управления запасами.
Единственным исключением является компания Walmart, однако она не относится к числу
логистических компаний. Более того, исходя из описания второй группы компаний, для
них такие технологии не являются актуальными, так как грузы хранятся у
грузоотправителя. Единственным способом для компаний второй группы использовать
такие технологии является интеграция с ERP системой своих клиентов, что, при условии

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.

Из этого следует и другой вывод. Технологии больших данных используются

большими данными для полноценного и всестороннего развития компании. Такие
технологии позволяют топ-менеджменту принимать более информированные, и как
следствие, качественные решения, при условии, конечно же, их способности правильно
осмыслить новые данные. Однако данный вопрос не относится к исследовательской цели
данной работе и потому принимается за фиксированную предпосылку. Тем самым можно
утверждать, что технологии аналитики больших данных становятся стратегическим
инструментом компании. Опять же, этот тезис подтверждается исследованиями
консалтинговых компаний и аналитических агентств в это области, которые отмечали, что
аналитики больших данных меняет сам подход к управлению компаниями.

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.

При этом у логистических компаний, в том числе и относящихся к малому и

среднему бизнесу, появляется все больше возможностей внедрения аналитики больших
данных. Это становится возможным за счёт появления большого количества
технологических и не только компаний, разрабатывающих и продающих технологии
аналитики больших данных. Это позволяет обычным компаниям избежать затрат на
разработку таких технологий, приобретение и поддержание необходимого оборудования,
а также поиск необходимых специалистов и выплату им зарплат. Однако в данном случае
имеются и свои ограничения. На сегодняшний день нет компании, которая бы предлагала
комплексное решение по аналитике больших данных в логистике. Таким образом, бизнес
не может использовать весь спектр таких технологий. Количество компаний-партнёров
будет расти пропорционально количеству технологий, применяемых компаний. Это в
свою очередь приведёт к росту сложности управления такими технологиями. Также
компания не сможет достигнуть синергетического эффекта между такими технологиями.

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

На основе анализа кейсов были выявлено три основные группы компаний и

организаций, внедривших аналитику больших данных. К первой группе относятся
крупные компании с традиционной бизнес-моделью; ко второй – новые компаний и
платформенной бизнес-моделью, а также были выявлены компании, разрабатывающие
решения для аналитики больших данных в логистике.

Наиболее популярным технологиями аналитики больших данных в логистике,

исходя из анализа кейсов, являются трекинг, предиктивная аналитики и анализ данных с
сенсоров и датчиков.

Также можно говорить о том, что на логистическом рынке наметилось движение в

сторону информационных технологий. Крупные игроки активно применяют новые
технологии, появляются компании, которые разрабатывают эти технологи, и даже есть
компании, для которых такие новые технологии являются фундаментальной основой
ведения бизнеса. При этом сами крупные традиционные компании становятся похожи на
компании с новой бизнес-моделью, так как единственной четкой разграничительной
границей остаётся наличие транспортных средств на балансе компании.

Разграничение по способу создания ценности перестаёт быть жестким, так как и

компании с традиционной бизнес-моделью всё сильнее углубляются в технологические
разработки. Всё это подтверждает утверждения различных отраслевых экспертов, о том,
что сфера логистики постепенно движется к состоянию, когда игроки рынка будут
объединены крупными платформами, на которых будут размещаться заказы, а любой
перевозчик сможет их выполнять, если подходит по своим характеристикам для этого.
Однако, для того, чтобы точно утверждать этого нет достаточного количества оснований.
Реальность такого события будет оценена далее в настоящей работе.

51
Глава 3. Возможности и барьеры использования аналитики больших
данных малыми и средними логистическими компаниями в России
3.1 Определение малого и среднего бизнеса

Определение малого и среднего бизнеса варьируется, в зависимости от страны, где

бизнес зарегистрирован. В России определение малого и среднего бизнеса приведено в
федеральном законе №204 «О развитии малого и среднего бизнеса». Помимо определений
малого и среднего бизнеса, в нем также приведена характеристика микропредприятий.
Все предприятия распределяются по этим трём категориям согласно трём параметрам:
размеру выручки, количеству персонала и доле других предприятий в бизнесе.

Так к малому бизнесу следует относить компании с размером выручки не более

₽800 млн. Численность персонала с таких компаниях должна составлять от 16 до 100
сотрудников включительно. Соответственно к среднему бизнесу относят компании со
штатом от 101 до 250 человек и выручкой не более ₽2 млрд. Микропредприятия, как
следует из названия, являются наименьшими по размеру из трёх типов, и зачастую
включаются в состав малого бизнеса. Формально микрипредприятиями считаются
компании со штатом не более 15 человек и выручкой не более ₽120 млн. Также, во всех
трёх типах предприятий доля иностранных компаний и российских компаний, не
относящихся к малому и среднему бизнесу, не должна превышать 49%, а доля
некоммерческих фондов и муниципальных образований – 25%. Для отнесения компании в
одну из трёх категорий требуется одновременное соблюдение всех трёх требований.

Все характеристика малого и среднего бизнеса в России представлены в таблице 6.

Таблица 6. Характеристики малого и среднего бизнеса в России

Выручка, млн. Доля в предприятии

Тип предприятия Персонал
рублей других компаний
Микропредприятия ≤ 120 1-14 Иностранные компании ≤
49%
Малые предприятия ≤ 800 15-100
Отечественные
Средние ≤ 2000 100-250 компании, не из МСБ ≤
предприятия 49%

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.

В Европе определение малого и среднего бизнеса отличается от российского,

однако присутствуют совпадения. В Европе используется лишь две характеристики:
количество персонала и выручка. При этом выручка может быть заменена на валюту
баланса. Характеристики малого и среднего бизнеса в Евросоюзе представлены в таблице
7.

Таблица 7. Характеристики малого и среднего бизнеса в Евросоюзе

Выручка, млн. Валюта баланса, млн.

Тип предприятия Персонал
евро евро
Микропредприятия ≤ 10 ≤2 ≤2

Малые предприятия ≤ 50 ≤ 10 ≤ 10

Средние ≤ 250 ≤ 50 ≤ 43
предприятия
Источник: Eurostat.eu

В Соединённых Штатах Америки нет формальных характеристик для малого и

среднего бизнеса. Стандарты варьируются в зависимости от отрасли, в которой бизнес
оперирует, и устанавливаются в соответствии с Северо-Американской промышленной
классификационной системой.

Определив, какие компании относятся к малому и среднему бизнесу в России,

перейдем к анализу состояния малого и среднего бизнеса в России на данный момент.

3.2 Актуальное состояние малого и среднего бизнеса в России

Малый и средний имеет существенное значение для экономики страны.

Предприятия малого и среднего бизнеса создают новые рабочие места, вносят
существенный вклад в ВВП страны, повышают уровень конкуренции, способствуют
развитию местного производства и бизнеса в целом. Более того, малый и средний бизнес
зачастую является проводником инноваций, которые в дальнейшем внедряются и в
крупных компаниях. Инновационные малые предприятия вносят существенный вклад в
развитие технологий в своей стране и во всём мире.

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

Греция Италия Норвегия Испания Германия Польша Ю.Корея Бразилия Россия

График 6. Вклад малого и среднего бизнеса в ВВП по странам в 2016 году, % от ВВП

Источник: Росстат

Та же тенденция относится и к уровню занятости трудоспособного населения в

компаниях малого и среднего бизнеса. В 2016 году этот показатель составил 26%, при
том, что в Евросоюзе и ряде других стран он в среднем составил 50%. Данные о доле
занятых в малом и среднем бизнесе отражены на графике 7.

86.4

57.3 53.7 53.3 52.8

49.0 47.9

25,6

Греция Бельгия Франция Австралия Австрия Бразилия Германия Россия

График 7. Доля занятых в малом и среднем бизнесе по странам в 2016 году, %

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

2011 2012 2013 2014 2015

График 8. Динамика количества средних предприятий в России в 2011-2015 гг., единиц

Источник: Опора России

2,063,000 2,103,000 2,110,000

1,840,000
1,600,000

2011 2012 2013 2014 2015

График 9. Динамика количества малых и микро-предприятий в России в 2011-2015 гг.,

единиц

Источник: Опора России

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%.

Если переходить с уровня малого и среднего бизнеса в России в целом на уровень

малых и средних логистических компаний, то возникают проблемы получения
фактических статистических данных. Это связано с тем, что при предоставлении
статистических данных федеральная служба государственной статистики относит все
логистические компании в категорию «Транспорт и связь». При этом подкатегория
транспорт раскрывается лишь по компаниям, осуществляющим транспортировку грузов
по сети железных дорог или трубопроводов. Таким образом, на основе официальных
источников не представляется возможным оценить реальное количество малых и средних
логистических компаний в России, а также их вклад в ВВП страны, так как в статистике
не раскрывается доля автомобильного транспорта, который, логично, должен являться
крупнейшим по крайней мере по количеству компаний, занимающихся этим бизнесом. На
рисунке 2 представлена отраслевая структура малого и среднего бизнеса в России в 2016
году. Доли рассчитаны на основе оборота малых и средних компаний каждой отрасли и
общего оборото всего малого и среднего бизнеса. Данные взяты с официального сайта
организации «Опора России».

100% 4.7 3 5.3

90% 16.8 9.7 4.5
16.4 3
80% 11.6
70% 12.7
28.4
Сельское хозяйство Промышленное производство
60% 54.0
40.3 Строительство Торговля
50% 11.6 30.0
Транспорт и связь Операции с недвижимым
40% имуществом, аренда и услуги
30% 26.4 5.8 6.7
12.4 Прочие виды услуг
20% 20.7 20.3
4.7 11.7
10% 9.6 9.7 8.4 9.1
0% 2.5
Средние Малые Микро ИП

Рисунок 2. Отраслевая структура малого и среднего бизнеса в России в 2016 году, %

Источник: Опора России

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.

3.3 Виды малых и средних логистических компаний в России

На основе информации о малых и средних логистических компаниях, а также на

основе данных, полученных из анализа кейсов, можно выделить два типа малых и средних
компаний, которые будут изучены в продолжение данной работы по отдельности друг от
друга. Оба типа компаний уже были частично описаны в работе, потому в данном пункте
будут представлены обобщения написанного.

Первый тип компаний – это компании с традиционной для логистической отрасли

моделью ведения бизнеса. Такие компании получают доход, непосредственно
осуществляя перевозку груза. Отметим, что в данном случае компании экспедиторы из
анализа исключены. Компании первого типа самостоятельно осуществляют управление
парком транспортных средств. При этом сами транспортные средства могут быть как в
собственности компании, так, и взяты в лизинг.

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.

В России у данных компаний имеется ещё одна особенность. Возможно, она

специфична не только для России, однако анализ особенностей ведения бизнеса малыми и
средними логистическими компаниями в различных странах мира не является задачей
данной исследовательской работы. Этой особенностью является высокая доля «серого»
рынка грузоперевозок в общем объёме перевозок в стране. Это выражено по большей
части в сегменте автодорожных перевозок, который и является ключевой областью
анализа. «Серый» рынок обусловлен стремлением грузоотправителей уйти от уплаты НДС
при заключении контракта на перевозку. Это осуществляется за счёт заключения
контракта с индивидуальными предпринимателями, так как при заключении контракта с
индивидуальным предпринимателем уплата НДС не требуется. Это породило появление
множества индивидуальных предпринимателей, которые осуществляют перевозки грузов

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.

Ко второму типу относятся компании с бизнес-моделью, основанной на интернет-

платформе. При этом на таких платформах основными клиентами являются
грузоотправители, а непосредственные перевозчиками являются лишь партнёрами,
которые занимаются непосредственным предоставлением услуги транспортировки. Таким
образом, из анализа следует исключить компании, чья платформа представляет собой
торговую площадку.

В своей статье «Сетевой эффект как новый двигатель экономики» М. ван

Альстайн, Д. Паркер и С. П. Чаудари показывают, что основным активом компаний-
платформ являются не материальные активы, а сообщество платформы и ресурсы его
членов. При этом стратегия таких компаний таких меняется. Акценты смещаются с
управления ресурсами на их координацию, с оптимизации внутренних процессов на
упрощение внешних контактов. Целью компании становится максимизацию ценности
всей экосистемы платформы.

Для компаний второго типа основной задачей является упрощение процесса

осуществления транзакций на платформе, что в свою очередь будет повышать
удовлетворённость участников платформы, а также привлекать новых пользователей.
Потому для компаний важно привлечение как можно большего числа участников
платформы, так как это позволит повысить шансы того, что каждый участник платформы
сможет найти способ удовлетворить именно свою специфичную потребность с учётом
всех нюансов.

Всё вышесказанное означает для компаний-платформ, что им необходимо

развивать компетенции управления сложными и масштабными системами, а также
компетенции управления и анализа больших массивов данных. Так образов, аналитики
больших данных для компаний такого типа является основой обеспечения
жизнеспособности платформы, а необходимость их применения прямо пропорциональна
количеству участников платформы.

В той же статьей М. ван Альстайн, Д. Паркер и С. П. Чаудари 26 авторы отмечают

растущее значение компаний такого типа. Авторы приводят в пример компании Uber и
AirBnB, которые стали ключевыми игроками в своих областях. Также, потребители сами
26
М. ван Альстайн, Д. Паркер, С. П. Чаудари «Сетевой эффект как новый двигатель экономики»

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.

Выделив два типа компаний и определив их особенности, необходимо было

выявить, как в таких компаниях в России могут быть применены технологии аналитики
больших данных, а также какие для этого существуют возможности и ограничения. Часть
информации уже была получена из анализа литературы, кейс, а также анализа малого и
среднего бизнеса. Однако, требовалось выявить особенности самой логистической
отрасли в России, а также как они могут влиять на малые и средние логистические
компании. Для достижения этой цели были проведены интервью с рядом участников
экспертов по данному вопросу. Описание процесса проведения интервью, а также его
результаты описаны далее.

3.4 Результаты экспертных интервью

Основной задачей проведения интервью с экспертами являлось определение

факторов, которые делают возможным применение аналитики больших данных в малых и
средних логистических компаниях, а также факторов, которые препятствуют применению
таких технологий. Несмотря на то, что ряд таких факторов был изначально выделен на
основе анализа кейсов и литературы, это данные не являются специфичными для России,
потому невозможно было определить их релевантность, кроме как на основе общего
понимания специфики ведения бизнеса в России и логики. Восполнить этот недостаток
позволили интервью с экспертами, которые напрямую связаны с логистикой, а также
имеют представление об аналитике больших данных и о том, как она применяется в
логистике.

После определения целей и задач интервью необходимо было определить, кто

именно может считаться экспертом в данном вопросе. Был выведен ряд критериев,
который бы позволял определить человека как эксперта в поставленном вопросе. В
первую очередь, человек должен иметь детальное представление о том, как устроена
логистическая отрасль в России. Данный фактор гарантировал, что полученные ответы

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:

 Эксперт 1: Генеральный директор малой логистической компании с традиционной

бизнес-моделью;
 Эксперт 2: Генеральный директор малой логистической компании с бизнес-
моделью платформенного типа;
 Эксперт 3: Региональный директор Европейской компании, специализирующейся
на перевозках автомобилей;
 Эксперт 4: Генеральный директор технологической компании, занимающейся в
том числе, разработкой решений для аналитики больших данных в логистике;
 Эксперт 5: Генеральный директор технологической компании, занимающейся
разработкой интернет-платформ и сайтов;
 Эксперт 6: Консультант консалтинговой компании, имеющий опыт разработки
стратегий для крупных логистических компаний России.

Когда все эксперты подтвердили свою готовность принять участие в исследовании,

было необходимо разработать структуру интервью, которая позволяла бы в последствие
обобщить полученные результаты. Для этого был составлен ряд вопросов, позволяющих
экспертам раскрыть своё видение проблемы.

Изначально эксперту предлагалось описать, чем занимается его компания. Этот

вопрос был особенно полезен в интервью с генеральными директорами двух малых
логистических компаний, так как помогал лучше понять два типа выделенных бизнес-
моделей. Это позволило дополнить их понимание. В интервью с генеральными

60
директорами технологических компаний, это позволяло понять, на каких технологиях они
специализируются, а также лучше понять суть самих технологий.

После этого экспертам было предложено охарактеризовать сферу логистики в

России сегодня. Ответы на эти вопросы позволили сформировать перечень внешних
факторов, которые могут оказывать влияние на логистические компании в России, а также
на возможность внедрения аналитики больших данных в малые и средние логистические
компании.

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.

Далее интервью переходило непосредственно к обсуждению аналитики больших

данных в логистике. Экспертам предлагалось назвать способы применения аналитики
больших данных в логистике на сегодняшний день. После этого экспертам перечислялись
различные технологии, которые были выявлены в результате анализа кейсов, и им
предлагалось сказать, возможно ли их применять в России сегодня.

После этого эксперту предлагались те же вопросы, только теперь применение

технологий рассматривалось относительно малых и средних логистических компаний.
При этом вопросы задавались по отдельности относительно каждого из двух выделенных
типов таких компаний. Именно различия в ответах на эти и предыдущие вопросы,
позволили сформировать представление о специфичных особенностях применения
аналитики больших данных в малых и средних логистических компания.

В завершающей части интервью экспертам предлагалось изложить своё видение

развития таких технологий в будущем, а также их влияние на логистическую отрасль. Эти
вопросы были необходимы, чтобы сверить ответы экспертов с гипотезой о потенциальном
кардинальном изменении логистической отрасли в будущем.

В результате проведения интервью были получены следующие результаты.

Первый эксперт рассказал, что у него в компании уже внедрены технологии

трекинга транспортных средств, а также технологии контроля расхода топлива. При этом,
он не знал, что такие технологии основываются на аналитике больших данных. После
краткого разъяснения о природе таких технологий, он сказал, что помимо того, что у него

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.

В качестве ещё одного негативного фактора эксперт отметил введение системы

Платон. По его словам, это можно сравнить с дополнительным налогообложением. При
этом, обещания о том, что этот налог будет возмещаться, не исполняются.

На вопрос о том, какие перспективы имеют технологии аналитики больших данных

в логистике, эксперт ответил, что рынок на сегодняшний день слишком разводнён, чтобы
его можно было объединить в единую платформу.

Второй эксперт был более оптимистично настроен относительно аналитики

больших данных, что, вероятно, обусловлено типом компании, которую он возглавляет.
Он указал, что на данный момент их компания активно разрабатывает такие технологии,
для развития своей платформы. Наиболее приоритетными на данный момент для
компании являются технологии трекинга транспортных средств, а также технологии
обработки исторических данных для повышения уровня сервиса.

В качестве основных угроз, для компаний-платформ эксперт в первую очередь

указал на необходимость вывести продукт на рынок как можно раньше. Это объясняется
тем, что как только одна компания предложит свой продукт на рынок, все другие
компании будут вынуждены разрабатывать, что-то новое и инвестировать большие
средства в продвижение такого продукта на рынке. Потому, если компания раньше
конкурентов выведет свой товар на рынок, она получит значительное конкурентное
преимущество.

Эксперт также заметил, что, несмотря на схожесть такой модели с моделью

компании Uber, компании-платформы в логистике в основном ориентируются на сектор
В2В, так как сегмент В2С слишком непредсказуем и отдельные люди редко размещают
62
заказы. В то же время, сектор В2В обеспечивает компании стабильные поток денежных
средств.

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.

Второй эксперт рассказал, что компании-платформы могут успешно конкурировать

с обычными логистическими провайдерами в секторе В2В. По сути своей, их
взаимодействие с юридическими лицами мало чем отличается от того, как это делают
компании традиционного типа. При этом компании-платформы способны предоставлять
более высокий уровень сервиса, так как они способны предоставлять больший выбор
автомобилей клиенту, тем самым повышая надежность и снижая время поставки
автомобиля.

Эксперт также выразил уверенность в том, что такие именно такая модель ведения
бизнеса в будущем преуспеет, объяснив это в том числе, аргументами, описанными выше.

Третий эксперт негативно отнёсся к перспективам применения аналитики больших

данных в логистике. По его мнению, такие технологии имеют перспективы лишь в
больших компаниях. При этом он указал на технологии трекинг и анализа данных
сенсоров, как единственных, которые могут быть применены. Для малого и среднего
бизнеса перспектив применения он не видит. Он отметил, что такие компании в любом
случае будут вынуждены конкурировать с крупными игроками, чей бюджет значительно
выше, и потому он с легкостью смогут предложить на рынок более высококачественный
продукт. При этом, по его словам конкуренция, возможна не только со стороны крупных
логистических компаний, но и любых других компаний, которые работают с транспортом,
так как развитие технологии больших данных позволять компании развивать свои
компетенции в этой области в отдельное направление бизнеса.

В качестве еще одной угрозы именно для компаний с платформенной моделью

ведения бизнеса, эксперт указал незаинтересованность в этом юридических лиц, так как
во многом партнёрство перевозчика и грузоотправителя построены на дружеских
отношениях, которыми компании не готовы жертвовать ради неизвестных компаний с
63
новой моделью ведения бизнеса. К этому эксперт также отнёс и фактор «серых»
перевозчиков, которые порой создаются по инициативе компаний-грузоотправителей.

Переход логистической отрасли к модели масштабной интернет-платформы

третьей эксперт посчитал возможным в Европе и Америке, но не в России, так как в
отечественных компаниях ещё не везде развиты стандартные электронные системы, а
потому дальнейшие инновации не возможны.

Четвёртый эксперт, наоборот, с энтузиазмом рассказывал об идее перехода

логистической отрасли с платформенной модели. По его словам, такая трансформация
является логичным следствием текущих процессов. Он также отметил, что такая
масштабная платформа будет дополнена технологиями самоуправляемых автомобилей и
искусственного интеллекта. Такое сочетание создаст значительные перспективы для
развития малого и среднего бизнеса в логистике, по его мнению, так как любой человек
сможет приобрести любое число самоуправляемых автомобилей и подключить их к
платформе, которая сама будет их администрировать, при этом собственник будет
получать от этого деньги. Единственным условием с данном случае является отсутствие
значительной насыщенности платформы перевозчиками, так как в этом случае
потребности в новых автомобилях просто не возникнет.

О сегодняшнем состоянии аналитики больших данных в логистике, эксперт сказал,

что такие разработки являются прерогативой крупного бизнеса. При этом сложные и
комплексные решения в принципе могут разрабатываться лишь самими компаниями, так
как затрагивают слишком много конфиденциальной информации. Для малых и средних
компаний, это в свою очередь не доступно, так как у них нет возможности нанять
достаточный штат сотрудников, а также инвестировать средства в покупку серверов и
разработку технологий. По его мнению, такие компании на сегодняшний день могут
покупать готовые решения у компаний разработчиков, что позволяет избежать всех
вышеупомянутых факторов. При этом он убеждён, что вопрос безопасности в таких
технологических компаниях решён на достаточном уровне, чтобы убедить компании
пользоваться их продуктами.

Компании с платформенной бизнес-моделью четвертый эксперт считает

переходным звеном между сегодняшним состоянием отрасли и будущим переходом к
платформенному состоянию, который, по его словам, произойдет в течение десяти лет.

Пятый эксперт возглавляет компанию, которая разрабатывает интернет-платформу

для малой логистической компании, по типу платформ, описанных выше. По его мнению,
64
независимо от типа бизнес модели малых и средних логистических компаний наиболее
применимыми являются технологии трекинга транспортных средств. Все другие
технологии аналитики больших данных по его мнению для таких компаний слишком
сложны, и спрос на них появится только когда эти компании вырастут и у них накопится
достаточно данных и денег, чтобы можно было инвестировать в такие технологии.

Для компаний с бизнес-моделью интернет-платформы эксперт основным барьером

нахождение достаточного количества пользователей для обеспечения положительных
финансовых результатов. По его мнению, именно предвзятое отношение юридических
лиц, на которых направлены данные компании, являются основным барьером.

В целом пятый эксперт основные возможности аналитики больших данных видит в

анализе больших массивов неструктурированных данных о внешних для компании
факторах. С его точки зрения, именно в этом на данный момент является основная
ценность таких технологий для компаний.

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.

По мнению эксперта, спрос на такие технологии резко возрастёт, когда появится

крупный игрок, который внедрив такие технологии, получит существенное конкурентное
преимущество, что вынудит другие компании начать внедрять такие технологии. При
этом это будет игрок, у которого большая часть транспортных средств находится в
собственности, так как, если транспортное средство взято в лизинг, внедрить такие
технологии будет значительно сложнее.

Переход логистической отрасли к модели общей интернет-платформы, считает

эксперт, также возможен в России лишь в долгосрочной перспективе. Для появления
такой платформы потребуется разработка соответствующего законодательства, а также
инвестиции в серверные мощности, сопоставимые с серверными мощностями
крупнейших телекоммуникационных компаний. Остаётся неясным, кто будет готов
осуществить такие инвестиции, помимо государства, или, по крайней мере, без стимулов
со стороны государства.

Исходя из всех интервью, следует, что наиболее применимой в традиционных

компаниях малого и среднего бизнеса технологией аналитики больших данных является
трекинг транспортных средств. Пять из шести экспертов указали на эту технологию.
Однако, в целом эксперты крайне скептично отнеслись к перспективам таких технологий.
Эксперты указали на ряд запретительных барьеров, которые делают аналитику больших
данных в малых и средних логистических компаниях неприменимой или
нецелесообразной. Компании, использующие интернет-платформы, основываясь на
мнении большинства экспертов, не имеют на данный момент перспектив захвата доли
рынка в России. Гипотеза о том, что логистическая отрасль может перейти к модели
общей интернет-платформы была частично подтверждена всеми экспертами, однако
большинство экспертов считают, что это возможно лишь в далёком будущем, так как в
стране нет для этого развитой инфраструктуры и законодательной базы.

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.

3.5 Возможности и барьеры для внедрения аналитики больших данных в малых и

средних логистических компаниях

Возможности для внедрения аналитики больших данных в малых и средних

логистических компаниях

Возможности внедрения аналитики больших данных в малых и средних

логистических компаниях в первую очередь возникают из характеристики таких
компаний. Малые и средние компании не обладают сложной организационной
структурой, а информационные системы, используемые в них, имеют малое количество
пользователей и низкую сложность. Более того, в таких компаниях скорость генерации
данных значительно ниже, чем в крупных компаниях из-за меньшего количества
перевозок в день и меньшего количества транспортных средств. Потому сами технологии
аналитики больших данных в таких компаниях будут иметь относительно низкую
сложность, потому их будет легко разработать и внедрить.

Также, из-за небольшого размера такие компании являются достаточно гибкими и

потому им будет легко адаптировать свои внутренние процессы к новым технологиям и
выработать новый механизм принятия решений, на основ аналитики больших данных.

Кроме того, благодаря технологическому прогрессу и удешевлению технологий,

как его следствию, современные технологии аналитики больших данных становятся всё
более доступными для широкого круга компаний, в том числе и для малых и средних
логистических компаний.

Благоприятным фактором для малых и средних логистических компаний с

традиционной моделью ведения бизнеса является появление компаний, разрабатывающих
программные продукты для анализа больших данных. Это позволяет компаниям избежать
затрат на разработку таких данных и просто приобретать такие технологии за месячную
плату и разовую плату за установку таких технологий.

Благоприятным фактором для малых и средних логистических компаний с новой

бизнес-моделью является отсутствие подобных компаний на рынке, потому, если
компания, первой предложившая такой продукт, сможет занять монопольное положение.

67
Барьеры для внедрения аналитики больших данных в малых и средних
логистических компаниях

Общим барьером для внедрения аналитики больших данных в малых и средних

логистических компаниях является сложностью финансирования таких проектов. При том
для компаний-платформ этот фактор влияет на саму возможность появления таких
компаний. Данный барьер можно разбить на несколько разных, имеющих идентичный
эффект. Во-первых, оборот компаний малого и среднего бизнеса в принципе не такой
большой, чтобы позволить себе значительные инвестиции в новые инновационные
технологии. Во-вторых, всем компаниям малого и среднего бизнеса сложно привлекать
новые кредиты, так как процент просрочек по выплате среди таких компаний очень высок,
потому банки очень осторожны при выдаче кредитов таким компаниям. В-третьих,
экономический кризис привёл к тому, что многие компании работают на грани
рентабельности, потому инвестиции в технологии аналитики больших данных,
экономический эффект от которых сложно оценить, слишком рискованны. Исключение
составляют, возможно, технологии трекинга, так как экономика таких технологий
достаточно прозрачна.

Для малых и средних логистических компаний с традиционной моделью ведения

бизнеса еще одним негативным фактором является введение системы Платон, которая
порождает дополнительные затраты и приводит к ещё большим финансовым
затруднениям. Помимо этого, аналитику больших данных значительно сложнее внедрить
в компаниях, чьи транспортные средства взяты в лизинг. А именно такая ситуация
характерна для большинства малых и средних логистических компаний с традиционной
моделью ведения бизнеса. Другим барьером для внедрения технологий аналитики
больших данных является отсутствие информационных систем, на основе которых могут
собираться большие данные и которые бы могли быть интегрированы с технологиями их
анализа. Также барьером для малых и средних компаний с традиционной бизнес-моделью
является отсутствие полного контроль над транспортными средствами, если они взяты в
лизинг, так как в данном случае в процесс принятия решения о внедрении систем трекинга
и анализа данных с датчиков подключается ещё одном заинтересованное лицо, что
вынуждает вести переговоры. Для компаний-платформ это барьером не является, так как
они изначально не заинтересованы в повышении утилизации транспортных средств, для
них важна лишь их способность выполнить заказ.

Был также выявлен ряд барьеров, специфичных для малых и средних

логистических компаний-платформ. В первую очередь, таким компаниям сложность

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

Анализ возможностей и барьеров применения аналитики больших данных в малых

и средних логистических компаниях показал, что барьером, влияющим на компании
обоих типов, является 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.

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»

На основе анализа кейсов применения аналитики больших данных в логистике, а

также анализа малых и средних логистических компаний и интервью с экспертами, было
выявлено, что наиболее перспективными для внедрения в малых и средних логистических
компаниях с традиционной бизнес-моделью являются технологии трекинга транспортных
средств. Также было выявлено, что наиболее выгодным и безопасным для таких компаний
будет аутсорсинг таких технологий у технологических компаний. Потому перед
рассмотрением примера внедрения технологий трекинга в компании с традиционной
моделью ведения бизнеса был рассмотрен пример технологической компании,
разрабатывающей такие технологии. Для анализа была выбрана компания СКАУТ,
базирующаяся в Санкт-Петербурге.

Подробное описание компании представлено в пункте 2.2. настоящей работы.

На сайте компании представлены примеры 60 компаний, использующие

технологии компании СКАУТ. Это компании, представляющие отрасли машиностроения,
грузоперевозок, строительства, металлургии и множества других крупных отраслей
экономики России. При этом 59 компаний из 60 внедрили у себя технологии мониторинга
транспортных средств.

Из 60 компаний 13 относятся к отрасли грузоперевозок. Из них все 13 внедрили у

себя технологии трекинга транспортных средств и 9 компаний внедрили также
технологии контроля расхода топлива. Другие программные продукты компании СКАУТ
тринадцать выбранных компаний не использовали.

Услуга трекинга транспортных средств, которая в компании называется «Базовый

мониторинг» выглядит следующим образом. На транспортные средства клиента
устанавливается модуль мониторинга, который подключается к электронике
транспортного средства. Далее все данные, которые собирает модуль, отправляются на
сервера компании СКАУТ для хранения и обработки. В компании клиента также
устанавливается программное обеспечение, в котором результаты анализа отражаются в
виде отчётов четырех различных типов. Это отчёты о текущем местонахождении

71
транспортных средств, отчёты об истории передвижения, графические отчёты и плановые
отчёты, которые составляются на конкретную дату. Доступ к первичным данным клиент
не имеет.

По заявлениям компании, внедрение услуги базового мониторинга позволит

компаниям клиентам достичь снижения пробега транспортных средств от 10 до 40%,
расходов на содержание парка на 40% и расхода топлива от 10 до 40%. При этом
окупаемость внедрения такой услуги составляет от 3 до 12 месяцев.

Далее был рассмотрен пример внедрения технологий трекинга транспортных

средств в компании «Логистика Авто».

Компания была основана в 2009 году в городе Уфа, столице Республики

Башкортостан. «Логистика Авто» предоставляет услуги междугородних и международных
перевозок грузов. На данный момент у компании имеется 6 собственных транспортных
средств типа «Еврофура».

Согласно данным, полученным от компании на сегодняшний день ежемесячные

расходы на один автомобиль составляют ₽200 тысяч, из которых ₽150 тысяч составляют
расходы на горючесмазочные материалы и ₽50 тысяч – затраты на содержание
автомобиля.

Стоимость внедрения технологий трекинга оценивалась на прейскуранте компании

СКАУТ. Стоимость установки составляет ₽12 500 в расчёте на один автомобиль. В эту
сумму входит установка модуля трекинга и его стоимость. Ежемесячная плата на
пользование составляет ₽700 за одну транспортную единицу. Следователь, для компании
«Логистика Авто» затраты за первый год составят ₽125 400 рублей и ₽50 400 рублей в
последующие года.

Для расчёта экономической эффективности были приняты минимальные

заявленные проценты экономии средств на затратах на топливо и на обслуживание
транспортных средств. В расчётах показатель ожидаемой экономии топлива был принят за
10%, как и показатель снижения затрат на обслуживание.

Таким образом, средняя ежемесячная экономия топлива в месяц на один

автомобиль, согласно прогнозам, должна составить ₽15 тысяч и экономия на затратах на
содержание ещё ₽5 тысяч. Следовательно, суммарная ежемесячная экономия на одну
машину в месяц составил ₽20 тысяч или ₽1,44 млн. в год для компании в целом. Даже

72
если принять оба показателя экономии за 1% в месяц, то внедрение таких технологий
окупиться для компании «Логистика Авто» уже на 9 месяц использования.

Безусловно, такие результаты не могут быть достигнуть в первые месяцы работы,

так компании первоначально надо будет научиться работать с системой и привязать к ней
процессы контролинга и принятия решений, однако общая экономическая
привлекательность таких технологий очевидна.

На примере компании «Логистика Авто» было показано, что внедрение технологий

трекинга в традиционных малых и средних логистических компаниях является
экономически обоснованным. Помимо этого, можно утверждать, что влияние барьеров на
компании такого типа на компании переоценено.

Во-первых, как показано в расчётах, стоимость внедрения таких технологий

невысока, а период их окупаемости менее года. Таким образом, компании вполне могут
позволить себе финансирование таких технологий из своей нераспределённой прибыли.
Экономический эффект внедрения таких технологий легко оценить, потому существенных
рисков для компании это не несёт.

Во-вторых, такие технологии не требуют интеграции с информационными

системами компании. Необходимое программное обеспечение устанавливается
разработчиком технологии на компьютеры в компании. Программа сама генерирует
отчёты, потому всю аналитику компания также может получать из программы.

Пример компании «Логистика Авто» не учитывает необходимости утверждать

технологии с лизинговой компанией, владеющей транспортными средствами, так как в
данном случае транспортные средства были с собственности компании. Однако можно
доказать, что установка таких технологий выгодна и лизинговой компании. Рассмотрим
отдельно случаи операционного и финансового лизинга.

При операционном лизинге актив отражает на балансе лизинговой компании и

именно лизинговая компания несёт затраты, связанные с содержанием актива. Как было
показано, технологии трекинга снижают и стоимость обслуживания автомобиля, потому
это выгодно для лизинговой компании. Также, внедрение технологий трекинга снижает
износ транспортного средства, так как снижается доля отклонений от маршрута и
превышения скорости, за счёт чего и достигается экономия топлива и снижение издержек
на обслуживание. Следовательно, повышается и остаточная стоимость автомобиля на
момент завершения срока операционного лизинга, что опять же выгодна лизингодателю.

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.

Безусловно, технология трекинга являются лишь одной из технологий аналитики

больших данных, потому на её примере невозможно говорить о полноценной
применимости таких технологий в малых и средних логистических компаниях. Тем не
менее, при появлении новых технологий первыми всегда внедряются наиболее простые и
имеющие наиболее явные положительные эффекты. После того как эти технологии
докажут свою полезность для компании, начинается активное внедрение других подобных
технологий. Таким образом, внедрение технологий трекинга может стать примером
применимости технологий аналитики больших данных в малых и средних логистических
компаниях, что впоследствии приведёт к расширению спектра применения таких
технологий.

4.2 Оценка степени влияния выявленных барьеров на внедрение аналитики

больших данных на примере компании «Gruzer»

Компания-платформа Gruzer была основана в июле 2016 года в Санкт-Петербурге.

Совокупные инвестиции за 10 месяцев работы компании составили ₽30 млн. В компании
на данный момент работает 9 человек. Запуск платформы состоялся в апреле 2017 года,
когда в компании начались первые продажи. На данный момент на платформе
зарегистрировано 150 грузоотправителей и 60 грузовых автомобилей. Среднее количество
отправок в апреле 2017 года составило 11 отправок в день.

На сегодняшний день компания продолжает активно инвестировать в развитие

своей платформы. На данный момент ведется разработка тепловой карты районов Санкт-
Петербурга на основе количества заказов и их специфики. В разработке такого
программного обеспечения используются технологи кластеризации, а также технологии
на подобие MapReduce, которые позволяют группировать массивы данных и проводить
анализ внутри созданных групп. На основе тепловой карты также разрабатывается
технология гибкого ценообразования. В данном случае потребуется совмещение
эконометрического моделирования и технологий больших данных, что позволит выявить
ключевые факторы, определяющие цену доставки, а также адаптировать цену к каждой

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.

По мере роста платформы компания будет всё активнее внедрять различные

технологии аналитики больших данных для максимизации общей ценности, создаваемой
для участников платформы. В данном случае возможно применение технологий Hadoop
для улучшения маркетинговых функций компании. Также аналитики больших данных
будет необходима для развития систем рейтингов перевозчиков. Для этого понадобиться
система анализа и ранжирования отзывов, которая при этом сможет анализировать и
текст.

В предыдущей главе был выявлены пять барьеров, которые оказывают негативное

влияние на логистические компании-платформы. Во-первых, это сложность
финансирования таких проектов. Во-вторых, такие компании не могут выйти на рынок
В2С из-за неспособности конкурировать в маркетинге с крупными компаниями, однако на
рынке В2В интерес к ним низкий из-за 1) большого количества «серых» перевозчиков и 2)
предвзятого отношения к таким платформам. В третьих, такие компании уязвимы к
появлению аналогичных программных продуктов, созданных игроками из других
отраслей. В-четвёртых, для таких компаний важна скорость предложения продукта на
рынок. На основе интервью с генеральным директором компании и анализа бизнес-
модели компании была проведена оценка степени влияния этих факторов на компанию

Компания была основана на собственные средства, без привлечения инвестиций и

банковских кредитов, что позволило избежать влияния первого фактора. В целом, влияние
этого негативного фактора невозможно избежать. Негативное влияние данного фактора
ослабиться лишь тогда, когда в России возобновиться стабильный экономический рост.

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.

Конкуренция с игроками из других секторов также не является значительной

угрозой для логистических компаний-платформ. Безусловно, у конкурентов может быть
более развития онлайн-платформа, однако тарифы на перевозку по Санкт-Петербургу
стабильные и не различаются значительно между перевозчиками. Таким образом, чтобы
составить конкуренцию, например Gruzer, компаниям придётся значительно
инвестировать в маркетинг для поиска грузоотправителей, при том, что у Gruzer уже
имеется база клиентов. Конечно, если компания крупная, то она сможет себе позволить
крупные маркетинговые, однако это ничем не отличается от ситуации, когда на рынке
появится другая компания-платформа и начнёт конкурировать в Gruzer, что входит в
рамки обычного риска, который берёт на себя предприниматель, открывая бизнес. Таким
образом, влияние этого фактора сильно переоценено.

Последним барьером является то, что компания, предложившая свой продукт на

рынок первой, значительно усложнит выход на рынок другим компаниям. Так как
крупные игроки имеют больший бюджет, то им разработать такие технологии будет
проще. Опять же, данные барьер не выходит за пределы обычного предпринимательского
риска, а потому его нельзя рассматривать как ограничение для появления и развития таких
компаний на рынке России. Если бы это было так, то на основе этого барьера можно было
бы говорить о закрытости любой отрасли экономики для инноваций. Более того, если
компания решит перейти к платформенному типу бизнеса, то ей придётся полностью
перестроить свою организационную структуру, избавиться от собственных транспортных

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.

Таким образом, пример компании Gruzer показал, что по настоящему значимыми

барьерами для компаний-платформ являются лишь сложность привлечения
финансирования и угроза конкуренции со стороны крупных игроков.

Вывод по главе 4

Анализ двух реальных примеров внедрения аналитики больших данных показал,

что большинство барьеров, выявленных в главе 3 настоящего исследования, не являются
барьерами как таковыми. Единственным значительным барьером является спад
российской экономики, который усложняет инвестирование в проекты аналитики
больших данных в случае компаний с традиционной бизнес-моделью и непосредственное
в случае компаний-платформ.

77
Заключение

Аналитика больших данных является одним из ключевых трендов в управлении

компаниями во всём мире. Многие компания начинают внедрять такие технологии для
улучшения качества принимаемых решений. Различные консалтинговые и
исследовательские агентства называют аналитику больших данных одним из трендов,
которые полностью меняют подход к управлению компаний. Помимо этого, растёт
интерес научного сообщества к данной теме. Однако аналитика больших данных остаётся
в представлении большинства прерогативой крупных компаний. Проблема аналитики
больших данных в малом и среднем бизнесе практически не освещена. То же характерно и
для сферы логистике.

В рамках настоящей исследовательской работы был проведён анализ возможностей

и ограничений применения аналитики больших данных в малых и средних логистических
компаниях в России в частности.

Для того, чтобы определить, как на мировой практике такие технологии

применяются в логистике был проведён анализ 20 различных кейсов, отобранных для
исследования. На основе анализа были выделены три группы кейсов: 1) кейсы крупных
логистических компаний, 2) кейсы компаний-платформ с инновационной бизнес моделью
и 3) кейсы компаний, разрабатывающих решения для аналитики больших данных в
логистике. По мимо этого, анализ кейсов показал, что наиболее популярным являются
технологии трекинга транспортных средств, анализа данных с сенсоров и датчиков,
установленных в транспортном средстве, совмещение этих технологий, а также
технологии предиктивной аналитики спроса.

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.

После был проведён анализ возможностей и барьеров применения аналитики

больших данных в малых и средних логистических компаниях. Для его был проведён
анализ актуального состояния малого и среднего бизнеса в России, а также проведены
интервью с экспертами. В итоге было выявлено, что барьером, влияющим на компании

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.

После, на примере двух компаний, относящихся к двум выделенным типам малых

и средних логистических компаний, была проведена оценка значимости выявленных
барьеров. Было продемонстрированно, что по настоящему значимыми являются лишь
барьеры, связанные со спадом в экономике. Потому основным ограничением для
применения таких технологий на сегодняшний день является лишь экономическая
ситуация в стране. При этом других серьёзных ограничений, не позволяющих малому и
среднему бизнесу внедрять такие технологии, на самом деле не существует.

В настоящее время сама концепция ведения логистического бизнеса находится на

этапе переосмысления. В данной работе были рассмотрены способы применения
аналитики больших данных для достижения компаниями конкурентного преимущества.
Однако в сочетании с технологиями машинного обучениями и прорывами в инженерии
большие данные потенциально могут изменить сам подход к ведению логистического
бизнеса. Уже сейчас такие крупные компании как Uber и Google разрабатывают
технологии беспилотного управления автомобилей. Успех же интернет-платформ в
гражданской логистике доказал их превосходство над традиционными способами ведения
бизнеса. Если объединить эти два тренда и применить их к логистическому бизнесу, то
можно представить себе возможное направление его будущего развития. Если сейчас
логистический бизнес в основном сфокусирован на оптимизации своей деятельности, а
рынок представлен крупными игроками, владеющими крупными автопарками, которые
имеют множество эксклюзивных контрактов с грузоотправителями, то в будущем
ситуация может крайне измениться. Логистические услуги будут предоставлять на
интернет-платформах, где будут представлены грузовладельцы и владельцы
транспортных средств. Если представить, что все транспортные средства при этом будут
снабжены автопилотами, то из этого следует, что сами цели бизнеса изменятся. Если
сейчас компании фокусируются непосредственно на процессе доставки, то в будущем за
счёт автоматизации перевозок такая потребность исчезнет, а компании сфокусируют свои

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