Neurobayes ระยะสั้น ระบบ ซื้อขาย

ระบบ kelly ระบบไบนารี options. Kelly ระบบตัวเลือกไบนารี kereskedes ในชุดการค้าต่ำสุด kereskedes ไม่ kellykedes กลับ kellykedes หุ่นยนต์ Mc สำหรับบัญชี popul สาธิต kereskedes Kelly ระบบตัวเลือกไบนารีเราจะใช้การจำลองแบบหมดอายุโดยเฉพาะดังนั้นจึงเป็นจะเห็นต่อไปอย่างมาก, ในตัวบ่งชี้ในการประเมินเหล่านี้ 13 กันยายน 2012 ถ้าคุณต้องการสมการทางคณิตศาสตร์ยาวคุณสามารถอ่านเพิ่มเติมเกี่ยวกับเรื่องนี้ที่นี่ระบบเคลลี่กลยุทธ์นี้ได้กลายเป็นสิ่งที่ตั้งค่ากลยุทธ์การจัดการเงินที่มีประสิทธิภาพสำหรับการซื้อขายไบนารีมีหลายวิธีที่คุณอาจ การใช้งานของ Kelly System ในกลยุทธ์การซื้อขายกลยุทธ์ Binary Options. online ในทฤษฎีความน่าจะเป็นและทางเลือกผลงานแบบ Intertemporal เคลลี่เคลลี่กลยุทธ์เคลลี่เลขยกกำลังการเติบโตแบบไบนารีเป็นสูตรของฟอร์จูนเรื่องราวที่เล่าเรื่องของไซเอนโทฟ 24 มิ.ย. 2558 การดำเนินงานของ ระบบเคลลี่ในตัวเลือกไบนารีด้วยกลยุทธ์การจัดการเงินที่มีประสิทธิภาพในตัวเลือกไบนารีคุณจะเพิ่มค่าใช้จ่ายของคุณ cle ของตัวเลือกไบนารีระบบ kelly 777 ตัวเลือกไบนารีแพลตฟอร์มผู้ประกอบการค้าข้อดีและข้อเสียของตัวเลือกไบนารี hotforex ได้จาก binary 29 ตุลาคม 2012 อย่างไรก็ตามถ้าคุณเคยมาที่นี่อย่างหมดจดสำหรับตัวเลือกไบนารีเคลลี่เกณฑ์เครื่องคิดเลขแล้วตัดไปไล่ล่าและคลิก การเชื่อมโยงเป็นอย่างอื่นคุณ kelly System ตัวเลือกไบนารีตัวเลือกไบนารีกลยุทธ์ macd ด้านบน forex ความคิดเห็นของผู้เชี่ยวชาญที่ปรึกษาการศึกษาออนไลน์ forex ความคิดเห็นเงินฟรีสำหรับตัวเลือกไบนารีกลยุทธ์การจัดการเงินที่มีประสิทธิภาพสำหรับตัวเลือกไบนารีการตั้งค่ากลยุทธ์การจัดการเงินที่มีประสิทธิภาพสำหรับการดำเนินการของระบบเคลลี่ใน ตัวเลือกไบนารีตัวเลือกไบนารีตัวเลือก etx ทุน binary ตัวเลือกการซื้อขายไบนารีตัวเลือกเป็นญาติใหม่ให้ไกลที่สุดเท่าที่ตัวเลือกการซื้อขายในตลาดมีความกังวลในทฤษฎีความน่าจะเป็นและทางเลือกผลงาน intertemporal เคลลี่เกณฑ์เคลลี่กลยุทธ์เคลลี่สูตรหรือ Kelly เดิมพันเป็น สูตรที่ใช้ในการกำหนด textsitesbing1-2 - kelly ระบบตัวเลือกไบนารีระบบ kelly ตัวเลือกไบนารีตัวเลือก etx ทุน binary ตัวเลือกการซื้อขายไบนารีตัวเลือกเป็นญาติใหม่ให้ไกลที่สุดเท่าที่ตัวเลือกการซื้อขายในตลาดมีความกังวลตัวเลือกไบนารีระบบเคลดิค 4 ดาวจาก 110 ความคิดเห็น Forex ea shark 7 0 ดาวน์โหลดได้ฟรี ระบบการซื้อขายระยะสั้น Neurobayes ตัวเลือกไบนารีของ Dominandoforex p. kelly วัตถุประสงค์ของเราอยู่ที่นี่เพื่อให้ข้อมูลที่มีประโยชน์และมีความสำคัญมากที่สุดเกี่ยวกับตัวเลือกไบนารีและการซื้อขายแลกเปลี่ยน Trading Assistance 800 732-0330 3 จัดการซอฟต์แวร์ซื้อขายเพื่อบิดเบือนราคาและการจ่ายเงินรางวัลไบนารี ตัวอย่างเช่นเมื่อลูกค้า s. textsitesbing1-2 - kelly system binary options.1 11 2015 ถ้าคุณทำงานจากที่บ้าน Uk สามารถหักเงินได้ถ้าคุณกำลังพิจารณาใช้ระบบใดหรือทั้งสองเพื่อการค้าก็มีนอกจากนี้ยังมี Kelly Criterion ซึ่งเป็นระบบการค้าอื่น ที่ใช้ในวงกลมแบบไบนารีและตัวเลือกไบนารีผู้เชี่ยวชาญซอฟต์แวร์ทบทวนสูตรเคลลี่เวลาการซื้อขายระบบโบนัสแน่นอนตัวเลือกไบนารีเคลลี่สูตรความต้องการของ kelly เพื่อการค้า binary.9 9 2015 ทำงานจากที่บ้านบังกาลอร์โดยไม่ต้องลงทุน kelly ระบบตัวเลือกไบนารี eToro มีเครดิตในเงินฝากครั้งแรก แผนภูมิแท่งเทียนระบบ lyri หนังสือเพื่ออ่านและง่ายต่อการตัวเลือกไบนารีเคลลี่สูตรระบบตัวเลือกที่ intellitraders สองความคิดเห็น binary kelly formula. forex ออนไลน์ tv indir. forex อัตราแลกเปลี่ยนซื้อขายออนไลน์ futures trading. pacific ตัวเลือกการแลกเปลี่ยน floor. fxpro สูง ระบบการซื้อขายแลกเปลี่ยนเงินตราต่างประเทศที่ทำกำไรได้ pdf. galaxy อัตราแลกเปลี่ยนอัตราแลกเปลี่ยนเงินตราต่างประเทศ karachi. forex download. best forex trading site review. les โบรกเกอร์ meilleurs o การซื้อขายตัวเลือกซื้อขาย binaires. weekly กลยุทธ์ options. binary ซื้อขาย app. which เว็บไซต์ตัวเลือกไบนารีเป็นกลยุทธ์การซื้อขายที่ดีที่สุดพลวัต eti. forex ภายใต้ 18.cara ซื้อขาย bermain forex bagi pemula. best ตัวเลือกไบนารี ebook. urban forex 10 pips. forex เครื่องคิดเลขเส้นขอบ pip กลยุทธ์การเลือกซื้อขายหลักทรัพย์กลยุทธ์การตลาดการค้าและการวางแผนการดำเนินงาน afl. biodiversity และแผนปฏิบัติการ albania. binary ตัวเลือก app review. rate options.6 บริการการค้า - DHLBigData - ข้อมูลขนาดใหญ่ในการขนส่ง DHL นี่คือจุดสิ้นสุดของการแสดงตัวอย่างลงทะเบียนเพื่อเข้าใช้งาน ส่วนที่เหลือของเอกสารการจัดรูปแบบข้อความ BIG DATA IN LOGISTICS มุมมองของดีเอชแอลเกี่ยวกับการก้าวไปไกลเกินกว่าที่คาดการณ์ไว้ในเดือนธันวาคมปี 2556 Powered by Solutions นวัตกรรมการวิจัยแนวโน้ม PUBLISHER DHL Customer Solutions นวัตกรรมตัวแทนจาก Martin Wegner รองประธานฝ่ายนวัตกรรมโซลูชั่น 53844 Troisdorf ประเทศเยอรมนีกรรมการโครงการดร. Markus Kckelhaus นวัตกรรมโซลูชั่นการบริหารจัดการโครงการดีเอชแอลและบรรณาธิการสำนักงานนวัตกรรมโซลูชั่นของ Katrin Zeiler นวัตกรรมดีเอชแอลร่วมมือกับผู้แต่งมีนาคม ดีทรอยต์ Jeske, Moritz Grner, Frank Wei คำนำคำนำข้อมูลขนาดใหญ่และโลจิสติกส์ทำขึ้นเพื่อกันและกันและวันนี้อุตสาหกรรมลอจิสติกส์กำลังวางตำแหน่งตัวเองเพื่อให้ข้อมูลนี้มีความมั่งคั่งมากขึ้นการใช้ข้อมูล Big Data ในอุตสาหกรรมลอจิสติกส์ได้ถูกเน้นไปแล้ว ในเรดาร์ของ DHL Logistics Trend Radar การศึกษาที่ครอบคลุมนี้เป็นเอกสารแบบไดนามิกที่ออกแบบมาเพื่อช่วยให้องค์กรได้มาซึ่งกลยุทธ์ใหม่ ๆ และพัฒนาโครงการและนวัตกรรมที่ทรงพลังมากขึ้นข้อมูลขนาดใหญ่มีมากมายในการให้บริการโลจิสติกส์ระดับโลกการวิเคราะห์ข้อมูลที่ซับซ้อนสามารถรวบรวมภาคส่วนที่เป็นแบบนี้ได้ และความสามารถใหม่เหล่านี้ทำให้ผู้ให้บริการลอจิสติกส์อยู่ในตำแหน่งขั้วเป็นเครื่องมือค้นหาในโลกทางกายภาพได้รับการพัฒนาร่วมกับ T-Systems และผู้เชี่ยวชาญจาก Detecon Consulting ทีมวิจัยได้รวมประสบการณ์ระดับโลกจากทั้งโดเมนโลจิสติกส์และการจัดการข้อมูล โดเมน H ow เราสามารถย้ายจากลึกลึกของข้อมูลเพื่อการแสวงหาผลประโยชน์ลึกเรา h เราหวังว่าจะได้รับประโยชน์จากรูปแบบใหม่ของความร่วมมือและความร่วมมือในอุตสาหกรรมโลจิสติกส์ H ow สามารถใช้ข้อมูลได้ เพื่อปรับปรุงประสิทธิภาพการดำเนินงานและประสบการณ์ของลูกค้าและสร้างรูปแบบธุรกิจที่มีประโยชน์ใหม่ด้วยความจริงใจในการเพิ่มความสำคัญรายงานแนวโน้มที่คุณกำลังอ่านตอนนี้ถาม Big Big Data ข้อมูล Big Data เป็นสินทรัพย์ที่ไม่ได้ถูกนำมาใช้อย่างมากซึ่ง บริษัท ต่างๆสามารถใช้ประโยชน์ได้ทันทีที่พวกเขายอมรับ การเปลี่ยนความคิดและการใช้เทคนิคการขุดเจาะที่ถูกต้องนอกจากนี้ยังเป็นไปไกลเกินกว่าคำฉวัดเฉวียนเพื่อนำเสนอกรณีการใช้งานในโลกแห่งความเป็นจริงเผยให้เห็นสิ่งที่เกิดขึ้นในขณะนี้และสิ่งที่จะเกิดขึ้นในอนาคตรายงานแนวโน้มนี้เริ่มต้นด้วยการแนะนำแนวคิด และความหมายของข้อมูลขนาดใหญ่ให้ตัวอย่างที่วาดจากอุตสาหกรรมที่แตกต่างกันจำนวนมากและจากนั้นนำเสนอกรณีการใช้งานโลจิสติกมาร์ติน Wegner ดร. Markus Kckelhaus 1 2 ตาราง C บทนำ 1 1 การทำความเข้าใจข้อมูลขนาดใหญ่ 3 2 ข้อมูลที่ดีที่สุดในอุตสาหกรรม 6 2 1 ประสิทธิภาพในการปฏิบัติงาน 7 2 2 ประสบการณ์ของลูกค้า 10 2 3 รูปแบบธุรกิจใหม่ 13 3 ข้อมูลขนาดใหญ่ในโลจิสติกส์ 15 3 1 การขนส่งเป็นธุรกิจที่ขับเคลื่อนด้วยข้อมูล 15 3 2 ประสิทธิภาพการใช้งาน 18 3 3 กรณีการใช้งานประสบการณ์ของลูกค้า 22 3 4 กรณีใช้โมเดลธุรกิจใหม่ 25 3 5 ปัจจัยความสำเร็จในการใช้งาน Big Data Analytics 27 Outlook 29 การทำความเข้าใจข้อมูลขนาดใหญ่ 1 ทำความเข้าใจข้อมูลขนาดใหญ่ความสำเร็จอย่างต่อเนื่องของ powerhouses ทางอินเทอร์เน็ตเช่น Amazon, Google , Facebook และ eBay ให้หลักฐานเกี่ยวกับปัจจัยการผลิตที่สี่ในยุคที่เชื่อมต่อกับโลกภายนอกนอกจากทรัพยากรแรงงานและทุนแล้วยังมีข้อสงสัยว่าข้อมูลดังกล่าวได้กลายเป็นสิ่งสำคัญในจักรวาล 1 เนื่องจากการเติบโตของสื่อทางสังคมแพร่หลาย การเข้าถึงเครือข่ายและการเพิ่มจำนวนอุปกรณ์เชื่อมต่อแบบสมาร์ทอย่างต่อเนื่องวันนี้จักรวาลดิจิตอลกำลังขยายตัวในอัตราที่เพิ่มขึ้นเป็นสองเท่าของปริมาณข้อมูลทุกๆสองปี 2 ดูรูปที่ 1 elemen t ของการแข่งขันความแตกต่าง บริษัท ในทุกภาคมีการพยายามที่จะค้าความรู้สึกทางเดินอาหารสำหรับความเข้าใจข้อมูลที่ขับเคลื่อนด้วยข้อมูลที่ถูกต้องเพื่อให้บรรลุการตัดสินใจทางธุรกิจที่มีประสิทธิภาพไม่ว่าปัญหาจะตัดสินใจปริมาณการขายที่คาดหวังการกำหนดค่าผลิตภัณฑ์ของลูกค้ากำหนดเวลาการทำงานที่ดีที่สุดเป็นข้อมูลที่ ขณะนี้มีอำนาจที่จะช่วยให้ธุรกิจประสบความสำเร็จเช่นเดียวกับการแสวงหาน้ำมันด้วยข้อมูลบิ๊กดาต้าจะใช้การเจาะเพื่อการศึกษาเพื่อเผยให้เห็นถึงข้อมูลที่มีค่าการค้นหาข้อมูลที่มีความหมายมีความซับซ้อนดังนั้นทำไมเนื่องจากข้อมูลที่มีอยู่ภายใน บริษัท มีการเติบโตอย่างมหาศาล บนอินเทอร์เน็ตสาธารณะในปีพ. ศ. 2551 จำนวนชิ้นส่วนข้อมูลดิจิทัลที่มีอยู่ได้มากกว่าจำนวนดาวนอกเหนือจากการเพิ่มขึ้นอย่างมากของปริมาณข้อมูลมีการเปลี่ยนแปลงข้อมูลสองอย่างที่มีนัยสำคัญประการแรกข้อมูลถูกเทลงในการติดตั้งอุปกรณ์เชื่อมต่อขนาดใหญ่ เช่นรถยนต์สมาร์ทโฟนเครื่องอ่าน RFID เว็บแคมและเครือข่ายเซ็นเซอร์จะเพิ่มจำนวนมากขึ้นเป็นอิสระ แหล่งข้อมูลเช่นอุปกรณ์เหล่านี้สร้างกระแสข้อมูลอย่างต่อเนื่องโดยไม่มีการแทรกแซงของมนุษย์เพิ่มความเร็วในการรวบรวมและประมวลผลข้อมูลประการที่สองข้อมูลมีความแตกต่างกันอย่างมากข้อมูลที่สร้างขึ้นใหม่ส่วนใหญ่เกิดจากภาพจากกล้องวิดีโอและวิดีโอการเฝ้าติดตามรายการบล็อกการอภิปรายในฟอรัม และแคตตาล็อกอีคอมเมิร์ซแหล่งข้อมูลทั้งหมดที่ไม่มีโครงสร้างเหล่านี้จะมีข้อมูลหลากหลายประเภทมากขึ้น 40 000 30 000 Exabyte 20 000 10 000 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 รูปที่ 1 การเติบโตของข้อมูลระหว่างปี 2553 ถึง 2020 จักรวาลดิจิตอลที่หลากหลายและแพร่หลาย IDC, 2008 1 จักรวาลดิจิตอลในปี 2020 ข้อมูลขนาดใหญ่เงาดิจิตอลที่ใหญ่ขึ้นและการเติบโตที่ใหญ่ที่สุดในตะวันออกไกล IDC ซึ่งได้รับการสนับสนุนจากอีเอ็มซี , ธันวาคม 2012 2 3 4 การทำความเข้าใจ Big Data Telefonica ต้องตอบในการเดินทางไปสู่การเปิดตัวบริการขั้นตอนสมาร์ทในที่สุดก็คือสิ่งที่คุ้มค่าเพิ่มเติม ปริมาณข้อมูลที่มีอยู่และวิธีการที่เราสามารถใช้ประโยชน์ได้ในขณะที่ผู้บริโภคคุ้นเคยกับการตัดสินใจในชีวิตประจำวันเช่นการซื้อการวางแผนเส้นทางหรือการหาสถานที่กิน บริษัท ต่างๆล้าหลังเพื่อใช้ประโยชน์สินทรัพย์ข้อมูลของตน เหนือสิ่งอื่นใดเปลี่ยนทัศนคติเกี่ยวกับการใช้ข้อมูลในอดีตการวิเคราะห์ข้อมูลถูกใช้เพื่อยืนยันการตัดสินใจที่ได้ดำเนินการแล้วสิ่งที่จำเป็นต้องมีคือการเปลี่ยนแปลงทางวัฒนธรรม บริษัท ต้องเปลี่ยนไปสู่รูปแบบการวิเคราะห์ข้อมูลเชิงคาดการณ์ล่วงหน้าซึ่งสร้างความเข้าใจใหม่ และคำตอบที่ดีกว่าการเปลี่ยนแปลงในความคิดนี้ยังหมายถึงคุณภาพใหม่ของการทดลองความร่วมมือและความโปร่งใสในปริมาณของ บริษัท ความเร็วและความหลากหลายของ 3Vs เป็นข้อมูลขนาดใหญ่ในวรรณคดี 3Vs ได้รับการกล่าวถึงกันอย่างกว้างขวางว่าเป็นลักษณะของการวิเคราะห์ข้อมูลขนาดใหญ่ แต่มีมากขึ้นที่จะต้องพิจารณาถ้าธุรกิจต้องการใช้ประโยชน์จากข้อมูลเป็นปัจจัยการผลิตและเสริมสร้างความสามารถในการแข่งขันของพวกเขา W การเป็นธุรกิจที่ขับเคลื่อนด้วยข้อมูลเมื่อผู้ให้บริการโทรคมนาคมรายใหญ่ของ Telefonica เริ่มสำรวจรูปแบบธุรกิจที่ขับเคลื่อนด้วยข้อมูล บริษัท จึงสามารถประมวลผลระเบียนข้อมูลนับร้อยล้านจากข้อมูลของ บริษัท ได้ เครือข่ายโทรศัพท์มือถือในแต่ละวันเพื่อเส้นทางและใบแจ้งหนี้สายโทรศัพท์และบริการข้อมูลดังนั้นการจัดการปริมาณข้อมูลขนาดใหญ่ที่ความเร็วสูงไม่ได้เป็นปัญหาหลักแทนคำถามสำคัญพร้อมกับการเปลี่ยนแปลงนี้จำเป็นอื่นในการเป็นธุรกิจที่ขับเคลื่อนด้วยข้อมูลคือ เพื่อสร้างชุดทักษะทางวิทยาศาสตร์ข้อมูลที่เฉพาะเจาะจงซึ่งรวมถึงการเรียนรู้ทั้งสเปกตรัมกว้างของขั้นตอนการวิเคราะห์และมีความเข้าใจที่ครอบคลุมของธุรกิจและ บริษัท ต้องใช้วิธีการทางเทคโนโลยีใหม่ในการสำรวจข้อมูลในลำดับที่สูงขึ้นของรายละเอียดและความเร็วกระบวนทัศน์ก่อกวนในการประมวลผลข้อมูล เช่นในฐานข้อมูลหน่วยความจำและโหมดคอมพิวเตอร์ที่สอดคล้องกันในที่สุด แต่ข้อมูลส่วนใหญ่ของพวกเขาต้องได้รับการขัดเกลาเท่านั้นดังนั้นจึงสามารถเปลี่ยนเป็นมูลค่าทางธุรกิจด้วยการวิเคราะห์ข้อมูลขนาดใหญ่ บริษัท ต่างๆสามารถบรรลุเจตคติได้ , skillset และเทคโนโลยีที่จำเป็นในการเป็นโรงกลั่นข้อมูลและสร้างมูลค่าเพิ่มจากสินทรัพย์ข้อมูลของพวกเขาการทำความเข้าใจเกี่ยวกับโลจิสติกส์ข้อมูลขนาดใหญ่และข้อมูลขนาดใหญ่เป็นเรื่องที่สมบูรณ์แบบภาคธุรกิจโลจิสติกส์มีโอกาสที่จะได้รับประโยชน์จากความก้าวหน้าทางเทคโนโลยีและวิธีการของ Big Data คำแนะนำที่ดี การที่การจัดการข้อมูลได้รับเสมอกุญแจสำคัญในการมีวินัยคือในรากกรีกโบราณของการขนส่งหมายถึงเลขคณิตในทางปฏิบัติ 3 วันนี้ผู้ให้บริการโลจิสติกจัดการการไหลเวียนของสินค้าจำนวนมากและในเวลาเดียวกันสร้างชุดข้อมูลที่กว้างใหญ่สำหรับล้านการจัดส่งทุกวันต้นกำเนิด และปลายทางขนาดน้ำหนักเนื้อหาและตำแหน่งทั้งหมดจะถูกติดตามผ่านเครือข่ายการจัดส่งทั่วโลก แต่ข้อมูลนี้ การติดตามการใช้ประโยชน์อย่างเต็มที่อาจเป็นไปได้มากว่าอาจจะมีศักยภาพที่ไม่ได้ใช้มากนักในการปรับปรุงประสิทธิภาพการดำเนินงานและประสบการณ์ของลูกค้าและสร้างรูปแบบธุรกิจที่เป็นประโยชน์ใหม่ตัวอย่างเช่นประโยชน์ของการผนวกรวมข้อมูลซัพพลายเชนจากผู้ให้บริการโลจิสติกหลายราย การเปิดใช้งานการทำงานร่วมกันและบริการที่มีประสิทธิภาพผู้ให้บริการหลายรายตระหนักว่า Big Data เป็นแนวโน้มการเปลี่ยนเกมสำหรับอุตสาหกรรมลอจิสติกส์ในการศึกษาล่าสุดเกี่ยวกับแนวโน้มของซัพพลายเชนผู้ตอบแบบสอบถามระบุว่าพวกเขาวางแผนที่จะลงทุนในการวิเคราะห์ข้อมูลขนาดใหญ่ภายในห้าปีถัดไป ปีที่ผ่านมา 4 ดูรูปที่ 2 ด้านล่างอย่างไรก็ตามการแสวงหาความได้เปรียบในการแข่งขันเริ่มต้นด้วยการระบุกรณีการใช้ข้อมูล Big Data ที่เข้มแข็งในเอกสารฉบับนี้ก่อนอื่นเราดูที่องค์กรที่ใช้งาน Analytics ข้อมูลขนาดใหญ่ในบริบทของอุตสาหกรรมของตนเองแล้วนำเสนอ จำนวนกรณีการใช้งานที่เฉพาะเจาะจงสำหรับภาคโลจิสติก Social Networks ภายในแพลตฟอร์มการวิเคราะห์ธุรกิจ B2B เป็นบริการวันนี้ห้าปีการออกแบบเครือข่ายซอฟต์แวร์การจัดการวงจรผลิตภัณฑ์ 0 10 20 30 40 50 60 70 รูปที่ 2 พื้นที่ลงทุนปัจจุบันและที่วางแผนไว้สำหรับเทคโนโลยีข้อมูลขนาดใหญ่แนวโน้มและยุทธศาสตร์ด้านการจัดการโลจิสติกส์และซัพพลายเชน 51 BVL International, 2013 ความหมายและพัฒนาการ Logistik Baden-Wrttemberg, cf 3 แนวโน้มและกลยุทธ์ในการจัดการโลจิสติกส์และซัพพลายเชน, BVL International, 2013 4 5 6 การปฏิบัติที่ดีที่สุดในอุตสาหกรรมต่างๆ 2 ข้อมูลที่ดีที่สุดในอุตสาหกรรมระหว่างประเทศ BIG DATA BEST PRACTICE ACCROS INDUSTRIES มูลค่าของสินทรัพย์ข้อมูลเป็นเป้าหมายเชิงกลยุทธ์ใหม่สำหรับองค์กรและองค์กรส่วนใหญ่นอกเหนือจาก powerhouses ทางอินเทอร์เน็ตที่ประสบความสำเร็จในการสร้างรูปแบบธุรกิจที่ขับเคลื่อนด้วยข้อมูลแล้ว บริษัท ในภาคธุรกิจอื่น ๆ มักอยู่ในขั้นตอนแรกในการสำรวจว่าจะได้รับประโยชน์จากข้อมูลที่กำลังเติบโตอย่างไร " และนำข้อมูลนี้ไปใช้ประโยชน์ตามการวิจัยล่าสุด 5 เพียง 14 ของยุโรปร่วม mpanies อยู่แล้วการวิเคราะห์ข้อมูลขนาดใหญ่เป็นส่วนหนึ่งของการวางแผนเชิงกลยุทธ์ของพวกเขาดูรูปที่ 3 และยังเกือบครึ่งหนึ่งของ บริษัท เหล่านี้คาดว่าการเติบโตของข้อมูลรายปีในองค์กรของพวกเขามากกว่า 25 แรกและชัดเจนที่สุดคือประสิทธิภาพการดำเนินงานในกรณีนี้ข้อมูลที่ใช้ในการ การตัดสินใจที่ดีขึ้นเพื่อเพิ่มประสิทธิภาพการใช้ทรัพยากรและเพื่อปรับปรุงคุณภาพกระบวนการและประสิทธิภาพการทำงานมันเป็นสิ่งที่การประมวลผลข้อมูลอัตโนมัติได้ให้เสมอ แต่มีชุดที่เพิ่มขึ้นของความสามารถมิติที่สองคือประสบการณ์ของลูกค้ามีจุดมุ่งหมายโดยทั่วไปคือการเพิ่มความภักดีของลูกค้า การแบ่งส่วนและเพิ่มประสิทธิภาพการให้บริการลูกค้ารวมถึงแหล่งข้อมูลขนาดใหญ่ของอินเทอร์เน็ตสาธารณะ Big Data ขับเคลื่อนเทคนิค CRM ไปสู่ขั้นตอนวิวัฒนาการต่อไปนอกจากนี้ยังช่วยให้โมเดลธุรกิจใหม่ ๆ สามารถเสริมสร้างรายได้จากผลิตภัณฑ์ที่มีอยู่และสร้างรายได้เพิ่มเติมจากผลิตภัณฑ์ข้อมูลใหม่ทั้งหมด ขนาดข้อมูลขนาดใหญ่เมื่อ บริษัท นำข้อมูลขนาดใหญ่มาใช้ในธุรกิจของตน กลยุทธ์คำถามแรกที่พื้นผิวมักเป็นประเภทของข้อมูลบิ๊กดาต้าจะผลักดันจะมีส่วนร่วมในด้านบนหรือด้านล่างหรือจะมีโปรแกรมควบคุมที่ไม่ใช่การเงินจากมุมมองของมูลค่าการประยุกต์ใช้การวิเคราะห์ข้อมูลขนาดใหญ่ตก เป็นหนึ่งในสามมิติดูรูปที่ 4 สำหรับมิติข้อมูลขนาดใหญ่แต่ละขนาดนี้มีจำนวนแอ็พพลิเคชันที่น่าสนใจเพิ่มขึ้นเหล่านี้แสดงถึงศักยภาพทางธุรกิจในการสร้างรายได้จากข้อมูลในสเปกตรัมของตลาดแนวตั้งในส่วนต่อไปนี้เรานำเสนอกรณีการใช้งานต่างๆ แสดงให้เห็นว่านักเคลื่อนไหวเริ่มต้นได้ใช้ประโยชน์จากแหล่งข้อมูลด้วยวิธีการใหม่และสร้างมูลค่าเพิ่มที่สำคัญ บริษัท ของคุณได้กำหนดกลยุทธ์ข้อมูลขนาดใหญ่ บริษัท ของคุณได้กำหนดกลยุทธ์ข้อมูลขนาดใหญ่ไว้ในแผนยุทธศาสตร์ No 63 23 วางแผนใช่ 14 รูปที่ 3 ข้อมูลขนาดใหญ่เป็นเป้าหมายเชิงกลยุทธ์ในยุโรป บริษัท สถิติจาก BARC ศึกษา N 273 แหล่งข้อมูลข้อมูลการสำรวจใหญ่ยุโรป, BARC, กุมภาพันธ์ 2013, p 17 การสำรวจข้อมูลขนาดใหญ่ของยุโรป, BARC-Institute, Febr uary 2013 5 ข้อมูลที่ดีที่สุดในอุตสาหกรรมต่างๆประสิทธิภาพการปฏิบัติงาน Operational Efficiency ประสบการณ์ลูกค้าของลูกค้าใช้ข้อมูลเพื่อการใช้ข้อมูล Exploit เพื่อใช้ประโยชน์ข้อมูลข้อมูลเพื่อเพิ่มลูกค้าเพิ่มความภักดีและความรับผิดชอบในการเก็บรักษารักษาลูกค้าดำเนินการอย่างแม่นยำดำเนินการ customerprecise segmentation และกำหนดกลุ่มเป้าหมายและ การเพิ่มประสิทธิภาพของลูกค้าการเพิ่มประสิทธิภาพการทำงานของลูกค้าการเพิ่มประสิทธิภาพการทำงานของลูกค้าปฏิสัมพันธ์ปฏิสัมพันธ์ลูกค้าและบริการและบริการประสิทธิภาพเพิ่มระดับเพิ่มระดับความโปร่งใสโปร่งใสเพิ่มประสิทธิภาพทรัพยากรเพิ่มประสิทธิภาพ Consumptionresource ปรับปรุงคุณภาพการใช้กระบวนการและประสิทธิภาพปรับปรุงคุณภาพและประสิทธิภาพของกระบวนการดูโมเดลใหม่โมเดลธุรกิจใหม่ของธุรกิจใช้ประโยชน์จากดาต้าวันดาโดยใช้ประโยชน์จากการขยายรายได้ การเพิ่มรายได้จากผลิตภัณฑ์เดิมที่มีอยู่การสร้างรายได้ใหม่การสร้างสตรีมใหม่จากสายผลิตภัณฑ์ทั้งหมดจากผลิตภัณฑ์ข้อมูลผลิตภัณฑ์ใหม่ทั้งหมดรูปที่ 4 มูลค่าสลัว การใช้ข้อมูลเพื่อคาดการณ์ฮอตสปอตของอาชญากรรมสำหรับหน่วยงานตำรวจในเขตเมืองงานในการติดตามอาชญากรเพื่อรักษาความปลอดภัยของประชาชนบางครั้งอาจเป็นเรื่องที่น่าเบื่อกับที่เก็บข้อมูลข้อมูลที่เงียบมาก ๆ casework มักเกี่ยวข้องกับ การเชื่อมต่อด้วยตนเองของจุดข้อมูลจำนวนมากการดำเนินการนี้ต้องใช้เวลานานและช่วยลดความละเอียดของกรณีได้อย่างรวดเร็วนอกจากนี้ยังมีการปรับใช้มาตรการรักษาความปลอดภัยในทางถนนทำให้การจับกุมอาชญากรในการกระทำเป็นไปได้ยากมากในกรณีส่วนใหญ่ไม่สามารถแก้ไขปัญหาเหล่านี้ได้โดยเพิ่มเจ้าหน้าที่ตำรวจ เนื่องจากงบประมาณของรัฐบาลมี จำกัด หน่วยงานหนึ่งที่ใช้ประโยชน์จากแหล่งข้อมูลต่างๆคือ New York Police Department NYPD โดยการจับและเชื่อมโยงข้อมูลที่เกี่ยวข้องกับอาชญากรรมจะหวังว่าจะก้าวไปข้างหน้าหนึ่งก้าวไปข้างหน้าของผู้กระทําผิดอาชญากรรม 6 ก่อนระยะยาว บิ๊กข้อมูลได้รับการประกาศเกียรติคุณ NYPD ได้พยายามที่จะทำลาย compartmentalization ของข้อมูลของฉัน ngests เช่นข้อมูลจาก 911 โทรรายงานการสอบสวนและอื่น ๆ ด้วยมุมมองเดียวของข้อมูลทั้งหมดที่เกี่ยวข้องกับอาชญากรรมเฉพาะหนึ่งเจ้าหน้าที่บรรลุภาพที่สอดคล้องกันมากขึ้นในเวลาจริงของกรณีของพวกเขาการเปลี่ยนแปลงนี้ได้เร่งอย่างมากขึ้นการวิเคราะห์ย้อนหลังและ ช่วยให้ NYPD ดำเนินการก่อนหน้านี้ในการติดตามอาชญากรรายบุคคลอัตราการลดลงอย่างต่อเนื่องของอาชญากรรมรุนแรงใน New York7 ได้รับการบันทึกไม่เพียงแค่นี้มีประสิทธิภาพมากขึ้นเพรียวลมของรายการข้อมูลจำนวนมากที่จำเป็นในการดำเนินการ casework แต่ยังมีการเปลี่ยนแปลงขั้นพื้นฐานในการปฏิบัติงานการรักษา โดยการนำเสนอการวิเคราะห์ทางสถิติและการทำแผนที่เกี่ยวกับภูมิศาสตร์ของจุดอาชญากรรม NYPD สามารถสร้างภาพที่ใหญ่ขึ้นเพื่อเป็นแนวทางในการปรับใช้ทรัพยากรและการปฏิบัติการลาดตระเวนขณะนี้แผนกสามารถจดจำรูปแบบอาชญากรรมโดยใช้การวิเคราะห์ทางคอมพิวเตอร์และข้อมูลดังกล่าวจะให้ข้อมูลเชิงลึกที่ช่วยให้ผู้บังคับบัญชาทุกคนสามารถทำงานได้อย่างมีประสิทธิภาพ ระบุจุดร้อนของกิจกรรมทางอาญา NYPD เปลี่ยนสมการควบคุมอาชญากรรมโดยวา y ใช้ข้อมูล cf 6 อาชญากรรมดัชนีตามภูมิภาครัฐนิวยอร์กส่วนของบริการความยุติธรรมทางอาญาพฤษภาคม 2013, cf 7 Compstat และการเปลี่ยนแปลงองค์กรในกรมตำรวจ Lowell, Willis et al Police Foundation, 2004 cf 8 เนื้อหา compstat และ การปรับโครงสร้างองค์กร - lowell-police-department 7 8 การปฏิบัติที่ดีที่สุดในอุตสาหกรรมข้ามเขตข้อมูลมุมมองที่คาดการณ์ล่วงหน้านี้ทำให้ NYPD สามารถกำหนดเป้าหมายการใช้กำลังและทรัพยากรอย่างมีประสิทธิภาพร่วมกับมาตรการอื่น ๆ การวิเคราะห์ข้อมูลอย่างเป็นระบบมีส่วนร่วม กับอัตราการลดลงอย่างต่อเนื่องของอาชญากรรมรุนแรงดูรูปที่ 5 เทคนิคการใช้ข้อมูลทางประวัติศาสตร์เพื่อให้ได้รูปแบบการรับรู้ดังนั้นจึงคาดการณ์จุดที่เกิดอาชญากรรมได้รับการรับรองโดยเทศบาลในสหรัฐอเมริกาเป็นจำนวนมากขึ้นเรื่อย ๆ แผนกตำรวจมีประวัติอาชญากรรม ข้อมูลสาธารณะให้บุคคลที่สามได้เริ่มต้นให้การคาดการณ์จุดอาชญากรรมที่รวบรวมข้อมูลไว้ในมุมมองของประเทศ a nd ยังให้ฟังก์ชันการให้ทิปแบบนิรนามดูรูปที่ 6 9 26 000 1 000 24 000 -3 900 22 000 800 20 000 700 18 000 -4 600 การโจรกรรม 16 000 500 14 000 400 12 000 300 10 000 2002 ฆาตกรรม 2004 2006 2008 2010 2012 ภาพ 5 การพัฒนาอาชญากรรมรุนแรงในนครนิวยอร์กข้อมูลที่นำมาจากอาชญากรรมดัชนีรายงานไปยังตำรวจตามเขตมหานครนิวยอร์กปีพ. ศ. 2546, กองบังคับการบริการคดีอาญาของรัฐนิวยอร์ก, ภาพที่ 6 ภาพหน้าจอของเครื่องมือสาธารณะ, cf Cf ตัวอย่าง 9 ข้อมูลขนาดใหญ่ การปฏิบัติที่ดีที่สุดในอุตสาหกรรม 2 1 2 การวางแผนที่เหมาะสมที่สุดในร้านค้าปลีกสำหรับผู้จัดการร้านค้าปลีกการวางแผนการเปลี่ยนแปลงเพื่อตอบสนองความต้องการของลูกค้าเป็นงานที่มีความสำคัญการเก็บรักษาซ้ำซ้อนของร้านค้าจะสร้างค่าใช้จ่ายที่ไม่จำเป็นและช่วยลดความสามารถในการทำกำไรของไซต์การใช้ร้านที่มีพนักงานน้อยส่งผลเสียต่อลูกค้า ความพึงพอใจของพนักงานทั้งสองอย่างไม่ดีสำหรับธุรกิจที่ร้านยา DM งานวางแผนการเปลี่ยนแปลงได้รับการดำเนินการในอดีตโดยผู้จัดการร้านโดยอิงจากการคาดเดาอย่างง่ายและประสบการณ์ส่วนตัวสำหรับ reg ดังนั้นจึงมีความมุ่งมั่นที่จะช่วยผู้จัดการร้านให้สามารถวางแผนล่วงหน้าได้โดยการหาวิธีที่จะคาดการณ์ความต้องการได้อย่างเที่ยงตรงในแต่ละครั้ง จุดขายโดยเฉพาะ 10 วิธีการคือการทำนายระยะยาวของรายได้จากการจัดเก็บรายวันโดยคำนึงถึงพารามิเตอร์รายบุคคลและท้องถิ่นหลากหลายรูปแบบการป้อนข้อมูลไปยังอัลกอริธึมใหม่ประกอบด้วยข้อมูลรายได้ในอดีตเวลาเปิดทำการและเวลามาถึงของ สินค้าใหม่จากศูนย์กระจายสินค้าด้านบนข้อมูลนี้รวมข้อมูลอื่น ๆ เพื่อให้ได้ข้อมูลที่แม่นยำที่สุดข้อมูลนี้รวมถึงสถานการณ์ในท้องถิ่นเช่นวันที่ตลาดวันหยุดพักผ่อนในสถานที่ใกล้เคียงการผันถนนและข้อมูลพยากรณ์อากาศในอนาคตเนื่องจากสภาพอากาศเป็นอย่างมาก ผลกระทบต่อพฤติกรรมผู้บริโภค DM ประเมินอัลกอริธึมการทำนายที่แตกต่างกันและโซลิดที่เลือก ในขณะนี้มีการคาดการณ์ที่ถูกต้องเช่นว่าได้พิสูจน์แล้วว่าเป็นการสนับสนุนที่มีประสิทธิภาพสำหรับการวางแผนกะโดยอาศัยการคาดการณ์ความละเอียดสูงของยอดขายรายวันสำหรับแต่ละร้านค้าพนักงานสามารถเข้าสู่ความต้องการส่วนบุคคลของตนได้ในกำหนดการเปลี่ยนแปลงสี่ถึงแปดสัปดาห์ล่วงหน้า เมื่อได้รับการอนุมัติการเปลี่ยนแปลงของพวกเขาไม่น่าจะเปลี่ยนพวกเขาสามารถพึ่งพาแผนระยะยาวและการเปลี่ยนแปลงในนาทีสุดท้ายเป็นเหตุการณ์พิเศษนี้แสดงให้เห็นว่าการใช้การวิเคราะห์ทำนายที่ DM จะเพิ่มประสิทธิภาพการดำเนินงานในการจัดเก็บและในเวลาเดียวกัน มีส่วนช่วยให้พนักงานมีส่วนร่วมในการทำงานได้ดีขึ้น Business Intelligence Guide 2012 2013 isreport is Medien Mnchen หรือ cf 10 9 2 2006 Q4 2007 10 การปฏิบัติที่ดีที่สุดในอุตสาหกรรมต่างๆ 2 2 ประสบการณ์ของลูกค้า 2 2 1 การวิเคราะห์อิทธิพลทางสังคม สำหรับการรักษาลูกค้าเพื่อให้เข้าใจถึงความพึงพอใจของลูกค้าและความต้องการในอนาคต บริษัท ใช้รูปแบบธุรกิจที่แตกต่างกันหลายวิธีแบบเดิมคือการทำตลาด res earch บนฐานลูกค้า แต่สิ่งนี้จะสร้างมุมมองโดยรวมโดยไม่เน้นความต้องการและพฤติกรรมของผู้บริโภครายบุคคลปัญหาที่ท้าทายผู้ให้บริการโทรคมนาคมคือการที่ลูกค้าปั่นป่วนการสูญเสียลูกค้าไปเป็นระยะเวลาหนึ่งเพื่อช่วยลดปั่นป่วนองค์กรมักจะวิเคราะห์รูปแบบการใช้งาน ของลูกค้าแต่ละรายและคุณภาพการบริการของตนเองนอกจากนี้ยังให้ผลตอบแทนที่เฉพาะเจาะจง 11 เพื่อรักษาความภักดีของลูกค้าบางรายโดยพิจารณาจากพารามิเตอร์ต่างๆเช่นการใช้จ่ายของลูกค้าการใช้และความยาวการสมัครสมาชิกในอดีตความพยายามในการเก็บข้อมูลเหล่านี้ขึ้นอยู่กับมูลค่าลูกค้าแต่ละรายได้ปรับปรุงความจงรักภักดี 12, แต่ลูกค้ายังคงเป็นปัญหาสำหรับผู้ให้บริการดูรูปที่ 7 เพื่อคาดเดาพฤติกรรมของลูกค้าได้ดียิ่งขึ้น T-Mobile USA ได้เริ่มรวมความสัมพันธ์ทางสังคมระหว่างสมาชิกในรูปแบบการบริหารจัดการแบบ churn 13 องค์กรใช้เทคนิคแบบหลายกราฟเหมือนกับวิธีที่ใช้ในการสร้าง นี้มุมมองใหม่อย่างสมบูรณ์ของลูกค้าที่จำเป็น T - Mobile เพื่อเสริมสร้าง การวิเคราะห์ข้อมูลเดิมที่สืบทอดกันมาในอดีตจากระบบการเรียกเก็บเงินและองค์ประกอบของเครือข่ายการสื่อสารนอกจากนี้ยังมีการป้อนข้อมูลดิบประมาณ 1 petabyte ซึ่งรวมถึงข้อมูลจาก webstreamstream และเครือข่ายสังคมเพื่อช่วยติดตามกลไกที่ซับซ้อนเบื้องหลังลูกค้าอีกด้วย หลังจากที่ไตรมาสแรกของปีพ. ศ. นี้ใช้รูปแบบการบริหารงานแบบใหม่ของปปปปปง. อัตรา churn ขององค์กรลดลง 50 เมื่อเทียบกับไตรมาสเดียวกันของปีก่อน Postpaid Prepaid แบบผสมผสาน Postpaid แนวโน้มแนวโน้มแบบเติมเงินแนวโน้มแบบผสมผสาน 6 5 อัตรา Churn ในสังคม การวิเคราะห์เครือข่ายเพื่อระบุกลุ่มชนเผ่าที่เรียกว่านี่คือบุคคลที่มีอิทธิพลอย่างมากในกลุ่มที่มีขนาดใหญ่และเชื่อมต่อกันหากหัวหน้าเผ่าสลับไปยังบริการของคู่แข่งอาจเป็นได้ว่าเพื่อนและสมาชิกในครอบครัวของพวกเขาจำนวนมากจะเปลี่ยนไป เป็นเหมือนผลโดมิโนด้วยการเปลี่ยนแปลงนี้ในวิธีที่จะคำนวณมูลค่าของลูกค้า T-Mobile ได้เพิ่มมาตรการของ รวมถึงขนาดของเครือข่ายสังคมหรือชนเผ่าของตนเองดูรูปที่ 8 4 3 2 1 0 Q2 2005 Q4 2005 Q2 2006 Postpaid Prepaid Q4 2006 Q2 2007 Postpaid Prepaid แบบผสมผสาน Prepaid แนวโน้มการผสมผสาน Q4 2007 Q2 2008 รูปที่ 8 การระบุผู้มีอิทธิพลในฐานลูกค้าโทรศัพท์เคลื่อนที่ Postpaid Prepaid แบบผสมผสาน Postpaid แนวโน้มการชำระเงินล่วงหน้ารูปที่ 7 การพัฒนาแนวโน้มการผสมผสานของอัตราการเช่าเหมาจ่ายจาก Mobile Churn และกลยุทธ์ความภักดี Informa p 24 Customer Loyalty Tracking, Informa , 2012 11 Q4 2006 12 2007 Q2 2007 MobileQ4Churn Q2 ความภักดีในปีพศ. 2551 และกลยุทธ์ฉบับที่ 2 ข้อมูล Informa 2009 ความท้าทายของ T-Mobile ผันผวนกับข้อมูล Brett Sheppard O Reilly Strata, cf 13 Q2 2008 ข้อมูลที่ดีที่สุดในอุตสาหกรรมต่างๆ 2 2 2 หลีกเลี่ยงการสต็อกเงื่อนไขสำหรับความพึงพอใจของลูกค้านี่เป็นประสบการณ์ที่บ่อยครั้งและน่าผิดหวังสำหรับผู้ซื้อเมื่อพวกเขาพบรายการที่สมบูรณ์แบบของเสื้อผ้าที่พวกเขาค้นพบว่า ขนาดที่พวกเขาต้องการก็หมดสต็อกด้วยการแข่งขันที่เพิ่มขึ้นในกลุ่มสิ่งทอและเสื้อผ้าความพร้อมใช้งานของเสื้อผ้าที่เป็นที่นิยมมัก จำกัด อยู่โดยปกตินี้เกิดจากการรวมแบรนด์และการหมุนเวียนผลิตภัณฑ์ที่รวดเร็วขึ้นในบางกรณีมีเพียงสามสัปดาห์แรกเท่านั้น การออกแบบเสื้อผ้าและการมาถึงร้านค้าในร้าน 14 การเปิดตัวคอลเลกชันใหม่ ๆ ที่เกิดขึ้นบ่อยๆซึ่งขับเคลื่อนด้วยโซ่ที่มีการจัดวางแนวตั้งทำให้การจัดซื้อสิ่งของเป็นชุดเดียวทำให้การจัดซื้อสิ่งของเป็นแบบชุดเดียวทำให้เกิดความเสี่ยงต่อโซ่เครื่องนุ่งห่มทำให้มีความสำคัญยิ่งขึ้นกว่าที่เคย กลุ่มผู้ค้าปลีกหลายช่อง Otto Group ตระหนักดีว่าวิธีการทั่วไปในการคาดการณ์ความต้องการสินค้าออนไลน์และรายการสินค้าทางไปรษณีย์เป็นสิ่งที่พิสูจน์ได้ไม่เพียงพอในสภาพแวดล้อมการแข่งขันที่เพิ่มมากขึ้น 63 ของรายการค่าเบี่ยงเบนเทียบกับปริมาณการขายที่เกิดขึ้นจริงเกินประมาณ 20 15 T ความเสี่ยงที่เกิดจากการผลิตมากเกินไปและการขาดแคลน Overproduction จะส่งผลต่อความสามารถในการทำกำไรและการปิดกั้นเงินทุนที่มากเกินไปการขาดแคลนจะเป็นการรบกวนลูกค้าเพื่อตอบสนองความต้องการของลูกค้าโดยเฉพาะอย่างยิ่งความคาดหวังที่สูงของชาวพื้นเมืองดิจิตอลในการสั่งซื้อทางออนไลน์กลุ่ม Otto ได้ใช้วิธีการใหม่และก่อกวน การปรับปรุงความสามารถในการจัดหาให้ดูรูปที่ 9 ความคลาดเคลื่อนในการคาดการณ์ 63 การคาดการณ์ความเบี่ยงเบน 20 1000 500 ความถี่สัมบูรณ์การคาดการณ์เชิงคลาสสิกในการพัฒนาความเสี่ยงในการขายสินค้า 100 20 0 20 การคาดการณ์แบบคลาสสิก Neuro Bayes พัฒนาความเสี่ยงในการทับหลัง 11 ความเบี่ยงเบนพยากรณ์ 20 100 200 การคาดคะเนกับ Neuro Bayes รูปที่ 9 ค่าเบี่ยงเบนความสัมพันธ์ การพยากรณ์โรคจากปริมาณการขายที่เกิดขึ้นจริงจาก Big Data Predictive Analytics การวิเคราะห์ข้อมูลขนาดใหญ่การคาดเดาของ Der Nutzen von Daten รายละเอียดเพิ่มเติมเกี่ยวกับ Prognosed and Entscheidungen in der Zukunft กลุ่ม Otto, Michael Sinn Conference Talk Big Data ยุโรป, ซูริก, 28 สิงหาคม 2555 Mrkte in der globalen Modeindustrie, Patrik Aspers, ปีหนังสือ 2007 2008, Max Planc k สถาบันวิจัยสังคม 14 Otto rechnet mit knstlicher Intelligenz, Lebensmittel Zeitung, สิงหาคม 21, 2009 15 11 12 ข้อมูลขนาดใหญ่การปฏิบัติที่ดีที่สุดในอุตสาหกรรม 70 63 60 50 40 30 20 11 10 0 การคาดการณ์อุปสงค์ทั่วไปความต้องการการคาดการณ์ด้วยการวิเคราะห์เชิงคาดการณ์รูปที่ 10 ร้อยละของรายการสินค้าที่มียอดขายจริง deviating มากกว่า 20 จากการคาดการณ์ความต้องการ Perfektes Bestandsmanagement durch Predictive Analytics, Mathias Stben, Otto กลุ่มที่ 29 Logistics เยอรมัน Congress, ตุลาคม 2012 หลังจากการประเมินชุดของโซลูชั่นสำหรับการสร้างการคาดการณ์ที่มั่นคงของยอดขาย, กลุ่ม Otto ประสบความสำเร็จในการใช้วิธีการที่เกิดขึ้นในสาขาฟิสิกส์พลังงานสูงโดยใช้เครื่องมือวิเคราะห์หลายตัวแปรซึ่งใช้ความสามารถในการเรียนรู้ด้วยตนเองจากระบบเครือข่ายประสาทเทียมและรวมกับสถิติแบบเบส์ (Bayesian statistics) ด้วยเครื่องมือวิเคราะห์นี้ เครื่องมือคาดการณ์ใหม่ทั้งหมดได้รับการฝึกอบรมเครื่องมือด้วยข้อมูลทางประวัติศาสตร์จาก 1 6 ฤดูกาลก่อนหน้านี้และปัจจัยการผลิตอย่างต่อเนื่องสำหรับเครื่องมือที่มีการบันทึกการทำธุรกรรม 300 ล้านครั้งต่อสัปดาห์จากฤดูกาลปัจจุบันระบบใหม่นี้สร้างการคาดการณ์รายย่อยมากกว่าหนึ่งพันล้านรายต่อปีและส่งผลที่น่าเชื่อถือไปแล้วด้วย 11 รายการแคตตาล็อกที่ขาดการทำนายการขาย มากกว่า 20 เห็นรูปที่ 10 กลุ่ม Otto สามารถตอบสนองความต้องการของลูกค้าได้ดียิ่งขึ้น 17 ในขณะเดียวกันวิธีการคาดการณ์ใหม่นี้ช่วยลดการถือครองหุ้นซึ่งส่งผลให้ บริษัท มีความสามารถในการทำกำไรและความพร้อมในการลงทุนเพิ่มขึ้น Cf 16 Treffsichere Absatzprognose mit Predictive Analytics, Michael cf การปฏิบัติที่ดีที่สุดในอุตสาหกรรม 2 3 โมเดลธุรกิจใหม่ 2 3 1 การวิเคราะห์ฝูงชนนำเสนอข้อมูลเชิงลึกด้านการค้าปลีกและการโฆษณาเพื่อให้บริการด้านข้อมูลและข้อมูลมือถือที่มีประสิทธิภาพผู้ประกอบการเครือข่าย ต้องเก็บข้อมูลของสมาชิกทุกๆอย่างอย่างต่อเนื่องนอกเหนือจากการบันทึกการใช้บริการเคลื่อนที่สำหรับ accounting and billing purposes , operators must also record each subscriber s location so it can direct calls and data streams to the cell tower to which the subscriber s handset is connected This is how every subscriber creates a digital trail as they move around the provider network And in most countries it is just a small group of network operators that have captured most of the population as customers their combined digital trails of the subscriber base provide a comprehensive reflection of society or, more precisely, of how society moves For example, it s possible to assess the attractiveness of a specific street for opening a new store, based on high-resolution analysis of how people move and rest in this area, and find the opening hours likely to create maximum footfall see Figure 11 In a larger context, it s also possible to see the impact of events such as marketing campaigns and the opening of a competitor store by analyzing any change in movement patterns When gender and a ge group splits are included in the data, and geo-localized data sets and social network activity are included, this segmentation adds even greater value for retailers and advertisers In the past, organizations could only make internal use of location and usage data from mobile networks This is because of privacy laws that limit the exploitation of individual subscriber information But once subscriber identity has been split from the movement data, substantial business value remains in this anonymous crowd data, as Telefonica has discovered With the launch of the Telefonica Digital global business division, the network operator is now driving business innovation outside its core business units and brands As part of Telefonica Digital, the Dynamic Insights initiative has commercialized the analysis of movement data, creating incremental revenue from retail, property, leisure, and media customers 18 Other carriers have developed similar offerings, such as Verizon s Precision Market Insig hts service 19 In urban areas, the density of digital trails is sufficiently high to correlate the collective behavior of the subscriber crowd with characteristics of a particular location or area Figure 11 Analysis of customer footfall in a particular location based on mobile subscriber data, from Cf 18 Cf 19 13 14 Big Data Best Practice Across Industries 2 3 2 Creating new insurance products from geo-localized data Climate sensitivity is a characteristic of the agriculture industry, as local temperatures, sunshine hours, and precipitation levels directly impact crop yield With the increasing occurrence of extreme weather conditions due to global warming, climate variation has become a substantial risk for farmers 20 To mitigate the impact of crop shortfalls, farmers take out insurance policies to cover their potential financial losses Insurance companies in turn are challenged with increasingly unpredictable local weather extremes On the one hand, the conventional risk models based o n historical data are no longer suitable to anticipate future insured loss 21 On the other hand, claims have to be controlled more accurately as damages may vary across an affected region For farmers, the combination of these two aspects results in higher insurance rates and slower payout of damage claims In the United States, most private insurance companies viewed crop production as too risky to insure without federal subsidies 22 In 2006, The Climate Corporation started out to create a new weather simulation model based on 2 5 million temperature and precipitation data points, combined with 150 million soil observations The high resolution of its simulation grid allows the company to dynamically calculate the risk and pricing for weather insurance coverage on a per-field basis across the entire country see Figure 12 As the tracking of local growing conditions and the calculation of crop shortfall are performed in real time, payouts to policy holders are executed automatically when b ad weather conditions occur This eliminates the need for sophisticated and time-consuming claims processes Based on 10 trillion simulation data points23, The Climate Corporation s new insurance business model is now successfully established After only six years, the organization s insurance services have been approved across all 50 states in the U S Figure 12 Real-time tracking of weather conditions and yield impact per field screenshot taken from Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation , Chapter 4 3 4, Intergovernmental Panel on Climate 20 Change IPCC , 2012 cf Warming of the Oceans and Implications for the Re - Insurance Industry , The Geneva Association, June 2013 21 Weather Insurance Reinvented , Linda H Smith, DTN The Progressive Farmer, November 2011 cf 22 About us , The Climate Corporation, cf 23 Big Data in Logistics 3 BIG DATA IN LOGISTICS Companies are learning to turn large-scale quantities of data into competitive advantage The ir precise forecasting of market demand, radical customization of services, and entirely new business models demonstrate exploitation of their previously untapped data As today s best practices touch many vertical markets, it is reasonable to predict that Big Data will also become a disruptive trend in the logistics industry However, the application of Big Data analytics is not immediately obvious in this sector The particularities of the logistics business must be thoroughly examined first in order to discover valuable use cases 3 1 Logistics as a Data-driven Business A kick-start for discussion of how to apply Big Data is to look at creating and consuming information In the logistics industry, Big Data analytics can provide competitive advantage because of five distinct properties These five properties highlight where Big Data can be most effectively applied in the logistics industry They provide a roadmap to the well of unique information assets owned by every logistics provider In the following sections, we identify specific use cases that exploit the value of this information, and contribute to operational efficiency, a better customer experience, or the development of new business models Optimization of service properties like delivery time, resource utilization, and geographical coverage is an inherent challenge of logistics 1 Optimization to the core Large-scale logistics operations require data to run efficiently The earlier this information is available and the more precise the information is, the better the optimization results will become Advanced predictive techniques and real-time processing promise to provide a new quality in capacity forecast and resource control The delivery of tangible goods requires a direct customer interaction at pickup and delivery 2 Tangible goods, tangible customers 3 In sync with customer business On a global scale, millions of customer touch points a day create an opportunity for market intelligence, product feedback or eve n demographics Big Data concepts provide versatile analytic means in order to generate valuable insight on consumer sentiment and product quality Modern logistics solutions seamlessly integrate into production and distribution processes in various industries The tight level of integration with customer operations let logistics providers feel the heartbeat of individual businesses, vertical markets, or regions The application of analytic methodology to this comprehensive knowledge reveals supply chain risks and provides resilience against disruptions The transport and delivery network is a high-resolution data source 4 A network of information Apart from using data for optimizing the network itself, network data may provide valuable insight on the global flow of goods The power and diversity of Big Data analytics moves the level of observation to a microeconomic viewpoint Local presence and decentralized operations is a necessity for logistics services 5 Global coverage, local presence A fleet of vehicles moving across the country to automatically collect local information along the transport routes Processing this huge stream of data originating from a large delivery fleet creates a valuable zoom display for demographic, environmental, and traffic statistics 15 16 Big Data in Logistics Big Data in Logistics 17 New Customer Base Big Data in Logistics Shop The Data-driven Logistics Provider 5 Existing Customer Base Customer Loyalty Management Financial Industry Market and customer intelligence External Online Sources Manufacturing FMCG SME Marketing and Sales Product Management New Business Address Verification Market Intelligence Supply Chain Monitoring Environmental Statistics 11 Environmental Intelligence CO2 Sensors attached to delivery vehicles produce fine-meshed statistics on pollution, traffic density, noise, parking spot utilization, etc Continuous sensor data Service Improvement and Product Innovation Retail Operations Order volume, received service quality 6 Market Research Commercial Data Services Public customer information is mapped against business parameters in order to predict churn and initiate countermeasures High-tech Pharma Public Authorities Customer sentiment and feedback A comprehensive view on customer requirements and service quality is used to enhance the product portfolio 3 8 Supply chain monitoring data is used to create market intelligence reports for small and medium-sized companies Strategic Network Planning Long-term demand forecasts for transport capacity are generated in order to support strategic investments into the network Commerce Sector 9 Households SME Network flow data Core Market Intelligence for SME Location, traffic density, directions, delivery sequence Tr a n s p o r t N e t w ork Financial Demand and Supply Chain Analytics 1 Real-time Route Optimization Delivery routes are dynamically calculated based on delivery sequence, traffic conditions and recipient status Real-time incidents A micro-economic vi ew is created on global supply chain data that helps financial institutions improve their rating and investment decisions Network flow data 10 2 Location, destination, availability Crowd-based Pickup and Delivery A large crowd of occasionally available carriers pick up or deliver shipments along routes they would take anyway Address Verification Fleet personnel verifies recipient addresses which are transmitted to a central address verification service provided to retailers and marketing agencies 4 Operational Capacity Planning Short - and mid-term capacity planning allows optimal utilization and scaling of manpower and resources 7 Risk Evaluation and Resilience Planning By tracking and predicting events that lead to supply chain disruptions, the resilience level of transport services is increased Flow of data Flow of physical goods 2013 Detecon International 18 Big Data in Logistics 3 2 Use Cases Operational Efficiency A straightforward way to apply Big Data analytics in a business env ironment is to increase the level of efficiency in operations This is simply what IT has always been doing accelerating business processes but Big Data analytics effectively opens the throttle 3 2 1 Last-mile optimization A constraint in achieving high operational efficiency in a distribution network occurs at the last mile 24 This final hop in a supply chain is often the most expensive one The optimization of last-mile delivery to drive down product cost is therefore a promising application for Big Data techniques Two fundamental approaches make data analysis a powerful tool for increasing last-mile efficiency In a first and somewhat evolutionary step, a massive stream of information is processed to further maximize the performance of a conventional delivery fleet This is mainly achieved by real-time optimization of delivery routes The second, more disruptive approach utilizes data processing to control an entirely new last-mile delivery model With this, the raw capacity of a huge cro wd of randomly moving people replaces the effectiveness of a highly optimized workforce 1 Real-time route optimization The traveling salesmen problem was formulated around eighty years ago, but still defines the core challenge for last-mile delivery Route optimization on the last mile aims at saving time in the delivery process Rapid processing of real-time information supports this goal in multiple ways When the delivery vehicle is loaded and unloaded, a dynamic calculation of the optimal delivery sequence based on sensor-based detection of shipment items frees the staff from manual sequencing On the road, telematics databases are tapped to automatically change delivery routes according to current traffic conditions And routing intelligence considers the availability and location information posted by recipients in order to avoid unsuccessful delivery attempts In summary, every delivery vehicle receives a continuous adaptation of the delivery sequence that takes into account geographi cal factors, environmental factors, and recipient status What makes this a Big Data problem It requires the execution of combinatorial optimization procedures fed from correlated streams of real-time events to dynamically re-route vehicles on the go As a result, each driver receives instant driving direction updates from the onboard navigation system, guiding them to the next best point of delivery DHL SmartTruck Daily optimized initial tour planning based on incoming shipment data Dynamic routing system, which recalculates the routes depending on the current order and traffic situation Cuts costs and improves CO2 efficiency, for example by reducing mileage The term last mile has its origin in telecommunications and describes the last segment in a communication network that actually reaches the 24 customer In the logistics sector, the last mile is a metaphor for the final section of a supply chain, in which goods are handed over to the recipient Source The definition of the first and l ast miles , DHL Discover Logistics, cf Big Data in Logistics 2 Crowd-based pick-up and delivery The wisdom and capacity of a crowd of people has become a strong lever for effectively solving business problems Sourcing a workforce, funding a startup, or performing networked research are just a few examples of requisitioning resources from a crowd Applied to a distribution network, a crowd-based approach may create substantial efficiency enhancements on the last mile The idea is simple Commuters, taxi drivers, or students can be paid to take over lastmile delivery on the routes that they are traveling anyway Scaling up the number of these affiliates to a large crowd of occasional carriers effectively takes load off the delivery fleet Despite the fact that crowd-based delivery has to be incentivized, it has potential to cut last-mile delivery costs, especially in rural and sparsely populated areas On the downside, a crowd-based approach also issues a vital challenge The automated control of a huge number of randomly moving delivery resources This requires extensive data processing capabilities, answered by Big Data techniques such as complex event processing and geocorrelation A real-time data stream is traced in DHL MyWays order to assign shipments to available carriers, based on their respective location and destination Interfaced through a mobile application, crowd affiliates publish their current position and accept pre-selected delivery assignments The above two use cases illustrate approaches to optimizing last-mile delivery, yet they are diametrically opposed In both cases, massive real-time information originating from sensors, external databases, and mobile devices is combined to operate delivery resources at maximum levels of efficiency And both of these Big Data applications are enabled by the pervasiveness of mobile technologies Unique crowd-based delivery for B2C parcels Flexible delivery in time and location Using existing movement of city residents 19 20 Big Data in Logistics 3 2 2 Predictive network and capacity planning Optimal utilization of resources is a key competitive advantage for logistics providers Excess capacities lower profitability which is critical for low-margin forwarding services , while capacity shortages impact service quality and put customer satisfaction at risk Logistics providers must therefore perform thorough resource planning, both at strategic and operational levels Strategic-level planning considers the long-term configuration of the distribution network, and operational-level planning scales capacities up or down on a daily or monthly basis For both perspectives, Big Data techniques improve the reliability of planning and the level of detail achieved, enabling logistics providers to perfectly match demand and available resources 3 Strategic network planning At a strategic level, the topology and capacity of the distribution network are adapted according to anticipated future demand The results from this s tage of planning usually drive investments with long requisition and amortization cycles such as investments in warehouses, distribution centers, and custom-built vehicles More precise capacity demand forecasts therefore increase efficiency and lower the risks of investing in storage and fleet capacity Big Data techniques support network planning and optimization by analyzing comprehensive historical capacity and utilization data of transit points and transportation routes In addition, these techniques consider seasonal factors and emerging freight flow trends by learning algorithms that are fed with extensive statistical series External economic information such as industry-specific and regional growth forecasts is included for more accurate prediction of specific transportation capacity demand In summary, to substantially increase predictive value, a much higher volume and variety of information is exploited by advanced regression and scenario modeling techniques The result is a new quality of planning with expanded forecast periods this effectively reduces the risk of long-term infrastructure investments and contracted external capacities It can also expose any impending over-capacity and provide this as automated feedback to accelerate sales volume This is achieved by dynamic pricing mechanisms, or by transfer of overhead capacities to spot-market trading Big Data in Logistics 4 Operational capacity planning At operational level, transit points and transportation routes must be managed efficiently on a day-to-day basis This involves capacity planning for trucks, trains, and aircraft as well as shift planning for personnel in distribution centers and warehouses Often operational planning tasks are based on historical averages or even on personal experience, which typically results in resource inefficiency Instead, using the capabilities of advanced analytics, the dynamics within and outside the distribution network are modeled and the impact on capacity requireme nts calculated in advance Real-time information about shipments items that are entering the distribution network, are in transit, and are stored is aggregated to predict the allocation of resources for the next 48 hours This data is automatically sourced from warehouse management systems and sensor data along the transportation chain In addition detection of ad-hoc changes in demand is derived from externally available customer information e g data on product releases, factory openings, or unexpected bankruptcy Additionally, local incidents are detected e g regional disease outbreaks or natural disasters as these can skew demand figures for a particular region or product This prediction of resource requirements helps Both of the above Big Data scenarios increase resource efficiency in the distribution network, but the style of data processing is different The strategic optimization combines a high data volume from a variety of sources in order to support investment and contracting deci sions, while the operational optimization continuously forecasts network flows based on real-time streams of data DHL Parcel Volume Prediction operating personnel to scale capacity up or down in each particular location But there s more to it than that A precise forecast also reveals upcoming congestions on routes or at transit points that cannot be addressed by local scaling For example, a freight aircraft that is working to capacity must leave behind any further expedited shipments at the airport of origin Simulation results give early warning of this type of congestion, enabling shipments to be reassigned to uncongested routes, mitigating the local shortfall This is an excellent example of how Big Data analytics can turn the distribution network into a self-optimizing infrastructure Analytic tool to measure influences of external factors on the expected volume of parcels Correlates external data with internal network data Results in a Big Data Prediction Model that significantly inc reases operational capacity planning Ongoing research project by DHL Solutions Innovation 21 22 Big Data in Logistics 3 3 Use Cases Customer Experience The aspect of Big Data analytics that currently attracts the most attention is acquisition of customer insight For every business, it is vitally important to learn about customer demand and satisfaction But as organizations experience increased business success, the individual customer can blur into a large and anonymous customer base Big Data analytics help to win back individual customer insight and to create targeted customer value 3 3 1 Customer value management Clearly, data from the distribution network carries significant value for the analysis and management of customer relations With the application of Big Data techniques, and enriched by public Internet mining, this data can be used to minimize customer attrition and understand customer demand 5 Customer loyalty management For most business models, the cost of winning a new cu stomer is far higher than the cost of retaining an existing customer But it is increasingly difficult to trace and analyze individual customer satisfaction because there are more and more indirect customer touch points e g portals, apps, and indirect sales channels Because of this, many businesses are failing to establish effective customer retention programs Smart use of data enables the identification of valuable customers who are on the point of leaving to join the competition Big Data analytics allow a comprehensive assessment of customer satisfaction by merging multiple extensive data sources For logistics providers, this materializes in a combined evaluation of records from customer touch points, operational data on logistics service quality, and external data How do these pieces fit together Imagine the scenario of a logistics provider noticing a customer who lowers shipment volumes despite concurrently publishing steady sales records through newswire The provider then checks de livery records, and realizes that this customer recently experienced delayed shipments Looking at the bigger picture, this information suggests an urgent need for customer retention activity To achieve this insight not just with one customer but across the entire customer base, the logistics provider must tap multiple data sources and use Big Data analytics Customer touch points include responses to sales and marketing activities, customer service inquiries, and complaint management details This digital customer trail is correlated with data from the distribution network comprising statistical series on shipping volume and received service quality levels In addition, the Internet provides useful customer insight Publicly available information from news agencies, annual reports, stock trackers, or even sentiments from social media sites enrich the logistics provider s internal perspective of each customer From this comprehensive information pool, the logistics provider can extract the a ttrition potential of every single customer by applying techniques such as semantic text analytics, natural-language processing, and pattern recognition On automatically generated triggers, the provider then initiates proactive counter-measures and customer loyalty programs Although business relationships in logistics usually relate to the sender side, loyalty management must also target the recipient side Recipients are even more affected by poor service quality, and their feedback influences sender selection for future shipments A good example of this is Internet or catalog shopping Recurring customer complaints result in the vendor considering a switch of logistics provider But to include recipients into loyalty management requires yet more data to be processed, especially in B2C markets Big Data analytics are essential, helping to produce an integrated view of customer interactions and operational performance, and ensure sender and recipient satisfaction Big Data in Logistics 6 Con tinuous service improvement and product innovation Logistics providers collect customer feedback as this provides valuable insight into service quality and customer expectations and demands This feedback is a major source of information for continuous improvement in service quality It is also important input for the ideation of new service innovations To get solid results from customer feedback evaluation, it is necessary to aggregate information from as many touch points as possible In the past, the single source of data has been ingests from CRM systems and customer surveys But today, Big Data solutions provide access to gargantuan volumes of useful data stored on public Internet sites In social networks and on 3 3 2 Suppy chain risk management discussion forums, people openly and anonymously share their service experiences But extracting by hand relevant customer feedback from the natural-language content created by billions of Internet users is like looking for that proverbial need le in a haystack The uninterrupted direct supply of materials is essential to businesses operating global production chains Lost, delayed, or damaged goods have an immediate negative impact on revenue streams Whereas logistics providers are prepared to control their own operational risk in supply chain services, an increasing number of disruptions result from major events such as civil unrest, natural disasters, or sudden economic developments 25 To anticipate supply chain disruptions and mitigate the effect of unforeseen incidents, global enterprises seek to deploy business continuity management BCM measures 26 Sophisticated Big Data techniques such as text mining and semantic analytics allow the automated retrieval of customer sentiment from huge text and audio repositories In addition, this unsolicited feedback on quality and demand can be broken down by region and time This enables identification of correlation with one-time incidents and tracking the effect of any initiated action In summary, meticulous review of the entire public Internet brings unbiased customer feedback to the logistics provider This empowers product and operational managers to design services capable of meeting customer demand This demand for improved business continuity creates an opportunity for logistics providers to expand their customer value in outsourced supply chain operations Rapid analysis of various information streams can be used to forecast events with a potentially significant or disastrous impact on customer business In response to arising critical conditions, counter-measures can be initiated early to tackle arising business risks Are you ready for anything , DHL Supply Chain Matters, 2011, cf 25 for-anything Making the right risk decisions to strengthen operations performance , PriceWaterhouseCoopers and MIT Forum for Supply Chain Innovation, 2013 26 23 24 Big Data in Logistics 7 Risk evaluation and resilience planning Contract logistics providers know their customers suppl y chains in great detail To cater for the customer need for predictive risk assessment, two things must be linked and continuously checked against each other A model describing all elements of the supply chain topology, and monitoring of the forces that affect the performance of this supply chain Data on local developments in politics, economy, nature, health, and more must be drawn from a plethora of sources e g social media, blogs, weather forecasts, news sites, stock trackers, and many other publically available sites , and then aggregated and analyzed Most of this information stream is unstructured and continuously updated, so Big Data analytics power the retrieval of input that is meaningful in the detection of supply chain risks Both semantic analytics and complex event processing techniques are required to detect patterns in this stream of interrelated information pieces 27 The customer is notified when a pattern points to a critical condition arising for one of the supply chain elements e g a tornado warning in the region where a transshipment point is located This notification includes a report on the probability and impact of this risk, and provides suitable counter-measures to mitigate potential disruption Equipped with this information, the customer can re-plan transport routes or ramp up supplies from other geographies Robust supply chains that are able to cope with unforeseen events are a vital business capability in today s rapidly changing world In addition to a resilient and flexible supply chain infrastructure, businesses need highly accurate risk detection to keep running when disaster strikes With Big Data tools and techniques, logistics providers can secure customer operations by performing predictive analytics on a global scale Coming Soon A New Supply Chain Risk Management Solution by DHL A unique consultancy and software solution that improves the resilience of your entire supply chain Designed to reduce emergency costs, maintain service leve ls, protect sales, and enable fast post-disruption recovery Protects your brand and market share, informs your inventory decisions, and creates competitive advantage The Power of Events An Introduction to Complex Event Processing in Distributed Enterprise Systems , David C Luckham, Addison-Wesley Long - 27 man, 2001 Big Data in Logistics 3 4 Use Cases New Business Models 3 4 1 B2B demand and supply chain forecast The logistics sector has long been a macroeconomic indicator, and the global transportation of goods often acts as a benchmark for future economic development The type of goods and shipped volumes indicate regional demand and supply levels The predictive value of logistics data for the global economy is constituted by existing financial indices measuring the macroeconomic impact of the logistics sector Examples are the Baltic Dry Index28, a price index for raw materials shipped, and the Dow Jones Transportation Average29, showing the economic stability of the 20 largest U S log istics providers By applying the power of Big Data analytics, logistics providers have a unique opportunity to extract detailed microeconomic insights from the flow of goods through their distribution networks They can exploit the huge digital asset that is piled up from the millions of daily shipments by capturing demand and supply figures in various geographical and industry segments 8 The result has high predictive value and this compound market intelligence is therefore a compelling service that can be offered by third parties To serve a broad range of potential customers, the generated forecasts are segmented by industry, region, and product category The primary target groups for advanced data services such as these are small and medium-sized enterprises that lack capacity to conduct their own customized market research Market intelligence for small and medium-sized enterprises The aggregation of shipment records comprising origin, destination, type of goods, quantity, and value i s an extensive source of valuable market intelligence As long as postal privacy is retained, logistics providers can refine this data in order to substantiate existing external market research With regression analysis, DHL Geovista the fine-grained information in a shipment database can significantly enhance the precision of conventional demand and supply forecasts Online geo marketing tool for SMEs to analyze business potential Provides realistic sales forecast and local competitor analysis based on a scientific model A desired location can be evaluated by using high-quality geodata Baltic Dry Index , Financial Times Lexicon, cf 28 Dow Jones Transportation Average , S P Dow Jones Indices, cf 29 25 26 Big Data in Logistics 9 Financial demand and supply chain analytics Financial analysts depend on data to generate their growth perspectives and stock ratings Sometimes analysts even perform manual checks on supply chains as the only available source to forecast sales figures or market vol umes So for ratings agencies and advisory firms in the banking and insurance sector, access to the detailed information collected from a global distribution network is particularly valuable An option for logistics providers is to create a commercial analytics platform allowing a broad range of users to slice and dice raw data according to their field of research effectively creating new revenue streams from the huge amount of information that controls logistics operations 10 In the above use cases, analytics techniques are applied to vast amounts of shipment data This illustrates how logistics providers can implement new informationdriven business models In addition, the monetization of data that already exists adds the potential of highly profitable revenue to the logistics provider s top line 3 4 2 Real-time local intelligence Information-driven business models are frequently built upon existing amounts of data, but this is not a prerequisite An established product or service can als o be extended in order to generate new information assets For logistics providers, the pickup and delivery of shipments provides a particular opportunity for a complementary new business model No other industry can provide the equivalent blanket-coverage local presence of a fleet of vehicles that is constantly on the move and geographically distributed Logistics providers can equip these vehicles with new devices with camera, sensor, and mobile connectivity miniaturization powered by the Internet of Things to collect rich sets of information on the go This unique capability enables logistics providers to offer existing and new customers a completely new set of value-added data services Address verification The verification of a customer s delivery address is a fundamental requirement for online commerce Whereas address verification is broadly available in industrialized nations, for developing countries and in remote areas the quality of address data is typically poor This is also part ly due to the lack of structured naming schemes for streets and buildings in some locations Logistics providers can use daily freight, express, and parcel delivery data to automatically verify address data to achieve, for example, optimized route planning with correct geocoding for retail, banking, and public sector entities DHL Address Management Direct match of input data with reference data Return incomplete or incorrect incoming data with validated data from database Significant increase of data quality for planning purposes route planning Big Data in Logistics 11 Environmental intelligence The accelerated growth of urban areas30 increases the importance of city planning activities and environmental monitoring By using a variety of sensors attached to delivery vehicles, logistics providers can produce rich environmental statistics Data sets may include measurements of ozone and fine dust pollution, temperature and humidity, as well as traffic density, noise, and parking spot utiliz ation along urban roads As all of this data can be collected en passant in passing , it is relatively easy for logistics providers to offer a valuable data service to authorities, environment agencies, and real-estate developers while achieving complementary revenues to subsidize, for example, the maintenance of a large delivery fleet There are numerous other local intelligence use cases exploiting the ubiquity of a large delivery fleet From road condition reports that steer plowing or road maintenance squads, to surveys on the thermal insulation of public households, logistics providers are in pole position as search engines in the physical world Innovative services that provide all kinds of data in microscopic geographical detail are equally attractive to advertising agencies, construction companies, and public bodies such as police and fire departments Big Data techniques that extract structured information from real-time footage and sensor data are now building a technical backbone for the deployment of new data-driven business models 3 5 Succcess Factors for Implementing Big Data Analytics Our discussion of Big Data analytics has been focused on the value of information assets and the way in which logistics providers can leverage data for better business performance This is a good start, as solid use cases are a fundamental requirement for adopting new information-driven business models But there needs to be more than a positive assessment of business value The following five success factors must also be in place 3 5 1 Business and IT alignment In the past, advancements in information management clearly targeted either a business problem or a technology problem While trends such as CRM strongly affected the way sales and service people work, other trends such as cloud computing have caused headaches for IT teams attempting to operate dynamic IT resources across the Internet Consequently, business units and the IT department may have different perspectives on wh ich changes are worth adopting and managing But for an organization to transform itself into an information-driven company one that uses Big Data analytics for competitive advantage both the business units and the IT department must accept and support substantial change It is therefore essential to demonstrate and align both a business case and an IT case for using Big Data including objectives, benefits, and risks To complete a Big Data implementation, there must be a mutual understanding of the challenges as well as a joint commitment of knowledge and talent According to the United Nations, by 2050 85 9 of the population in developed countries will live in urban areas Taken from Open-air computers , 30 The Economist, Oct 27, 2012 cf 27 28 Big Data in Logistics 3 5 2 Data transparency and governance Big Data use cases often build upon a smart combination of individual data sources which jointly provide new perspectives and insights But in many companies the reality is that three major challenges must be addressed to ensure successful implementation First, to locate data that is already available in the company, there must be full transparency of information assets and ownership Secondly, to prevent ambiguous data mapping, data attributes must be clearly structured and explicitly defined across multiple databases And thirdly, strong governance on data quality must be maintained The validity of mass query results is likely to be compromised unless there are effective cleansing procedures to remove incomplete, obsolete, or duplicate data records And it is of utmost importance to assure high overall data quality of individual data sources because with the boosted volume, variety, and velocity of Big Data it is more difficult to implement efficient validation and adjustment procedures 3 5 3 Data privacy In the conceptual phase of every Big Data project, it is essential to consider data protection and privacy issues Personal data is often revealed when exploiting informa tion assets, especially when attempting to gain customer insight Use cases are typically elusive in countries with strict data protection laws, yet legislation is not the only constraint Even when a use case complies with prevailing laws, the large-scale collection and exploitation of data often stirs public debate and this can subsequently damage corporate reputation and brand value or breaks reliable and meaningful insights In most industries, the required mathematical and statistical skillset is scarce In fact, a talent war is underway, as more and more companies recognize they must source missing data science skills externally Very specialized knowledge is required to deploy the right techniques for each particular data processing problem, so organizations must invest in new HR approaches in support of Big Data initiatives 3 5 5 Appropriate technology usage Many data processing problems currently hyped as Big Data challenges could, in fact, have been technically solved five years a go But back then, the required technology investment would have shattered every business case Now at a fraction of the cost, raw computing power has exponentially increased, and advanced data processing concepts are available, enabling a new dimension of performance The most prominent approaches are in-memory data storage and distributed computing frameworks However, these new concepts require adoption of entirely new technologies 3 5 4 Data science skills For IT departments to implement Big Data projects therefore requires a thorough evaluation of established and new technology components It needs to be established whether these components can support a particular use case, and whether existing investments can be scaled up for higher performance For example, in-memory databases such as the SAP HANA system are very fast but have a limited volume of data storage, while distributed computing frameworks such as the Apache Hadoop framework are able to scale out to a huge number of nodes bu t at the cost of delayed data consistency across multiple nodes A key to successful Big Data implementation is mastery of the many data analysis and manipulation techniques that turn vast raw data into valuable information The skillful application of computational mathematics makes In summary, these are the five success factors that must be in place for organizations to leverage data for better business performance Big Data is ready to be used Outlook OUTLOOK Looking ahead, there are admittedly numerous obstacles to overcome data quality, privacy, and technical feasibility, to name just a few before Big Data has pervasive influence in the logistics industry But in the long run, these obstacles are of secondary importance because, first and foremost, Big Data is driven by entrepreneurial spirit Several organizations have led the way for us Google, Amazon, Facebook, and eBay, for example, have already succeeded in turning extensive information into business Now we are beginning to see fi rst movers in the logistics sector These are the entrepreneurial logistics providers that refuse to be left behind the opportunity-oriented organizations prepared to exploit data assets in pursuit of the applications described in this trend report But apart from the leading logistics providers that implement specific Big Data opportunities, how will the entire logistics sector transform into a data-driven industry What evolution can we anticipate in a world where virtually every single shipped item is connected to the Internet We may not know all of the answers right now But this trend report has shown there is plenty of headroom for valuable Big Data innovation Joining resources, labor, and capital, it is clear that information has become the fourth production factor and essential to competitive differentiation It is time to tap the potential of Big Data to improve operational efficiency and customer experience, and create useful new business models It is time for a shift of mindset, a clear strategy and application of the right drilling techniques Over the next decade, as data assumes its rightful place as a key driver in the logistics sector, every activity within DHL is bound to get smarter, faster, and more efficient 29 FOR MORE INFORMATION About Big Data in Logistics , contact RECOMMENDED READING LOGISTICS TREND RADAR Dr Markus Kckelhaus DHL Customer Solutions Innovation Junkersring 57 53844 Troisdorf, Germany Phone 49 2241 1203 230 Mobile 49 152 5797 0580 e-mail Katrin Zeiler DHL Customer Solutions Innovation Junkersring 57 53844 Troisdorf, Germany Phone 49 2241 1203 235 Mobile 49 173 239 0335 e-mail KEY LOGISTICS TRENDS IN LIFE SCIENCES 2020 View Full Document. This document was uploaded on 11 30 2016 for the course MS 6721 at City University of Hong Kong. Click to edit the document details. Share this link with a friend. Most Popular Documents for MS 6721.City University of Hong Kong. MS 6721 - Winter 2016.Understanding Road Usage Patterns in Urban Areas SUBJECT AREAS APPLIED PHYSICS CIVIL. City University of Hong Kong. MS 6721 - Winter 2016.1 SUPPLY CHAIN MANAGEMENT Lecture 7 Network and Graph Qingpeng ZHANG SEEM, City Unive. City University of Hong Kong. MS 6721 - Winter 2016.International Journal of Operations Production Management A complex network approac. City University of Hong Kong. MS 6721 - Winter 2016.Summary Of Decision Support Systems nowsdays supply chain risks is becoming increasin. City University of Hong Kong. MS 6721 - Winter 2016.Form 2B City University of Hong Kong Information on a Course offered by Department of. City University of Hong Kong. MS 6721 - Winter 2016.1 SUPPLY CHAIN MANAGEMENT Lecture 3 Demand Forecasting Qingpeng ZHANG SEEM, City Univ.