Kelly System Binär Optionen. Kelly System Binär Optionen kereskedes In binary Suite Minimum Handel kereskedes macht die kelly zurück Mc Roboter für popul Demo Konto kereskedes Kelly System Binäre Optionen Wir werden mit der jeweiligen Exspiration Replikation, daher, wie es weiter dramatisch gesehen werden, In Indikator, um diese zu bewerten. Sep 13, 2012 Wenn Sie lange mathematische Gleichungen mögen, können Sie mehr darüber lesen Kelly System Diese Strategie ist jetzt etwas Um eine effektive Geld-Management-Strategie für binären Handel, gibt es verschiedene Ansätze, die Sie können Verwenden Sie die Implementierung von Kelly System in Binäre Optionen. online Strategie Trading Games. In Wahrscheinlichkeitstheorie und intertemporale Portfolio Auswahl, die Kelly Kriterium, Kelly Strategie, Kelly Der binäre Wachstum Exponent ist Fortune s Formula Die Untold Geschichte der Scientif 24. Juni 2015 Umsetzung von Kelly-System in binären Optionen Mit einer effektiven Geld-Management-Strategie in binären Optionen, erhöhen Sie Ihre. Arti Hallo Kelly System Binär Optionen 777 binäre Optionen Plattformen Demo Trader, Hotforex Vor-und Nachteile von binären Optionen, verdienen von binary 29. Oktober 2012 Jedenfalls, wenn Sie hier rein für die binären Optionen Kelly Criterion Taschenrechner dann auf die Chase und klicken Sie auf Der Link, sonst sind Sie. Kelly System Binäre Optionen binäre Optionen Strategie MacD Top Forex Experte Berater Bewertungen Online Forex Bildung Bewertungen kostenlos Geld für binäre Optionen Effektive Geld-Management-Strategie für Binäre Optionen Um eine effektive Geld-Management-Strategie für die Umsetzung von Kelly System in Binary Options. kelly System binäre Optionen etx capital binäre Optionen Überprüfung Binäre Optionen Handel ist ein relativer Newcomer, soweit Markthandelsoptionen betroffen sind In Wahrscheinlichkeitstheorie und intertemporalen Portfolio-Auswahl, das Kelly-Kriterium, Kelly-Strategie, Kelly-Formel oder Kelly-Wette ist Eine Formel, die verwendet wird, um zu bestimmen. Textsitesbing1-2 - kelly system binäres option. kelly system binäre optionen etx kapital binäre optionen binärer optionenbörse ist ein relativer newcomer, was die markthandelsoptionen betrifft Kelly system binary optionen 4 stars basiert auf 110 bewertungen Forex ea shark 7 0 kostenloser download Neurobayes kurzfristiger systematischer Handel Dominandoforex p. kelly System binäre Optionen Unser Ziel ist es, Ihnen die nützlichsten und wichtigen Informationen über binäre Option und Devisenhandel zu bieten Investor Assistance 800 732-0330 3 manipulieren die Handelssoftware, um binäre Optionen Preise und Auszahlungen zu verzerren Zum Beispiel, wenn ein Kunde s. Textsitesbing1-2 - kelly system binary options.1 11 2015 Wenn Sie von zu Hause aus arbeiten, was steuerlich abzugsfähig ist Wenn Sie erwägen, entweder Systeme oder eines der beiden zu handeln, ist es auch das Kelly Criterion, welches ein anderes Handelssystem ist Das wird in binären Bands verwendet und binäre Optionen Experten überprüfen Software Kelly Formel Zeit Handelssystem Kurs Bonus binäre Optionen Kelly Formel Bands Kelly Anforderungen zu handeln binary.9 9 2015 Arbeit von zu Hause bangalore ohne Investition Kelly System binäre Optionen eToro bietet Gutschriften auf erstmalige Einlagen Candlestick Charts System lyri, Buch zu lesen und einfach zu binären Optionen kelly Formel Optionen System bei Intellitrader, zweite binäre Bewertungen kelly formula. forex online tv indir. forex kurs walut online. managed Futures Trading Strategien. Pacific Börse Optionen floor. fxpro System hoch Profitables Forex Trading System pdf. galaxy Forex Preise karachi. forex Combo System download. best Forex Trading Site Review. les Meilleurs Broker o Ptions binaires. weekly Handel Strategien. Binary Option Trading App. which binäre Option Website ist die besten. dynamischen Handelsstrategien eti. forex unter 18.cara Bermain Handel forex bagi pemula. best binäre Optionen ebook. urban forex 10 pips. forex Margin pip Rechner. winning Option Trading Strategies. trading System afl. Biodiversitätsstrategie und Aktionsplan albania. binary Optionen App review. rate Option Handel services.6-DHLBigData - GROSSE DATEN IN LOGISTIK Ein DHL. This ist das Ende der Vorschau Anmeldung zum Zugriff auf die Rest des Dokuments. Unformatierte Textvorschau GROSSE DATEN IN LOGISTIK Eine DHL-Perspektive, wie man über den Hype hinausgeht Dezember 2013 Powered by Solutions Innovation Trend Research PUBLISCHER DHL Kundenlösungen Innovation vertreten durch Martin Wegner Vizepräsident Lösungen Innovation 53844 Troisdorf, Deutschland PROJEKT DIREKTOR Dr Markus Kckelhaus Solutions Innovation, DHL PROJECT MANAGEMENT UND EDITORIAL OFFICE Katrin Zeiler Lösungen Innovation, DHL IN ZUSAMMENARBEIT MIT AUTOREN Mar Zinn Jeske, Moritz Grner, Frank Wei Vorwort VORWORT Big Data und Logistik sind für einander gemacht, und heute positioniert sich die Logistikbranche, um diese Fülle von Informationen besser zu nutzen. Das Potenzial für Big Data in der Logistikbranche wurde bereits hervorgehoben In der gefeierten DHL Logistics Trend Radar Diese übergreifende Studie ist ein dynamisches, lebendiges Dokument, das dazu beiträgt, dass Organisationen neue Strategien ableiten und leistungsfähigere Projekte und Innovationen entwickeln können. Big Data hat die Welt der Logistik viel zu bieten Ausgefeilte Datenanalytik kann diesen traditionell fragmentierten Sektor konsolidieren, Und diese neuen Fähigkeiten setzen Logistik-Anbieter in Pole-Position als Suchmaschinen in der physischen Welt Es wurde gemeinsam mit T-Systems und den Experten von Detecon Consulting entwickelt Das Forscherteam kombiniert Weltklasse-Erfahrung aus dem Logistik-Bereich und dem Informationsmanagement Domain H ow können wir von einem tiefen Brunnen von Daten zu tiefer Ausbeutung bewegen Wir h Dass große Daten in der Logistik Ihnen einige kraftvolle neue Perspektiven und Ideen bieten Danke für die Entscheidung, sich auf dieser Big Data Reise zusammen zu engagieren, können wir alle von einem neuen Modell der Kooperation und Zusammenarbeit in der Logistikbranche profitieren. Können wir Informationen nutzen Um die betriebliche Effizienz und Kundenerfahrung zu verbessern und nützliche neue Geschäftsmodelle zu schaffen Mit freundlichen Grüßen, um den Fokus zu schärfen, der Trendbericht, den Sie jetzt lesen, fragt den Schlüssel Big Data Fragen Big Data ist ein relativ ungenutztes Vermögen, das Unternehmen ausnutzen können, sobald sie ein Verschiebung der Denkweise und Anwendung der richtigen Bohrtechniken Es geht auch weit über die Summenworte hinaus, um echte Einsatzgebiete anzubieten, was das jetzt passiert und was in der Zukunft passieren wird. Dieser Trendbericht beginnt mit einer Einführung in das Konzept Und Bedeutung von Big Data, liefert Beispiele aus vielen verschiedenen Branchen, und stellt dann Logistik Anwendungsfälle Martin Wegner Dr. Markus Kckelhaus 1 2 Tabelle von C Ontents Vorwort 1 1 Verständnis großer Daten 3 2 Big Data Best Practice über Branchen 6 2 1 Betriebseffizienz 7 2 2 Kundenerfahrung 10 2 3 Neue Geschäftsmodelle 13 3 Große Daten in der Logistik 15 3 1 Logistik als datengesteuertes Geschäft 15 3 2 Anwendungsfälle Operative Effizienz 18 3 3 Anwendungsfälle Kundenerfahrung 22 3 4 Anwendungsfälle Neue Geschäftsmodelle 25 3 5 Erfolgsfaktoren für die Implementierung von Big Data Analytics 27 Ausblick 29 Verständnis großer Daten 1 VERSTÄNDNIS GROSSER DATEN Der nachhaltige Erfolg von Internet-Powerhouses wie Amazon, Google , Facebook, und eBay beweist einen vierten Produktionsfaktor in der heutigen Hyper-Verbindung. Neben Ressourcen, Arbeit und Kapital gibt es keinen Zweifel daran, dass die Information im Universum ein wesentliches Element geworden ist, dank des Wachstums der sozialen Medien, allgegenwärtig Netzwerkzugang und die stetig wachsende Zahl von intelligenten verbundenen Geräten Das heutige digitale Universum erweitert sich mit einer Rate, die das Datenvolumen alle zwei Jahre verdoppelt2 siehe Abbildung 1 elemen T der wettbewerbsorientierten differenzierung Unternehmen in jedem Sektor bemühen sich, gutgefühl für einen genauen datengesteuerten Einblick zu handeln, um eine effektive Entscheidungsfindung zu erreichen. Egal, dass das Problem zu erwarten ist, erwartete Absatzmengen, Kundenproduktpräferenzen, optimierte Arbeitszeitpläne, die Daten sind Jetzt hat die Macht zu helfen Unternehmen erfolgreich zu sein Wie eine Suche nach Öl, mit Big Data nimmt es gebildete Bohrungen, um einen Brunnen von wertvollen Informationen zu enthüllen Warum ist die Suche nach aussagekräftigen Informationen so komplex Es ist wegen der enormen Wachstum der verfügbaren Daten innerhalb von Unternehmen und Auf dem öffentlichen Internet Zurück im Jahr 2008 übertraf die Anzahl der verfügbaren digitalen Information Stücke Bits die Anzahl der Sterne Zusätzlich zu diesem exponentiellen Volumenwachstum haben sich zwei weitere Merkmalen von Daten wesentlich verändert. Zunächst werden Daten in den massiven Einsatz von angeschlossenen Geräten gegossen Wie Autos, Smartphones, RFID-Leser, Webcams und Sensornetzwerke fügt eine große Anzahl von autonomen hinzu Datenquellen Geräte wie diese erzeugen kontinuierlich Datenströme ohne menschliches Eingreifen, erhöhen die Geschwindigkeit der Datenaggregation und - verarbeitung Zweitens sind die Daten extrem unterschiedlich Die überwiegende Mehrheit der neu geschaffenen Daten stammt aus Kamerabilder, Video - und Überwachungsfilmen, Blog-Einträgen, Forum-Diskussionen Und E-Commerce-Kataloge Alle diese unstrukturierten Datenquellen tragen zu einer viel höheren Vielfalt von Datentypen bei 40 000 30 000 Exabytes 20 000 10 000 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Abbildung 1 Exponentielles Datenwachstum zwischen 2010 und 2020 Quelle IDC s Digital Universe Study, gesponsert von EMC, Dezember 2012 Das diverse und explodierende digitale Universum, IDC, 2008 1 Das digitale Universum im Jahr 2020 Big Data, größere Digital Shadows und größtes Wachstum im Fernen Osten, IDC, gesponsert von EMC , Dezember 2012 2 3 4 Verständnis der großen Daten Telefonica musste auf der Reise zu beantworten, um schließlich seine Smart Steps Service zu starten war was zusätzlichen Wert tut Die vorhandene Menge an Daten tragen und wie können wir davon profitieren Während die Verbraucher sind vertraut mit der Bereitstellung von Informationen getriebenen täglichen Lebensentscheidungen wie Käufe, Routenplanung oder die Suche nach einem Ort zu essen, sind die Unternehmen zurückgeblieben, um ihre Informationen Vermögenswerte zu nutzen, haben Unternehmen Vor allem ändern ihre haltung über die Verwendung von Daten In der Vergangenheit wurden Datenanalytik verwendet, um Entscheidungen zu bestätigen, die bereits getroffen wurden Was erforderlich ist, ist ein kultureller Wandel Unternehmen müssen in einen zukunftsweisenden Stil der Datenanalyse übergehen, der neue Einblicke erzeugt Und bessere Antworten Diese Verschiebung in der Mentalität impliziert auch eine neue Qualität der Experimente, Kooperation und Transparenz über das Unternehmen Volumen, Geschwindigkeit und Vielfalt der 3Vs ist diese große Daten In der Literatur wurden die 3Vs weithin als die Merkmale der Big Data Analytics diskutiert Aber es gibt noch viel mehr zu prüfen, ob Unternehmen Informationen als Produktionsfaktor nutzen und ihre Wettbewerbsposition stärken wollen Hut s erforderlich ist eine Verschiebung in Mentalität und Anwendung der richtigen Bohrtechniken Werden ein Informations-getriebenes Geschäft Als der globale Telekommunikationsanbieter Telefonica begonnen hatte, informationsgesteuerte Geschäftsmodelle zu erkunden, war das Unternehmen bereits in der Lage, Hunderte von Millionen von Datensätzen zu verarbeiten Mobilfunknetz jeden Tag, um Telefongespräche und Datendienste zu vermitteln und zu rechnern. So war die Abwicklung eines riesigen Datenvolumens bei hoher Geschwindigkeit nicht das Hauptproblem. Stattdessen ist die Schlüsselfrage neben diesem Übergang eine weitere Voraussetzung für ein informationsorientiertes Geschäft Um eine Reihe von Datenwissenschaften zu etablieren Dies beinhaltet die Bewältigung sowohl eines breiten Spektrums von analytischen Verfahren und ein umfassendes Verständnis des Unternehmens und Unternehmen müssen neue technologische Ansätze zu erkunden Informationen in einer höheren Reihenfolge von Details und Geschwindigkeit Disruptive Paradigmen der Datenverarbeitung Wie z. B. In-Memory-Datenbanken und schließlich konsistenten Rechenmodus Ich verspreche, umfangreiche Datenanalytikprobleme zu wirtschaftlich machbaren Kosten zu lösen. Jedes Unternehmen besitzt bereits viele Informationen. Aber die meisten ihrer Daten müssen erst verfeinert werden, dann kann es in den Geschäftswert verwandelt werden. Mit Big Data Analytics können Unternehmen die Haltung erreichen , Kompetenz und Technik erforderlich, um eine Datenraffinerie zu werden und einen zusätzlichen Wert aus ihren Informationsvermögen zu schaffen. Verständnis von Big Data Logistics und Big Data sind ein perfektes Spiel Die Logistikbranche ist ideal positioniert, um von den technologischen und methodischen Fortschritten der Big Data zu profitieren. Ein starker Hinweis Dass die Datenbeherrschung schon immer der Schlüssel zur Disziplin war, dass die Logistik in ihren alten griechischen Wurzeln praktische Arithmetik bedeutet. 3 Logistikdienstleister schaffen heute einen massiven Warenfluss und schaffen gleichzeitig umfangreiche Datensätze Für Millionen von Sendungen jeden Tag Herkunft Und Ziel, Größe, Gewicht, Inhalt und Standort werden alle über globale Lieferungsnetze verfolgt. Aber diese Daten Verfolgung von voll ausgeschöpftem Wert Wahrscheinlich nicht Wahrscheinlich gibt es riesige ungenutzte Potenziale für die Verbesserung der betrieblichen Effizienz und Kundenerfahrung und die Schaffung nützlicher neuer Geschäftsmodelle Betrachten wir zum Beispiel die Vorteile der Integration von Supply-Chain-Datenströmen von mehreren Logistikdienstleistern, die die derzeitige Marktzersplitterung beseitigen könnten , Die leistungsstarke neue Zusammenarbeit und Dienstleistungen ermöglichen Viele Anbieter erkennen, dass Big Data ein Trend für die Logistikindustrie ist. In einer aktuellen Studie über Supply-Chain-Trends gaben sechzig Prozent der Befragten an, dass sie in den nächsten fünf Jahren in Big Data Analytics investieren wollen Jahre4 siehe Abbildung 2 unten Allerdings beginnt die Suche nach Wettbewerbsvorteilen mit der Identifizierung von starken Big Data Use Cases In diesem Beitrag betrachten wir zunächst Organisationen, die Big Data Analytics erfolgreich im Kontext ihrer eigenen Branchen eingesetzt haben. Dann präsentieren wir eine Anzahl der Anwendungsfälle für die Logistikbranche Social Networks Intern B2B Business Analytics Plattformen als Service heute Fünf Jahre Netzwerk Redesign Software Systeme Produkt Lifecycle Management 0 10 20 30 40 50 60 70 Abbildung 2 Aktuelle und geplante Investitionsbereiche für Big Data Technologien Quelle Trends und Strategien in Logistik und Supply Chain Management, p 51, BVL International, 2013 Definition und Entwicklung, Logistik Baden-Württemberg, vgl. 3 Trends und Strategien in Logistik und Supply Chain Management, BVL International, 2013 4 5 6 Big Data Best Practice über Branchen 2 GROSSE DATEN BESTE PRAXIS ÜBER INDUSTRIEN Wert der Informationsvermögen ist ein neues strategisches Ziel für die meisten Unternehmen und Organisationen Abgesehen von Internet-Powerhouses, die erfolgreich etablierte Geschäftsmodelle etabliert haben, sind Unternehmen in anderen Sektoren in der Regel in den frühen Stadien der Erforschung, wie man von ihren wachsenden Stapel von Daten profitieren, Und legte diese Daten in gutem Gebrauch Nach neueren Forschungen5, nur 14 der europäischen co Mpanies adressiert bereits Big Data Analytics als Teil ihrer strategischen Planung siehe Abbildung 3 Und doch fast die Hälfte dieser Unternehmen erwarten ein jährliches Datenwachstum in ihrer Organisation von mehr als 25 Die erste und offensichtlichste ist die betriebliche Effizienz In diesem Fall werden Daten verwendet Bessere Entscheidungen zu treffen, den Ressourcenverbrauch zu optimieren und die Prozessqualität und - leistung zu verbessern. Es ist, was automatisierte Datenverarbeitung immer zur Verfügung gestellt hat, aber mit einem erweiterten Satz von Fähigkeiten Die zweite Dimension ist die Kundenerfahrung, um die Kundenbindung zu steigern, präzise Kunden zu führen Segmentierung und Optimierung des Kundenservice Inklusive der umfangreichen Datenressourcen des öffentlichen Internets setzt Big Data CRM-Techniken auf die nächste Evolutionsstufe. Darüber hinaus ermöglicht es neue Geschäftsmodelle, Einnahmequellen aus bestehenden Produkten zu ergänzen und zusätzliche Einnahmen aus völlig neuen Datenprodukten zu schaffen Big Data Value Dimensionen Wenn Unternehmen Big Data als Teil ihrer Geschäftstätigkeit annehmen Strategie, die erste Frage an die Oberfläche ist in der Regel, welche Art von Wert Big Data fahren wird Wird es dazu beitragen, die Top-oder Bottom-Line, oder wird es einen nicht-finanziellen Treiber Aus einer Wert-Sicht der Anwendung der Big Data Analytics fällt In einer von drei Dimensionen siehe Abbildung 4 Für jede dieser Big Data-Wert-Dimensionen gibt es wachsende Anzahl von überzeugenden Anwendungen Diese präsentieren das Geschäftspotential der Monetarisierung von Informationen über ein breites Spektrum von vertikalen Märkten In den folgenden Abschnitten stellen wir mehrere Anwendungsfälle vor Veranschaulichen, wie die frühen Macher die Datenquellen durch innovative Mittel ausgenutzt haben und folglich einen bedeutenden Mehrwert geschaffen haben Hat Ihr Unternehmen eine große Datenstrategie definiert, hat Ihr Unternehmen eine große Datenstrategie definiert. Nr. 63 23 Geplant Ja 14 Abbildung 3 Große Daten als strategisches Ziel in Europa Unternehmen Statistik von BARC-Studie N 273 Quelle Big Data Survey Europe, BARC, Februar 2013, S. 17 Big Data Survey Europe, BARC-Institut, Febr Uary 2013 5 Big Data Best Practice über Industrien Operational Operational Effizienz Kunde Kundenerfahrung Daten nutzen, um Daten zu nutzen Ausnutzung der Nutzung von Daten Daten für Steigerung des Kunden Steigerung der Kunden Lloyalty-Lizenzierung und Retention Retention Durchführen von präzisen Führen Sie Kunden-Kunden präzise Segmentierung und Targeting Segmentierung und Targeting Optimieren Sie den Kunden Optimieren Sie InteraktionsinteraktionKunden und Service und Service Effizienz Steigerung des Levels Erhöhung der Transparenz Transparenz Optimieren Sie die Ressourcen Optimieren Sie die Verbrauchsquellen Verbessern Sie den Prozess Qualitätsverbrauch und die Leistung Verbessern Sie die Prozessqualität und die Leistung Erleben Sie neue Modelle Neue Business Business Models Großschreibung von OnData Databy von Capitalize on Expanding Ertragsströme Erweitern von Umsatzströmen aus bestehenden aus bestehenden Produkten Produkte Erstellung neuer Umsatzerlöse Erstellung neuer Streams aus ganzem Stream aus völlig neuen neuen Datenproduktdatenprodukten Abbildung 4 Wertdimension Enspekt für große Datenverwendungsfälle Quelle DPDHL Detecon 2 1 Operative Effizienz 2 1 1 Nutzung von Daten zur Vorhersage von Verbrechen-Hotspots Für die Metropolitan-Polizei-Abteilungen kann die Aufgabe, Kriminelle zur Aufrechterhaltung der öffentlichen Sicherheit zu verfolgen, manchmal langweilig sein. Mit vielen verschönerten Informations-Repositories, Manuelle Verbindung vieler Datenpunkte Dies braucht Zeit und drastisch verlangsamt die Fallauflösung Darüber hinaus werden die Straßenpolizeiressourcen reaktiv angelegt, so dass es sehr schwierig ist, Kriminelle in der Tat zu fangen. In den meisten Fällen ist es nicht möglich, diese Herausforderungen durch eine Erhöhung der Polizei zu beseitigen , Da die Regierungsbudgets begrenzt sind Eine Autorität, die ihre verschiedenen Datenquellen nutzt, ist die New Yorker Polizeidienststelle NYPD Durch die Erfassung und Verbin - dung von Verbrechen-bezogenen Informationen hofft sie, den Tätern des Verbrechens einen Schritt voraus zu sein. Lange vor dem Begriff Big Data wurde geprägt, die NYPD bemühte sich, die Kompartimentierung ihrer Daten zu brechen Nests z. B. Daten aus 911 Anrufen, Untersuchungsberichten und mehr Mit einem einzigen Blick auf alle Informationen, die sich auf ein bestimmtes Verbrechen beziehen, erreichen die Offiziere ein kohärenteres Echtzeitbild ihrer Fälle. Diese Verschiebung hat die retrospektive Analyse deutlich verschärft Ermöglicht es der NYPD, früher Maßnahmen zu ergreifen, um einzelne Kriminelle aufzuspüren. Die stetig abnehmenden Raten der Gewaltverbrechen in New York7 wurden nicht nur auf diese effektivere Straffung der vielen Datenelemente zurückgeführt, die für die Durchführung von Caseworks erforderlich sind, sondern auch für eine grundlegende Änderung der Polizeipraxis 8 Durch die Einführung der statistischen Analyse und der georaphistischen Kartierung von Kriminalitätspunkten konnte die NYPD ein größeres Bild für die Bereitstellung von Ressourceneinsatz und Patrouillenpraxis schaffen. Jetzt kann die Abteilung Kriminalitätsmuster mit Hilfe von Rechenanalyse erkennen und liefert Einblicke, die es jedem Kommandanten ermöglichen, proaktiv zu arbeiten Identifizieren heiße Punkte der kriminellen Tätigkeit NYPD ändert die Kriminalitätskontrollgleichung durch die Wa Y es nutzt Informationen, IBM cf 6 Index Verbrechen nach Region, New York State Division of Strafjustiz Services, Mai 2013, vgl. 7 Compstat und organisatorischen Veränderung in der Lowell Police Department, Willis et al Police Foundation, 2004 cf 8 Inhalt compstat-und - organisations-change-lowell-police-department 7 8 Big Data Best Practice über Branchen Diese antizipatorische Perspektive setzt die NYPD in die Lage, den Einsatz von Arbeitskräften und Ressourcen effektiv zu erreichen. In Kombination mit anderen Maßnahmen hat die systematische Analyse der vorhandenen Informationen beigetragen Zu einer stetig abnehmenden Rate von Gewaltverbrechen siehe Abbildung 5 Die Technik der Verwendung von historischen Daten zur Erkennung von Mustererkennung und damit Vorhersage von Kriminalitätspunkten wurde im Laufe der Zeit von einer Reihe von Gemeinden in den USA übernommen. Da immer mehr Polizeidienststellen Verbrechen aufzeichnen Informationen an die Öffentlichkeit, Dritte haben auch begonnen, Kriminalität vorhersagen sie aggregieren Daten in nationalen Ansichten a Nd bieten auch anonyme Kippfunktionalität siehe Abbildung 6 9 26 000 1 000 24 000 -3 900 22 000 800 20 000 700 18 000 -4 600 Raub 16 000 500 14 000 400 12 000 300 10 000 2002 Mord 2004 2006 2008 2010 2012 Abbildung 5 Entwicklung von gewalttätigen Verbrechen in New York City Daten aus Index Verbrechen berichtet in die Polizei nach Region New York City, 2003 2012, Quelle New York State Division der Strafjustiz Dienstleistungen, vgl. Abbildung 6 Ein Public-Motoren-Screenshot, vgl. Vorbildliche 9 Big Data Best Practice Across Industries 2 1 2 Optimale Schichtplanung in Einzelhandelsgeschäften Für Einzelhandelsgeschäfte sind Planungsverlagerungen, um Kundenbedürfnisse gerecht zu werden, eine sensible Aufgabe Übergreifendes Geschäft schafft unnötigen Aufwand und senkt die Profitabilität der Website. Der Laden des Films mit einem niedrigen Personalniveau wirkt sich negativ auf Kunden und Mitarbeiterzufriedenheit Beide sind schlecht für das Geschäft Bei DM-Drogerien wurde die Schichtplanungsaufgabe historisch durch den Filialleiter auf der Grundlage einfacher Extrapolationen und persönlicher Erfahrung durchgeführt Ular ular................................................................ Besonderer Point of Sale 10 Der Ansatz war, eine langfristige Vorhersage der täglichen Speichereinnahmen zu implementieren, unter Berücksichtigung einer breiten Palette von individuellen und lokalen Parametern Input Daten zu einem neuen Algorithmus enthalten historische Umsatzdaten, Öffnungszeiten und die Ankunftszeiten von Neue Waren aus den Verteilungszentren Darüber hinaus wurden weitere Daten aufgenommen, um ein Höchstmaß an Präzision zu erreichen. Diese Daten beinhalteten lokale Umstände wie Markttage, Urlaub in benachbarten Orten, Straßenumleitungen und zukünftige Wettervorhersagedaten als Wetterbedingungen Beeinflussen das Verbraucherverhalten DM bewertet verschiedene prädiktive Algorithmen und die ausgewählten Soluti Bietet nun so genaue Projektionen, dass es sich als eine leistungsfähige Unterstützung für die Schichtplanung erwiesen hat. Basierend auf der hochauflösenden Prognose des täglichen Umsatzes für jeden einzelnen Laden können die Mitarbeiter nun ihre persönlichen Präferenzen in den Schichtplan vier bis acht Wochen im Voraus eintragen Einmal genehmigt, ihre Verschiebungen sind unwahrscheinlich, dass sie sich ändern können, können sie sich auf den langfristigen Plan verlassen, und eine Last-Minute-Änderung ist ein außergewöhnliches Ereignis Dies zeigt, wie die Anwendung von prädiktiven Analysen bei DM steigt in-store operative Effizienz und zur gleichen Zeit , Trägt zu einer besseren Work-Life-Balance für Filialpersonal bei Business Intelligence Guide 2012 2013, isreport, isi Medien Mnchen oder cf 10 9 2 2006 Q4 2007 10 Big Data Best Practice über Branchen 2 2 Kundenerfahrung 2 2 1 Soziale Einflussanalyse Für Kundenbindung Um Einblick in die Kundenzufriedenheit und zukünftige Nachfrage zu erhalten, nutzen Unternehmen eine Reihe von verschiedenen Geschäftsmodellen. Der konventionelle Ansatz ist, Marktreste zu unternehmen Earch auf der Kundenbasis, aber dies schafft eine verallgemeinerte Ansicht ohne Fokus auf individuelle Bedürfnisse und Verhaltensweisen des Kunden Ein Problem, das Telekommunikationsanbieter herausfordert, ist, dass der Kunde den Verlust von Kunden über einen Zeitraum verkürzen Um die Churn zu reduzieren, analysieren Organisationen typischerweise Nutzungsmuster Der einzelnen Abonnenten und ihrer eigenen Servicequalität Sie bieten auch spezifische Belohnungen11, um einige Kunden loyal zu halten, basierend auf Parametern wie Kundenausgaben, Nutzung und Abonnementlänge In der Vergangenheit haben diese Aufbewahrungsbemühungen auf der Grundlage des individuellen Kundenwertes eine gewisse Verbesserung der Loyalität erreicht12, Aber Kunden-Churn bleibt ein Thema für Anbieter siehe Abbildung 7 Um das Kundenverhalten besser vorhersagen zu können, hat T-Mobile USA begonnen, soziale Beziehungen zwischen Abonnenten in seinem Churn-Management-Modell aufzunehmen 13 Die Organisation nutzt eine Multi-Graph-Technik, ähnlich den verwendeten Methoden Diese völlig neue Perspektive seiner Kunden benötigte T-Mobile, um seine zu bereichern Legacy-Analyse von Daten, die historisch aus Abrechnungssystemen und Kommunikationsnetzwerk-Elementen entnommen werden. Darüber hinaus werden rund ein Petabyte Rohdaten einschließlich Informationen aus Web-Clickstreams und sozialen Netzwerken aufgenommen, um die anspruchsvollen Mechanismen hinter dem Kunden-Churn aufzuspüren. Dieser hochinnovative Ansatz hat bereits bezahlt Off für T-Mobile Nach nur dem ersten Quartal mit seinem neuen Churn-Management-Modell, die Organisation s Churn Preise stürzten um 50 im Vergleich zu dem gleichen Quartal im Vorjahr Postpaid Prepaid Blended Postpaid Trend Prepaid Trend Blended Trend 6 5 Churn Rate in sozialen Netzwerk-Analyse, um so genannte Stamm-Führer zu identifizieren Dies sind Menschen, die einen starken Einfluss in größeren, verbundenen Gruppen haben Wenn ein Stamm-Führer zu einem Wettbewerber s Service wechseln, ist es wahrscheinlich, dass eine Reihe von ihren Freunden und Familienmitgliedern wird es auch wechseln Ist wie ein Dominoeffekt Mit dieser Veränderung in der Art und Weise, wie er den Kundenwert berechnet, hat T-Mobile seine Messung verbessert Um nicht nur die Abonnement-Ausgaben eines Kunden auf Mobilfunkdienste einzuschließen, sondern auch die Größe seines sozialen Netzwerks oder Stammes siehe Abbildung 8 4 3 2 1 0 Q2 2005 Q4 2005 Q2 2006 Postpaid Prepaid Q4 2006 Q2 2007 Blended Postpaid-Trend Prepaid Trend Blended Tendenz Q4 2007 Q2 2008 Abbildung 8 Identifizierung von Beeinflussern innerhalb einer mobilen Teilnehmerbasis Postpaid Prepaid Blended Postpaid-Trend Prepaid-Trend Abbildung 7 Entwicklung Blended Trend der Teilnehmer Churn Raten, von Mobile Churn und Loyalty Strategies, Informa, p 24 Kunden Loyalty Tracking, Informa , 2012 2012 Q2 2006 12 2007 Q2 2007 MobileQ4Churn Q2 Loyalität 2008 und Strategien, 2nd Edition, Informa, 2009 T-Mobile Herausforderungen churn mit Daten, Brett Sheppard, O Reilly Strata, 2011 cf 13 Q2 2008 Big Data Best Practice Across Industries 2 2 2 Vermeidung von Lagerbedingungen für die Kundenzufriedenheit Dies ist eine häufige und enttäuschende Erfahrung für Käufer, sobald sie das perfekte Kleidungsstück finden, entdecken sie das Die Größe, die sie benötigen, ist nicht auf Lager Mit steigender Konkurrenz im Textil - und Bekleidungssegment ist die Verfügbarkeit von beliebten Kleidungsstücken in der Regel begrenzt. Dies wird durch die Konsolidierung von Marken und beschleunigten Produktzyklen verursacht. In einigen Fällen gibt es nur drei Wochen zwischen dem ersten Design eines Kleidungsstücks und seiner In-Store-Ankunft 14 Die häufige Einführung neuer Kollektionen, die von vertikal organisierten Ketten angetrieben werden, verengt die Beschaffung von Artikeln zu einer einzigen Charge. Dies stellt ein Risiko für Bekleidungsketten dar und macht es wichtiger denn je zuvor Die Nachfrage nach einem bestimmten Posten vorwegnehmen Die Fähigkeit, die Nachfrage richtig vorherzusagen, ist zu einem Schlüsselfaktor für profitables Geschäft geworden. Der Mehrkanal-Einzelhändler Otto Group erkannte, dass konventionelle Methoden der Prognose der Nachfrage nach Online - und Versandkatalogpositionen in einem zunehmend wettbewerbsorientierten Umfeld unzureichend waren 63 der Artikel, die Abweichung im Vergleich zu den tatsächlichen Verkaufsmengen überschritten etwa 20 15 T Die Gruppe schätzte das Geschäftsrisiko sowohl der Überproduktion als auch des Mangels. Überproduktion würde die Rentabilität beeinflussen und zu viel Kapital einsparen. Mangel würde die Kunden verärgern Um den Kundenbedürfnissen vor allem die hohen Erwartungen der digitalen Eingeborenen beim Online-Kauf zu begegnen, nahm die Otto Group einen innovativen und störenden Ansatz ein Zur Verbesserung der Versorgungsfähigkeit siehe Abbildung 9 Vorhersagediskrepanz 63 Vorhersageabweichung 20 1000 500 Absolute Frequenz Klassische Vorhersage Entwicklung des Merchandising-Risikos 100 20 0 20 Klassische Vorhersage Neuro Bayes entwickelt Rückstandsrisiko 11 Vorhersageabweichung 20 100 200 Vorhersage mit Neuro Bayes Abbildung 9 Relative Abweichung von Prognose aus dem tatsächlichen Verkaufsvolumen, von Big Data Predictive Analytics Der Nutzen von Daten fr przise Prognosen und Entscheidungen in der Zukunft, Otto Group, Michael Sinn Konferenzgespräch Big Data Europe, Zürich, 28. August 2012 Mrkte in der globalen Modeindustrie, Patrik Aspers, Jahrbuch 2007 2008, Max Planc K Institut für das Studium der Gesellschaften 14 Otto rechnet mit knstlicher Intelligenz, Lebensmittel Zeitung, 21. August 2009 15 11 12 Große Daten Best Practice über Branchen 70 63 60 50 40 30 20 11 10 0 Konventionelle Bedarfsprognose Nachfrageprognose mit prädiktiven Analysen Abbildung 10 Prozentsatz der Katalogpositionen mit tatsächlichen Verkaufszahlen, die mehr als 20 von der Bedarfsprognose abweichen Quelle Perfektes Bestandsmanagement durch Predictive Analytics, Mathias Stben, Otto Group, beim 29. Deutschen Logistik-Kongress, Okt 2012 Nach der Auswertung einer Reihe von Lösungen zur Erzielung einer stabilen Prognose der Verkaufsmengen, Die Otto Group gelang es schließlich, eine Methode zu erarbeiten, die auf dem Gebiet der Hochenergiephysik entstand. Es nutzte ein multivariates Analysewerkzeug, das Selbstlernfähigkeiten aus neuronalen Netzwerktechniken einsetzt und diese mit Bayes'schen Statistiken verbindet. 16 Mit diesem Analysewerkzeug hat sich die Gruppe etabliert Eine völlig neue Prognosemaschine, die das Werkzeug mit historischen Daten von 1 trainierte 6 vergangene Jahreszeiten und kontinuierlich in das Tool mit 300 Millionen Transaktionsdatensätzen pro Woche ab der aktuellen Saison eingegeben Dieses neue System generiert mehr als eine Milliarde individuelle Prognosen pro Jahr und hat bereits überzeugende Ergebnisse geliefert. Mit nur 11 Kataloge, die die Umsatzvorhersage fehlen Um mehr als 20, siehe Bild 10, ist die Otto Group nun besser in der Lage, die Kundennachfrage zu befriedigen 17 Gleichzeitig sinkt dieser neue prädiktive Ansatz die Bestandsaufnahme, was zu einer verbesserten Rentabilität und Verfügbarkeit von Fonds führt. Cf 16 Treffsichere Absatzprognose mit Predictive Analytics, Michael Sinn, Konferenzgespräch über Big Data Analytics Kongress, Köln, 19. Juni 2012 17 cf Big Data Best Practice über Branchen 2 3 Neue Geschäftsmodelle 2 3 1 Crowd Analytics liefern Einzelhandels - und Werbeeinblicke Für effektive mobile Sprach - und Datendienste, Netzbetreiber Muss kontinuierlich erfassen eine Reihe von Daten auf jedem Abonnenten Abgesehen von der Aufzeichnung der Nutzung von mobilen Diensten für 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.
No comments:
Post a Comment