Neurobayes korttids systematisk handel

Kelly system binära alternativ. Kelly system binära alternativ kereskedes I binär svit gör min handel kereskedes kelly tillbaka Mc robotar för populär demo konto kereskedes Kelly System Binära alternativ Vi kommer att använda den speciella utgången replikering, därför kommer det att ses ytterligare dramatiskt, I indikatorn för att utvärdera dessa. 13 september 2012 Om du gillar långa matematiska ekvationer kan du läsa mer om det här. Kelly System Denna strategi har nu blivit något För att skapa en effektiv strategi för pengarhantering för binär handel finns det olika metoder som du kan Använd implementering av Kelly System i binära Options. online strategi trading games. In sannolikheten teori och intertemporal portfölj val, Kelly kriterium, Kelly strategi, Kelly Den binära tillväxt exponent är Fortune s Formel Scientificens otydda historia 24 juni 2015 Genomförande av Kelly-system i binära alternativ Med en effektiv strategi för hantering av pengar i binära alternativ ökar du your. Arti Klick av kelly system binära alternativ 777 binära alternativ plattformar demo handlare, hotforex fördelar och nackdelar med binära alternativ, tjäna från binära 29 oktober 2012 Hur som helst, om du kommer hit rent för binära alternativ Kelly Criterion miniräknare skära sedan till jaga och klicka Länken annars är du. Kelly System Binär Alternativ Binär Alternativ Strategi Macd Top Forex Expert Advisor recensioner online Forex utbildning recensioner gratis pengar för binära alternativ Effektiv Money Management strategi för binära alternativ Att skapa en effektiv strategi för hantering av pengar för implementering av Kelly System i Binära Options. kelly system Binära alternativ Etx Capital Binär Options Review Binär Options Trading är en relativ nykomling när det gäller marknadshandel alternativ. I sannolikheten teori och intertemporal portfölj val, Kelly kriterium, Kelly strategi, Kelly formel eller Kelly satsning är En formel som används för att bestämma. Textsitesbing1-2 - kelly system binära options. kelly system binära alternativ etx kapital binär alternativ översyn Binär alternativ handel är en relativ nykomling så långt som marknadshandel alternativ är berörda Kelly system binära alternativ 4 stjärnor baserat på 110 recensioner Forex ea haj 7 0 gratis nedladdning Neurobayes kortsiktiga systematiska handel Dominandoforex p. kelly system binära alternativ Vårt syfte är att ge dig den mest användbara och viktig informationen om binär option och valutahandel Investor Assistance 800 732-0330 3 manipulera handelsprogramvaran för att snedvrida binära alternativpriser och utbetalningar Till exempel när en kund s. Textsitesbing1-2 - kelly system binära alternativ.1 11 2015 om du arbetar hemifrån vad är skatteavdragningsbart uk Om du funderar på att använda antingen system eller någon av de två att handla, är det Det finns också Kelly-kriteriet som är ett annat handelssystem Som används i binära band och binära alternativ experter granskar programvara kelly formel tid trading system kurs bonus binära alternativ kelly formel Bands kelly krav på handel binär.9 9 2015 arbete hemifrån bangalore utan investering kelly system binära alternativ eToro erbjuder krediter på första gången insättningar Ljusstake diagram system lyri, bok att läsa och lätt att binära alternativ kelly formel alternativ system på intellitraders, andra binära recensioner kelly formula. forex online tv indir. forex kurs walut online. managed futures trading strategies. pacific börsmöjligheter floor. fxpro system hög Lönsamma valutahandel system pdf. galaxy valutakurser karachi. forex combo system download. best forex trading site review. les meilleurs mäklare o Ptions binaires. weekly trading strategies. binary options trading app. which binär alternativ webbplats är de bästa. dynamic trading strategier eti. forex under 18.cara bermain handel forex bagi pemula. best binära alternativ ebook. urban forex 10 pips. forex margin pip calculator. winning alternativ trading strategies. trading system afl. biodiversity strategi och handlingsplan albania. binary options app review. rate options trading services.6-DHLBigData - STORA DATA I LOGISTIK A DHL. Detta är slutet på förhandsgranskningen Registrera dig för att komma åt Resten av dokumentet. Uformaterad textförhandsgranskning STORA DATA I LOGISTIKER Ett DHL-perspektiv på hur man flyttar bortom hype December 2013 Drivs av lösningar Innovation Trendforskning PUBLISHER DHL Kundtjänst Innovation Representat av Martin Wegner Vice VD Lösningar Innovation 53844 Troisdorf, Tyskland PROJEKTDIREKTÖR Dr Markus Kckelhaus Solutions Innovation, DHL PROJEKTSTYRNING OCH REDOVISNINGSBYRÅ Katrin Zeiler Solutions Innovation, DHL I SAMARBETE MED MYNDIGHETER Mar Tin Jeske, Moritz Grner, Frank Wei Preface PREFACE Stora data och logistik är gjorda för varandra och idag positionerar logistikindustrin sig för att den här informationen ska utnyttjas bättre. Potentialen för Big Data i logistikindustrin har redan blivit uppmärksammad I den hyllade DHL Logistics Trend Radar Denna övergripande studie är ett dynamiskt levande dokument som är utformat för att hjälpa organisationer att skapa nya strategier och utveckla kraftfullare projekt och innovationer. Big Data har mycket att erbjuda logistikverksamheten. Sofistikerad dataanalys kan konsolidera denna traditionellt fragmenterade sektor, Och dessa nya möjligheter sätter logistikleverantörer i polposition som sökmotorer i den fysiska världen. Det har utvecklats gemensamt med T-Systems och experterna från Detecon Consulting. Forskningsgruppen har kombinerat erfarenheter från världsklass från både logistikområdet och informationshanteringen Domän H ow kan vi flytta från en djup brunn av data till djupt utnyttjande Vi h Tack för att Big Data in Logistics ger dig några kraftfulla nya perspektiv och idéer Tack för att du valde att gå med oss ​​på denna Big Data-resa tillsammans kan vi alla dra nytta av en ny modell för samarbete och samarbete inom logistikindustrin. Hur kan vi använda information För att förbättra operativ effektivitet och kundupplevelse och skapa användbara nya affärsmodeller Med vänlig hälsning För att skärpa fokuset frågar den trendrapport du läser nu, frågar Big Data-frågorna. Big Data är en relativt outnyttjad tillgång som företag kan utnyttja när de antar en Skift av tankesätt och tillämpa rätt borrteknik Det går också långt bortom buzz-ord att erbjuda verkliga användarfall, avslöja vad som händer nu och vad som kommer att hända i framtiden Denna trendrapport börjar med en introduktion till konceptet Och betydelsen av Big Data, ger exempel från många olika branscher, och presenterar sedan logistikanvändningssaker Martin Wegner Dr Markus Kckelhaus 1 2 Tabell C Ontenter Förord ​​1 1 Förstå stora data 3 2 Stora data bästa praxis över hela branschen 6 2 1 Drift effektivitet 7 2 2 Kundupplevelse 10 2 3 Nya affärsmodeller 13 3 Stora data i logistik 15 3 1 Logistik som datatyrkt företag 15 3 2 Användningsfall Operativ effektivitet 18 3 3 Användningsfall Kundreferens 22 3 4 Använda fall Nya affärsmodeller 25 3 5 Succesfaktorer för implementering av Big Data Analytics 27 Outlook 29 Förstå stora data 1 FÖRSTA BIG DATA Den fortsatta framgången med Internetkraftverk som Amazon, Google , Facebook och eBay ger bevis på en fjärde produktionsfaktor i dagens hyperlänkade värld Förutom resurser, arbetskraft och kapital är det ingen tvekan om att information har blivit en nödvändig sak i universum1 tack vare tillväxten av sociala medier, allestädes närvarande Nätverksåtkomst och det stadigt ökande antalet smarta anslutna enheter Dagens digitala universum expanderar med en hastighet som dubbler datamängden vartannat år2 se figur 1 elemen T av konkurrenskraftig differentiering Företag i alla branscher gör ansträngningar för att handla gut-känslan för korrekt data-driven insikt för att uppnå effektiv beslutsfattande Oavsett huruvida det ska beslutas förväntade försäljningsvolymer, kundproduktpreferenser, optimerade arbetsplaner är det data som Har nu makt att hjälpa företag att lyckas Som en strävan efter olja, med Big Data tar det utbildad borrning för att avslöja en brunn av värdefull information Varför är sökningen efter meningsfull information så komplex Det är på grund av den enorma tillväxten av tillgänglig data inom företag och På det offentliga Internet Bakom 2008 översteg antalet tillgängliga digitala informationsbitar bitar antalet stjärnor Förutom denna exponentiella volymtillväxt har två ytterligare egenskaper hos data förändrats väsentligt För det första hälls data i Den massiva användningen av anslutna enheter Som bilar, smartphones, RFID-läsare, webbkameror och sensornätverk, läggs ett stort antal autonoma Datakällor Enheter som dessa genererar kontinuerligt dataströmmar utan mänsklig inblandning, vilket ökar hastigheten på dataaggregering och bearbetning. För det andra är data extremt varierad. De allra flesta nybildade data härstammar från kamerabilder, video och övervakningsfilm, blogginlägg, forumdiskussioner Och e-handelskataloger Alla dessa ostrukturerade datakällor bidrar till en mycket större mängd datatyper 40 000 30 000 Exabytes 20 000 10 000 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Figur 1 Exponentiell datautveckling mellan 2010 och 2020 Källa IDC s Digital Universe Study, sponsrad av EMC, december 2012 Det olikartade och explosiva digitala universum, IDC, 2008 1 Digital Universum 2020 Stora digitala skuggor och största tillväxten i Fjärran Östern, IDC, sponsrad av EMC , December 2012 2 3 4 Förstå stora data Telefonica var tvungen att svara på resan för att så småningom lansera sin Smart Steps-tjänst var vilket extra värde gör det Den befintliga massan av data bär och hur kan vi dra nytta av det? Medan konsumenterna är bekanta med att fatta informationsdriven dagliga livsbeslut som inköp, ruteplanering eller hitta en plats att äta, släpar företagen sig tillbaka. För att utnyttja sina informationsmedel har företagen Framförallt ändra sin attityd om hur man använder data Tidigare användes dataanalys för att bekräfta beslut som redan tagits. Vad krävs är en kulturell förändring Företagen måste övergå till en framåtblickande dataanalys som genererar ny insikt Och bättre svar Denna förändring i tankegång innebär också en ny kvalitet på experiment, samarbete och öppenhet över företaget Volym, hastighet och variation 3Vs är denna stora data I litteraturen har 3Vs diskuterats allmänt som egenskaperna hos Big Data analytics Men det finns mycket mer att överväga om företagen vill utnyttja information som en produktionsfaktor och stärka sin konkurrensposition W Hats s krävs är en förändring i tankesätt och tillämpning av rätt borrteknik Bli en informationsdriven verksamhet När global teleleverantör Telefonica började utforska informationsdrivna affärsmodeller kunde företaget redan hantera hundratals miljoner dataposter från dess Mobilnät varje dag för att räkna och fakturera telefonsamtal och datatjänster. Hantering av en stor datavolym med hög hastighet var inte huvudproblemet. I stället är nyckelfrågan. Vid sidan av denna övergång är en annan förutsättning för att bli en informationsdriven verksamhet Att upprätta en specifik uppsättning datavetenskapliga färdigheter Detta inkluderar att mastera både ett brett spektrum av analytiska förfaranden och ha en övergripande förståelse för verksamheten och företag måste ta nya tekniska lösningar för att utforska information i en högre detalj och hastighet Störande paradigmer för databehandling Som i minnesdatabaser och så småningom konsekvent datormodus Jag lovar att lösa storskaliga dataanalysproblem till en ekonomiskt genomförbar kostnad. Varje företag äger redan mycket information Men de flesta av deras data måste raffineras, då kan den omvandlas till affärsvärde. Med Big Data-analys kan företag uppnå sin attityd , Skillset och teknik som krävs för att bli ett dataraffinaderi och skapa ytterligare värde från sina informationstillgångar. Förståelse av Big Data Logistics och Big Data är en perfekt match Logistik sektorn är idealiskt placerad för att dra nytta av de stora dataens tekniska och metodiska framsteg. En stark hint Den datahantering har alltid varit nyckeln till disciplinen är att logiken i sina gamla grekiska rötter betyder praktisk aritmetik. 3 I dag hanterar logistikleverantörer ett massivt flöde av varor och skapar samtidigt stora dataset för miljontals transporter varje dag, ursprung Och destination, storlek, vikt, innehåll och plats spåras alla över globala leveransnätverk. Men gör dessa data Spårning fullt ut utnyttjar värde Förmodligen inte Det är troligt att det finns stor outnyttjad potential för att förbättra operativ effektivitet och kundupplevelse och skapa användbara nya affärsmodeller. Tänk på fördelarna med att integrera leverantörskedjedataströmmar från flera logistikleverantörer, vilket skulle kunna eliminera nuvarande fragmentering av marknaden , Vilket möjliggör kraftfullt nytt samarbete och tjänster Många leverantörer inser att Big Data är en gamechanging trend för logistikindustrin I en nyligen genomförd studie om utbudskedjan trender uppgav sextio procent av de tillfrågade att de planerar att investera i Big Data analytics inom de närmaste fem Years4 se Figur 2 nedan Men sökandet efter konkurrensfördelar börjar med identifieringen av starka Big Data-användningsfall. I det här dokumentet tittar vi först på organisationer som framgångsrikt har använt Big Data analytics inom ramen för sina egna industrier. Sedan presenterar vi en Antal användningsfall som är specifika för logistik sektorns sociala nätverk Internt B2B Business Analytics-plattformar som en tjänst Idag Fem år Nätverk Redesign Programvarusystem Produkt livscykelhantering 0 10 20 30 40 50 60 70 Figur 2 Aktuella och planerade investeringsområden för Big Data-teknik Källtendenser och strategier inom logistik och Supply Chain Management, p 51, BVL International, 2013 Definition och utveckling, Logistik Baden-Wrttemberg, cf 3 Trends and Strategies in Logistics and Supply Chain Management, BVL International, 2013 4 5 6 Stora data bästa praxis över branscher 2 STORA DATA BÄSTA PRAKTISKA AKTUELLA INDUSTRIER Kapitalisering på Värdet av informations tillgångar är ett nytt strategiskt mål för de flesta företag och organisationer Förutom Internet-kraftverk som framgångsrikt har etablerat informationsdrivna affärsmodeller är företag i andra sektorer vanligtvis i de tidiga stadierna för att undersöka hur man kan dra nytta av sin växande hög med data, Och sätta denna data till god användning Enligt ny forskning5 är det bara 14 av europeiska co Maskinerna räknar redan med Big Data analytics som en del av deras strategiska planering, se Figur 3. Men nästan hälften av dessa företag räknar med en årlig datautväxt i organisationen över 25. Den första och mest uppenbara är operativ effektivitet I det här fallet används data för att Göra bättre beslut, optimera resursförbrukningen och förbättra processkvalitet och prestanda Det är vad automatiserad databehandling alltid har tillhandahållit men med en ökad uppsättning funktioner Den andra dimensionen är kundupplevelse De typiska målen är att öka kundlojaliteten, utföra en exakt kund Segmentering och optimera kundservice Inklusive de stora dataförslagen på det offentliga Internetet, driver Big Data CRM-tekniker till nästa utvecklingsstadium. Det möjliggör också nya affärsmodeller som kompletterar intäktsströmmar från befintliga produkter och för att skapa ytterligare intäkter från helt nya dataprodukter Stor datavärde Dimensioner När företag adopterar Big Data som en del av sin verksamhet Strategi är den första frågan om yta vanligtvis vilken typ av värde Big Data kommer att driva Kommer det att bidra till toppen eller botten eller kommer det att bli en icke-ekonomisk drivrutin Från en värdesynpunkt faller tillämpningen av Big Data analytics In i en av tre dimensioner se figur 4 För varje av dessa stora data-värdedimensioner finns det ett ökande antal tvingande tillämpningar. Dessa visar upp affärspotentialen att tjäna pengar på ett brett spektrum av vertikala marknader. I följande avsnitt presenterar vi flera användningsfall till Illustrera hur tidiga flyttare har utnyttjat datakällor med innovativa medel och därigenom skapat betydande ytterligare värde Har ditt företag definierat en stor datastrategi Har ditt företag definierat en stor datastrategi Nej 63 23 Planerad Ja 14 Figur 3 Stora data som ett strategiskt mål i europeisk Företag Statistik från BARC-studie N 273 Källa Stora dataundersökning Europa, BARC, februari 2013, s 17 Stor dataundersökning Europa, BARC-institutet, Febr Uary 2013 5 Stora data bästa praxis över hela branschen Operativ operativ effektivitet Kundkundserfarenhet Använd data för att kunna använda data Utnyttja att utnyttja datadata för att öka kunden Öka kunderna lloyalty oyalty och retention retention Utför exakt Utför kund kundrecrecise segmentering och inriktning segmentering och Inriktning Optimera kund Optimera interaktionsinteraktivitetskunder och service och service Effektivitet Öka nivå Öka nivå för transparens Optimera resursoptimera Konsumtionsresurs Förbättra process Kvalitetskonsumtion och prestanda Förbättra processkvalitet och prestanda Upplev nya modeller Ny företags affärsmodeller Aktivera datadatabyte genom att aktivera Utöka inkomstströmmar Utökade intäktsströmmar från befintliga produkter från befintliga produkter Produkter Skapa nyinkomstintäkter Skapa nya strömmar från helt strömmar från helt nya data-produktdataprodukter Data 4 Värde dim Ensioner för Big Data-användarfall Källa DPDHL Detecon 2 1 Operativ effektivitet 2 1 1 Använda data för att förutse hotspots för brottsbekämpning För uppdrag att spåra brottslingar för att bevara allmän säkerhet kan det ibland vara tråkigt. Gör manuell anslutning av många datapunkter Det tar gånger och dramatiskt saktar fallupplösningen Vidare används vägarpoliseringsresurser reaktivt och gör det väldigt svårt att fånga brottslingar i rättsakten. I de flesta fall är det inte möjligt att lösa dessa utmaningar genom att öka polispersonal , Eftersom statsbudgetar är begränsade En myndighet som utnyttjar sina olika datakällor är New York Police Department NYPD Genom att fånga och koppla samman brottsrelaterad information hoppas den vara ett steg före brottsförövarna 6 Långt före termen Stora data gjordes, NYPD gjorde ett försök att bryta upp avdelningen av dess data i T. ex. uppgifter från 911 samtal, utredningsrapporter och mer. Med en enda bild av all information som är relaterad till ett visst brott uppnår tjänstemän en mer sammanhängande, realtidsbild av deras fall. Detta skift har väsentligt ökat retrospektiv analys och Tillåter NYPD att vidta åtgärder tidigare vid spårning av enskilda brottslingar De stadigt minskande graden av våldsbrott i New York7 har tillskrivits inte bara denna mer effektiva strömlinjeformning av de många dataposter som krävs för att utföra fallarbete men också till en grundläggande förändring av poliseringspraxis 8 Genom att införa statistisk analys och georafisk kartläggning av brottspunkter har NYPD kunnat skapa en större bild för att styra resursutplacering och patrullövning. Nu kan avdelningen känna igen brottsmönster med hjälp av beräkningsanalys och detta ger insikter som gör att varje befälhavare kan proaktivt Identifiera heta fläckar av kriminell verksamhet NYPD ändrar brottsreglering ekvationen av wa Y använder information, IBM cf 6 Index Crimes By Region, New York State Division of Criminal Justice Services, maj 2013, jfr 7 Compstat och organisationsförändring i Lowell Police Department, Willis et al Police Foundation, 2004 cf 8 innehålls compstat-och Organisations-förändring-lowell-police-avdelningen 7 8 Stora data bästa praxis över industrier Detta förutseende perspektiv gör det möjligt för NYPD att effektivt rikta utplaceringen av arbetskraft och resurser I kombination med andra åtgärder har den systematiska analysen av befintlig information bidragit Till en kontinuerligt minskande grad av våldsbrott se Figur 5 Tekniken att använda historiska data för att uppnå mönsterigenkänning och därmed förutsäga brottsplatserna har över tiden antagits av ett antal kommuner i USA Eftersom allt fler polisavdelningar erbjuder brottsregister Information till allmänheten har tredje parter också börjat tillhandahålla förbud mot brottsplatsprotokoll att de samlar data i nationella synpunkter a Nd ger också anonyma tippningsfunktioner se Figur 6 9 26 000 1 000 24 000 -3 900 22 000 800 20 000 700 18 000 -4 600 Rån 16 000 500 14 000 400 12 000 300 10 000 2002 Mord 2004 2006 2008 2010 2012 Figur 5 Utveckling av våldsbrott i New York City-uppgifter som tagits från indexbrott Rapporterade till polis efter region New York City, 2003 2012, Källa New York State Division of Criminal Justice Services, cf Figur 6 En offentlig skärmdump, cf Cf exemplifierande 9 Big Data Bästa praxis inom branschen 2 1 2 Optimal växlingsplanering i butiker För detaljhandelschefer är planeringsskift för att möta kundernas efterfrågan en känslig uppgift. Överlagring av butiken skapar onödiga kostnader och sänker lönsamheten på webbplatsen. Att driva butiken med en låg personalnivå påverkar negativt kund - och Medarbetarnas tillfredsställelse Båda är dåliga för företag På DM drugstores, var planeringsuppgiften historiskt utförd av butikschefen baserad på enkla extrapoleringar och personlig erfarenhet. För reg Ular arbetsdagar var processen tillräckligt bra Men med ett ökande antal undantag blev det otillfredsställande. Överhuvudtaget eller brist på personalbegränsad affärsutveckling Så DM bestämde sig för att effektivt hjälpa butikscheferna i sin personalplanering genom att hitta sätt att på ett tillförlitligt sätt förutse efterfrågan vid varje Särskild försäljningsplats 10 Tillvägagångssättet var att genomföra en långsiktig förutsägelse för dagligaffärsintäkter med beaktande av ett brett spektrum av individuella och lokala parametrar. Inputdata till en ny algoritm inkluderade historiska intäktsdata, öppettider och ankomsttider för Nya varor från distributionscentralerna Förutom detta togs andra data in för att uppnå högsta precisionsnivå. Dessa uppgifter omfattade lokala förhållanden som marknadsdagar, helgdagar i närliggande platser, vägdirigeringar och framtida väderprognosdata som väderförhållanden betydligt Påverkar konsumentbeteendet DM utvärderade olika prediktiva algoritmer och den valda lösningen På nu ger sådana korrekta prognoser att det har visat sig vara ett kraftfullt stöd för skiftplanering Baserat på högupplösningsprognosen för den dagliga försäljningen för varje enskild butik, kan anställda nu skriva in sina personliga preferenser i skiftscheman fyra till åtta veckor i förväg När de väl godkänts är deras skift osannolikt att de kan förlita sig på den långsiktiga planen, och en förändring i sista minuten är en exceptionell händelse. Detta visar hur man tillämpar predictive analytics hos DM ökar operativ effektivitet i butik och samtidigt , Bidrar till en bättre balans mellan arbetsliv och livslängd för affärspersonal Business Intelligence Guide 2012 2013, isreport, isi Medien Mnchen eller cf 10 9 2 2006 Q4 2007 10 Stora data bästa praxis inom branschen 2 2 Kundupplevelse 2 2 1 Social influensanalys För kundretention För att få insikt i kundnöjdhet och framtida efterfrågan använder företagen ett antal olika affärsmodeller. Det konventionella tillvägagångssättet är att genomföra marknadsresurser Earch på kundbasen men detta skapar en generaliserad vy utan inriktning på enskilda konsumentbehov och beteende Ett problem som utmanar teleleverantörer är att kunderna klarar av förlust av kunder över en tidsperiod För att hjälpa till att minska klyftan analyserar organisationer vanligtvis användningsmönster Av enskilda abonnenter och egen servicekvalitet De erbjuder även specifika fördelar11 för att hålla vissa kunder lojala baserat på parametrar som kundutgifter, användnings och abonnementslängd. Tidigare har dessa behållningsinsatser baserat på individuella kundvärden uppnått viss förbättring i lojalitet12, Men kundkörningen är fortfarande ett problem för leverantörer, se Figur 7 För att bättre kunna förutsäga kundbeteendet har T-Mobile USA börjat inkludera sociala relationer mellan abonnenter i sin hanteringsmodell 13. Organisationen använder en multi-grafteknik som liknar de metoder som användes Skapa Detta helt nya perspektiv av sina kunder krävde att T-Mobile skulle berika sin Äldre analys av data som historiskt tagits från faktureringssystem och kommunikationsnätverk. Dessutom inkräktas ungefär en petabyte av rådata, inklusive information från webklikkströmmar och sociala nätverk, för att hjälpa till att spåra de sofistikerade mekanismerna bakom kundkörningen. Detta mycket innovativa tillvägagångssätt har redan betalat Off för T-Mobile Efter bara det första kvartalet med att använda sin nya hanteringsmodell, minskade organisationens satser med 50 jämfört med samma kvartal föregående år. Efterbetald Prepaid Blended Postpaid Trend Prepaid Trend Blended Trend 6 5 Churn Rate In Social Nätverksanalys för att identifiera så kallade stamledare Dessa är människor som har ett starkt inflytande i större sammanhängande grupper Om en stamledare byter till en konkurrent s service är det troligt att ett antal av deras vänner och familjemedlemmar också kommer att byta det Är som en dominoeffekt Med denna förändring av hur det beräknar kundvärdet har T-Mobile förbättrat sin mätning Rement att inkludera inte bara kundens livstidsabonnemangsutgifter på mobila tjänster men också storleken på hans eller hennes sociala nätverk eller stammen se Figur 8 4 3 2 1 0 Kv2 2005 Kv4 2005 Kv2 2006 Efterbetalt Förbetalt Kv 4 2006 Kv2 2007 Blended Postpaid Trend Prepaid Trend Blended trend Q4 2007 Q2 2008 Figur 8 Identifiering av influencers inom en mobil abonnentbas Postpaid Prepaid Blended Efterbetald trend Förutbetalt trend Figur 7 Utveckling Blandad trend för abonnentförhållanden, från Mobile Churn och Loyalty Strategies, Informa, s 24 Kund Lojalitetsspårning, Informa , 2012 11 Q4 2006 12 2007 Q2 2007 MobileQ4Churn Q2 Loyalty 2008 och Strategies, 2nd Edition, Informa, 2009 T-Mobile utmaningar churn med data, Brett Sheppard, O Reilly Strata, 2011 cf 13 Q2 2008 Stor data bästa praxis inom industrin 2 2 2 Undvik lagerförhållanden för kundnöjdhet Detta är en frekvent och besviken upplevelse för shoppare när de hittar det perfekta klädesplagget, de upptäcker att Den storlek de behöver är slutsålda Med ökad konkurrens inom textil - och klädsegmentet är tillgängligheten av populära kläder nu vanligtvis begränsad. Detta beror på konsolidering av märken och accelererade produktcykler. I vissa fall finns det bara tre veckor mellan den första Design av ett plagg och dess ankomst 14 Den frekventa lanseringen av nya samlingar, som drivs av vertikalt organiserade kedjor, begränsar upphandling av artiklar till en enda sats. Detta medför risk för klädkedjor, vilket gör det viktigare än någonsin att exakt Förutse konsumenternas efterfrågan på ett visst ämne Möjligheten att korrekt förutsäga efterfrågan har blivit en nyckelfaktor för lönsam verksamhet. Multikannelhandlaren Otto Group insåg att konventionella metoder för prognostisering av efterfrågan på online - och postorderkatalogprodukter visade sig otillräckliga i en alltmer konkurrensutsatt miljö. 63 av poster översteg avvikelsen jämfört med faktiska försäljningsvolymer cirka 20 15 T Hans grupp uppskattade affärsrisken för både överproduktion och brist Overproduktion skulle påverka lönsamheten och låsa upp för mycket kapital Brist skulle irritera kunder För att möta kundernas efterfrågan, särskilt de höga förväntningarna hos digitala infödingar när man köpte ett online-inköp, tog Otto-gruppen ett innovativt och störande tillvägagångssätt För att förbättra förmågan att leverera se Figur 9 Prediktionsskillnad 63 prognosavvikelse 20 1000 500 Absolute frekvens Klassisk förutsägelse utveckla merchandiseringsrisk 100 20 0 20 Klassisk förutsägelse Neuro Bayes utveckla backlogrisk 11 prognosavvikelse 20 100 200 Prediction with Neuro Bayes Figur 9 Relativ avvikelse av Prognosen från den faktiska försäljningsvolymen, från Big Data Predictive Analytics Det finns inga nyheter om fördjupning och fördjupning, Otto Group, Michael Sinn Conference Talk, Big Data Europe, Zürich, 28 augusti 2012 Modeindustrie, Patrik Aspers, Årsbok 2007 2008, Max Planc K Institut för studien av samhällen 14 Otto rechnet mit knstlicher Intelligenz, Lebensmittel Zeitung, 21 augusti 2009 15 11 12 Stora data bästa praxis över branscher 70 63 60 50 40 30 20 11 10 0 Konventionell efterfrågespecifikation Efterfrågesprognos med prediktiv analys Figur 10 Procentandel katalogartiklar med faktiska försäljningsgrader som avviker mer än 20 från efterfrågan prognos Källa Perfektes Bestandsmanagement durch Prediktiv Analytics, Mathias Stben, Otto Group, 29: e tyska logistikkongressen, okt 2012 Efter att ha utvärderat en rad lösningar för att skapa stabil förutsägelse av försäljningsvolymer, Otto-gruppen lyckades slutligen genom att tillämpa en metod som härstammar inom högenergifysiken. Det använde ett multivariat analysverktyg som använder sig av självlärande förmåga från neurala nätverkstekniker och kombinerar dem med bayesisk statistik 16 Med detta analysverktyg etablerade gruppen En helt ny prognosmotor som utbildade verktyget med historiska data från 1 6 tidigare årstider och kontinuerligt inmatningar i verktyget med 300 miljoner transaktionsposter per vecka från den aktuella säsongen Detta nya system genererar mer än en miljard enskilda prognoser per år och har redan levererat övertygande resultat. Med endast 11 katalogprodukter saknas försäljningsprediktionen Med mer än 20 se figur 10, är ​​Otto-koncernen nu bättre i stånd att tillgodose efterfrågan från kunderna 17 Samtidigt sänker denna nya förutsägbara strategi aktieinnehavet, vilket resulterar i förbättrad lönsamhet och tillgång till medel Cf 16 Treffsichere Absatzprognose mit Predictive Analytics, Michael Sinn, konferenssamtal om Big Data Analytics Kongress, Köln, 19 juni 2012 17 cf Stora data bästa praxis över branscher 2 3 Nya affärsmodeller 2 3 1 Crowdsanalys levererar detaljhandel och reklaminsikt För att ge effektiva mobila röst - och datatjänster, Måste kontinuerligt fånga en uppsättning data på varje abonnent förutom att registrera användningen av mobila tjänster för 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.