Data-Driven Decision Making: ใช้ข้อมูลเพื่อบริหารงานขนส่งอย่างชาญฉลาด

Data-Driven Decision Making : ใช้ข้อมูลเพื่อบริหารงานขนส่งอย่างชาญฉลาด

รู้จัก Data Insight เพื่อสร้างกลยุทธ์บริหารงานขนส่ง

องค์กรสมัยใหม่ต่างรู้ดีว่าควรใช้ประโยชน์จากข้อมูล Big Data ที่จัดเก็บได้ให้มากที่สุด เพราะข้อมูลเป็นสิ่งสำคัญที่สามารถขับเคลื่อนธุรกิจไปข้างหน้า เช่น การวางกลยุทธ์ให้สอดคล้องกับเป้าหมายและใช้ข้อมูลซึ่งเป็นข้อเท็จจริง (Facts) ที่สั่งสมมาเพื่อช่วยสนับสนุนการตัดสินใจเลือกทางที่มีผลลัพธ์ดีที่สุด หรือ ใช้เงินลงทุนหรือใช้ทรัพยากรที่มีอยู่อย่างคุ้มค่ามากที่สุด ดังนั้น สิ่งที่สำคัญกว่าการมีข้อมูล คือ การตระหนักถึงคุณค่าของข้อมูล โดยรู้จักใช้ข้อมูลให้เกิดประโยชน์ด้วยการหาความหมายสำคัญที่ซ่อนอยู่ (Insight) ใช้การวิเคราะห์ ประเมินและตีความหมาย และหาผลลัพธ์ เพื่อสร้างมูลค่าจากข้อมูลนี้ ทำให้องค์กรสามารถใช้ข้อมูลในการตัดสินใจได้

การใช้เทคโนโลยีและอินเทอร์เน็ตในปัจจุบันทำให้ได้รับข้อมูล Big data จำนวนมหาศาล เทคโนโลยีระบบบริหารจัดการงานขนส่ง หรือ Transportation Management System (TMS) ก็เช่นกัน จากการทำงานในแต่ละวันที่มีออเดอร์สินค้าและใบงานขนส่ง รวมถึงมีรถขนส่งวิ่งงานหลายสิบหลายร้อยคันเป็นเวลาหลายชั่วโมง เกิดเป็นข้อมูลสินค้าที่จัดส่ง ข้อมูลการวิ่งรถ ข้อมูลการใช้งานรถ ข้อมูลพฤติกรรมการขับรถ และอื่นๆ อีกมากมาย ซึ่งเราสามารถใช้ข้อมูลเหล่านี้มาวิเคราะห์เพื่อบริหาร วางแผน หรือปรับปรุงการทำงานด้านการขนส่งและโลจิสติกส์ในอนาคตแก่ธุรกิจได้

ตัวอย่างการใช้ประโยชน์จาก Data ในระบบ NOSTRA LOGISTICS TMS

Data ในระบบ NOSTRA LOGISTICS TMS เป็นข้อมูลมหาศาล (Big Data) ที่ได้มาจากหลายแหล่งข้อมูล เช่น ระบบ WMS ส่งข้อมูลออเดอร์สินค้าที่ต้องจัดส่งมายังระบบ TMS นอกจากนี้ยังมีข้อมูลเกี่ยวกับรถ คนขับรถ และข้อมูลอื่นๆ ที่นำเข้าเองโดยผู้ดูแลงานขนส่ง รวมถึงข้อมูลจากอุปกรณ์ GPS และอื่นๆ ที่ติดตั้งภายในรถขนส่งซึ่งทำหน้าที่ติดตามรถและส่งข้อมูลมาที่ระบบ TMS เพื่อใช้บริหารจัดการงานขนส่ง ตัวอย่างการใช้ประโยชน์จากข้อมูลผ่านการทำ Data Analytics เช่น

1. การเลือกใช้รถขนส่ง

ข้อมูลออเดอร์สินค้าและใบงานขนส่งในแต่ละช่วงเวลาจะทำให้ประเมินได้ว่า ในช่วงเวลานั้นส่วนใหญ่แล้วมีงานขนส่งสินค้าประเภทใดมาก-น้อย ปลายทางการจัดส่งส่วนใหญ่เป็นพื้นที่ไหน มีจำนวนหรือปริมาณเฉลี่ยแล้วเท่าไร เมื่อใช้ข้อมูลเหล่านี้มาวิเคราะห์ ผู้ดูแลงานขนส่งจะสามารถตัดสินใจบริหารการใช้รถขนส่งในแต่ละช่วงเวลาได้ว่า ควรเพิ่มหรือลดการใช้รถประเภทไหน มากน้อยเท่าไร รวมถึงตัดสินใจได้ว่า ควรวิ่งงานขนส่งเองทั้งหมด หรือจ้างเอาท์ซอร์ส หรือสร้างพันธมิตรกับบริษัทคู่ค้า เพื่อให้สอดคล้องกับลักษณะและปริมาณงานที่มีในแต่ละช่วงเวลา

2. การเลือกคนขับรถ หรือ รถของเอาท์ซอร์ส

ข้อมูลประวัติการวิ่งรถ จะทำให้เห็นว่า รถคันไหนทำงานจัดส่งได้ตรงเวลา หรือมีพฤติกรรมการขับรถที่ดี หรือแม้แต่ชั่วโมงการทำงานในแต่ละวันของคนขับ ก็เป็นข้อมูลเพื่อให้ผู้ดูแลงานขนส่งตัดสินใจเลือกใช้รถและคนขับรถที่เหมาะสม รวมถึงการเลือกบริการจากเอาท์ซอร์สที่ทำงานได้ดีที่สุด

3. การกำหนด KPI จากพฤติกรรมการขับรถ

ข้อมูลพฤติกรรมการขับรถที่เก็บได้จากอุปกรณ์ติดตาม ทำให้เห็นข้อมูลชัดเจนระบุได้ว่า พนักงานขับรถคนไหนมีพฤติกรรมขับขี่ที่เสี่ยงอันตราย ผู้ดูแลงานขนส่งสามารถใช้ข้อมูลนี้ในการพูดคุยกับคนขับรถ และกำหนด KPI หรือบทลงโทษที่เหมาะสม เพื่อปรับปรุงการทำงานและลดความเสี่ยงอันตราย

4. การกำหนดเวลาบำรุงรักษารถ

ข้อมูลประวัติการใช้งานรถจากการวิ่งงานในแต่ละวัน จะช่วยให้ผู้ดูแลงานซ่อมบำรุงรถสามารถประเมินเวลาที่เหมาะสมในการซ่อมบำรุงรถ เช่น ตามระยะทาง ระยะเวลา จากการใช้งานรถจริง

5. การคาดการณ์ปัญหาก่อนรถเสียหาย

ข้อมูลประวัติงานซ่อมบำรุงรถ จะทำให้วิเคราะห์และประเมินล่วงหน้าได้ว่า อุปกรณ์หรือรถคันไหนที่เสียบ่อยและอาจพบปัญหาได้อีกถ้าไม่มีการแก้ไข ดังนั้น ผู้ดูแลงานซ่อมบำรุงสามารถพิจารณาเปลี่ยนอุปกรณ์หรือซ่อมแซมก่อนที่จะเสียหายมากขึ้นและทำให้เสียโอกาสในการใช้รถวิ่งงาน

เห็นได้ว่าเมื่อมีข้อมูลจำนวนมากและหา Insight ของข้อมูลเหล่านี้ได้ องค์กรจะสามารถใช้ข้อมูลเพื่อการตัดสินใจได้อย่างถูกต้องแม่นยำมากกว่า การพิจารณาด้วยวิจารณญาณหรือสัญชาตญาตที่ไม่ใช้ข้อมูลประกอบการตัดสินใจ ทำให้ธุรกิจทำงานได้ประสิทธิภาพและประสบผลสำเร็จในที่สุด

สามารถอ่านข้อมูลเกี่ยวกับผลิตภัณฑ์ได้ที่ www.nostralogistics.com/tms