Исследуйте, где вы можете построить склады, чтобы сократить расходы на логистические маршруты и улучшить обслуживание клиентов. Используйте бизнес-аналитику для сегмента маршрута, чтобы узнать время и объем доставки, чтобы оптимизировать управление автопарком. Вы можете найти эту тему и научиться выполнять расчеты в книге Прогнозирование и сегментация данных с помощью Microsoft Excel, ссылка на Amazon для покупки книги здесь: https://www.amazon.com/Forecasting- Сегментация-использование-Microsoft-Excel-ebook/dp/B09TPKK7D9/ref=sr_1_1?crid=6EL781H6X6NR&keywords=данные+прогнозирование+и+сегментация+использование+Microsoft+Excel&qid=1653654787&sprefix=данные+прогнозирование+и+сегментация+использование+microsoft+ excel%2Caps%2C416&sr=8-1

Используйте данные GPS вашего поставщика услуг локализации грузовиков, чтобы узнать, как сгруппировать точки доставки и улучшить планирование маршрута. Выполнение этой классификации простым зрением и вручную может быть сложной задачей. Вам необходимо обработать эти точки с помощью алгоритма машинного обучения классификации, такого как K-Means. В этой статье мы представим проблемы и подход к решению для оптимизации вашей логистической операции. Факты входных данных:
1) GPS-файл с геопозицией точек доставки.
2) Время в пути для каждого пункта отправления и пункта назначения.
3) Кубические размеры каждой упаковки в сантиметрах для исследования оптимизации пространства в грузовике.
В решении используется алгоритм K-средних и Business Intelligence возвращает следующие результаты:
1) Оптимальное количество сегментов или групп точек доставки. Эти сегменты могут быть кандидатами для логистических центров, чтобы оптимизировать время и расстояние движения грузовиков.
2) Гео-положение точек доставки каждого сегмента или группы. Отобразите каждую группу на карте, чтобы лучше понять потребность в логистике.
3) Исследуйте время и потребность в кубическом пространстве для каждой группы с помощью бизнес-аналитики со сводными таблицами.
На рис. 1 показаны необработанные данные из GPS-файл в Excel и в формате CSV/GPX. Данные из CSV/GPX отображаются в средстве просмотра GPS, чтобы увидеть все точки доставки грузовика. Пример данных карты Хьюстона, штат Техас, показан на рисунке 2.

Рисунок 1 представлен в формате широты и долготы в Excel и CSV/GPX. В Excel мы запустим алгоритм K-Means для классификации групп точек доставки. Используйте этот GPS-просмотрщик (https://www.gpsvisualizer.com/) для отображения точек логистических маршрутов. Эти точки указаны на рисунке 2.

Как видно из рисунков 1 и 2, очень сложно классифицировать группы доставки простым взглядом или ручными расчетами. Необходимо использовать алгоритм сегментации машинного обучения, такой как K-Means, чтобы:
1) рассчитать оптимальное количество групп доставок.
2) классифицировать доставки в групповой сегментации и использовать их в качестве кандидатов для логистические центры и склады.

Алгоритм K-средних вычисляет, что оптимальное количество групп для точек доставки равно трем. Классифицируем эти группы в дисперсионной диаграмме точек доставки на рисунке 3. Затем сопоставляем точки, находящиеся на рисунке 3.

Из результатов на рисунке 3 мы получаем следующие факты:
1) Группа 1 находится в северо-западной и юго-восточной частях района Хьюстон.
2) Группа 2 находится в центрально-восточном районе Хьюстона.
3) Группа 3 находится далеко у границы штата Луизиана на северо-востоке.

Исходя из этих результатов, мы могли бы выяснить, возможно ли построить склады продукции для удовлетворения спроса в этих регионах вместо того, чтобы перемещать грузовики из центральной части Хьюстона.

Используя информацию о группах точек доставки, мы изучаем, какая группа требует большего объема грузовика и вместимости. Эта информация поступает из анализа бизнес-аналитики путем пересечения групп с кубическими сантиметрами каждой доставки. Информация на рисунке 4.

Группа с большей потребностью в пространстве - две. Мы доставляем больше продуктов в центрально-восточную часть Хьюстона. Это лучший кандидат для строительства склада продукции, потому что нам нужны грузовики с большей производительностью и более высокими затратами, чтобы доставить логистику в этот район.
Время в пути — это еще одна информация из файла GPS от компании, занимающейся локализацией. Используя бизнес-аналитику, мы можем узнать, какая группа имеет большее время в пути. Этот результат представлен на рисунке 5.

Рисунок 5 показывает, что мы также тратим больше времени на дорогу до пунктов доставки группы 2. Это означает, что это группа с самыми большими грузовиками (требует больше места) и самым большим временем в пути. Определенно, группа 2 в центрально-восточном районе Хьюстона является отличным кандидатом для строительства вторичного склада и осуществления поставок оттуда вместо штаб-квартиры в центральном районе Хьюстона.

Вывод.
Объединив алгоритм классификации K-средних (машинное обучение) для координат местоположения GPS с данными о времени и объемно-пространственном спросе, мы можем получить более четкое представление о том, где лучше всего площадь для строительства склада и доставки продукции оттуда. Потому что неэффективно пересекать весь путь от штаб-квартиры в центре Хьюстона до группового района, где спрос высок, а также самое большое время в пути.