ИСПОЛЬЗОВАНИЕ АНАЛИТИКИ БОЛЬШИХ ДАННЫХ В УПРАВЛЕНИИ МАЛЫМИ И СРЕДНИМИ ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМИ КОМПАНИЯМИ
|
Введение 4
Глава 1. Характеристика рынка и методов аналитики больших данных 6
1.1 Большие данные: предпосылки возникновения и определения 6
1.2 Глобальный рынок аналитики больших данных 10
1.3 Анализ публикационной активности по теме больших данных 11
1.4 Применение аналитики больших данных в логистике 14
Вывод по главе 1 23
Глава 2. Кейсы применения аналитики больших данных в логистике 25
2.1 Методология анализа лучших практик 25
2.2 Примеры внедрения аналитики больших данных в логистике 28
2.3 Перекрестный анализ примеров применения аналитики больших данных 43
2.4 Итоговые выводы анализа примеров применения аналитики больших данных в логистике 46
Вывод по главе 2 50
Глава 3. Возможности и барьеры использования аналитики больших данных малыми и средними логистическими компаниями в России 51
3.1 Определение малого и среднего бизнеса 51
3.2 Актуальное состояние малого и среднего бизнеса в России 52
3.3 Виды малых и средних логистических компаний в России 56
3.4 Результаты экспертных интервью 58
3.5 Возможности и барьеры для внедрения аналитики больших данных в малых и средних логистических компаниях 66
Вывод по главе 3 68
Глава 4. Оценка степени влияния выявленных барьеров на внедрение аналитики больших данных логистическими компаниями 70
4.1 Оценка степени влияния выявленных барьеров на внедрение аналитики больших данных на примере компании «Логистика Авто» 70
4.2 Оценка степени влияния выявленных барьеров на внедрение аналитики больших данных на примере компании «Gruzer» 73
Вывод по главе 4 76
Заключение 77
Список использованной литературы 80
Глава 1. Характеристика рынка и методов аналитики больших данных 6
1.1 Большие данные: предпосылки возникновения и определения 6
1.2 Глобальный рынок аналитики больших данных 10
1.3 Анализ публикационной активности по теме больших данных 11
1.4 Применение аналитики больших данных в логистике 14
Вывод по главе 1 23
Глава 2. Кейсы применения аналитики больших данных в логистике 25
2.1 Методология анализа лучших практик 25
2.2 Примеры внедрения аналитики больших данных в логистике 28
2.3 Перекрестный анализ примеров применения аналитики больших данных 43
2.4 Итоговые выводы анализа примеров применения аналитики больших данных в логистике 46
Вывод по главе 2 50
Глава 3. Возможности и барьеры использования аналитики больших данных малыми и средними логистическими компаниями в России 51
3.1 Определение малого и среднего бизнеса 51
3.2 Актуальное состояние малого и среднего бизнеса в России 52
3.3 Виды малых и средних логистических компаний в России 56
3.4 Результаты экспертных интервью 58
3.5 Возможности и барьеры для внедрения аналитики больших данных в малых и средних логистических компаниях 66
Вывод по главе 3 68
Глава 4. Оценка степени влияния выявленных барьеров на внедрение аналитики больших данных логистическими компаниями 70
4.1 Оценка степени влияния выявленных барьеров на внедрение аналитики больших данных на примере компании «Логистика Авто» 70
4.2 Оценка степени влияния выявленных барьеров на внедрение аналитики больших данных на примере компании «Gruzer» 73
Вывод по главе 4 76
Заключение 77
Список использованной литературы 80
Большие данные, появившиеся в результате изменения структуры генерируемых данных и развития новых технологий, привлекают к себе все больше внимания, как со стороны учёных, так и со стороны практиков бизнеса. Логистические провайдеры в данном случае не исключение. Все больше компаний внедряют у себя аналитику больших данных для всестороннего развития бизнеса и получения дополнительных конкурентных преимуществ. При этом можно говорить об аналитике больших данных, как о глобальном тренде, меняющем сам подход к управлению организациями.
Однако вопреки всей важности данной технологии для конкуренции, компании малого и среднего бизнеса не проявили большого интереса к таким технологиям. Цель настоящей работы – определить перспективы и барьеры применения аналитики больших данных в малых и средних транспортно-логистических компаниях.
Предметом исследования являются технологии аналитики больших данных в сфере логистики.
Объектом исследования являются малые и средние транспортно-логистические компании, оперирующие на рынке России.
Актуальность данной работы обусловлена глобальным ростом объёма данных в мире, развитием новых технологий и растущим интересом к данной проблематике со стороны научного сообщества. Принимая во внимание тот факт, что развитие аналитики больших данных рассматривается как основа конкурентных преимуществ компании, игнорирование малыми и средними логистическими компаниями данных технологий может, в теории, привести к их полному уходу с рынка.
Для реализации поставленной цели необходимо было решить ряд задач:
Определить способы применения аналитики больших данных в логистике на основе изучения научных публикаций по теме;
Выявить наиболее распространённые технологии аналитики больших данных в логистических компания на основе кейс-метода, как метода анализа;
Сформулировать на основе экспертных интервью и анализа актуального состояния малого и среднего бизнеса в России ключевые перспективы и барьеры применения аналитики больших данных в малых и средних логистических компаниях России;
Определить степень влияния сформулированных барьеров на примере реальных малых и средних логистических компаний.
Предполагается, что реализация всех поставленных задач позволит сформировать комплексное представление о проблеме.
Данная работа состоит из трёх частей: Введения, Основной части и Заключения. Основная часть содержит четыре главы, в которых отражены характеристики рынка и методов аналитики больших данных, анализа реальных примеров применения больших данных в логистике, анализа малого и среднего бизнеса в России и примеров использования аналитики больших данных в малых и средних логистических компаниях.
Первая глава включает в себя анализ характеристик больших данных, технологий их обработки, а также направлений применения аналитики больших данных в логистике. Помимо этого, в данную главу планируется добавить анализ существующей литературы по выбранной проблематике.
Вторая глава содержит анализ двадцати лучших практик применения аналитики больших данных в логистике, а также выводы, сформулированные на основе этого анализа.
В третьей главе проводится анализ актуального состояния малого и среднего бизнеса, интервью экспертов, а также приводятся основные возможности и барьеры применения аналитики больших данных в малых и средних логистических компаниях.
В заключительной главе настоящего исследования проводиться анализ степени влияния выявленных барьеров на примере реальных малых и средних логистических компании России.
Для подготовки настоящей работы использовались научные и другие профильные публикации, аналитические отчета, публикации в СМИ и других открытых источников сети Интернет. Все данные, кроме проведённых интервью, собранные для исследования, являются вторичными.
Однако вопреки всей важности данной технологии для конкуренции, компании малого и среднего бизнеса не проявили большого интереса к таким технологиям. Цель настоящей работы – определить перспективы и барьеры применения аналитики больших данных в малых и средних транспортно-логистических компаниях.
Предметом исследования являются технологии аналитики больших данных в сфере логистики.
Объектом исследования являются малые и средние транспортно-логистические компании, оперирующие на рынке России.
Актуальность данной работы обусловлена глобальным ростом объёма данных в мире, развитием новых технологий и растущим интересом к данной проблематике со стороны научного сообщества. Принимая во внимание тот факт, что развитие аналитики больших данных рассматривается как основа конкурентных преимуществ компании, игнорирование малыми и средними логистическими компаниями данных технологий может, в теории, привести к их полному уходу с рынка.
Для реализации поставленной цели необходимо было решить ряд задач:
Определить способы применения аналитики больших данных в логистике на основе изучения научных публикаций по теме;
Выявить наиболее распространённые технологии аналитики больших данных в логистических компания на основе кейс-метода, как метода анализа;
Сформулировать на основе экспертных интервью и анализа актуального состояния малого и среднего бизнеса в России ключевые перспективы и барьеры применения аналитики больших данных в малых и средних логистических компаниях России;
Определить степень влияния сформулированных барьеров на примере реальных малых и средних логистических компаний.
Предполагается, что реализация всех поставленных задач позволит сформировать комплексное представление о проблеме.
Данная работа состоит из трёх частей: Введения, Основной части и Заключения. Основная часть содержит четыре главы, в которых отражены характеристики рынка и методов аналитики больших данных, анализа реальных примеров применения больших данных в логистике, анализа малого и среднего бизнеса в России и примеров использования аналитики больших данных в малых и средних логистических компаниях.
Первая глава включает в себя анализ характеристик больших данных, технологий их обработки, а также направлений применения аналитики больших данных в логистике. Помимо этого, в данную главу планируется добавить анализ существующей литературы по выбранной проблематике.
Вторая глава содержит анализ двадцати лучших практик применения аналитики больших данных в логистике, а также выводы, сформулированные на основе этого анализа.
В третьей главе проводится анализ актуального состояния малого и среднего бизнеса, интервью экспертов, а также приводятся основные возможности и барьеры применения аналитики больших данных в малых и средних логистических компаниях.
В заключительной главе настоящего исследования проводиться анализ степени влияния выявленных барьеров на примере реальных малых и средних логистических компании России.
Для подготовки настоящей работы использовались научные и другие профильные публикации, аналитические отчета, публикации в СМИ и других открытых источников сети Интернет. Все данные, кроме проведённых интервью, собранные для исследования, являются вторичными.
Аналитика больших данных является одним из ключевых трендов в управлении компаниями во всём мире. Многие компания начинают внедрять такие технологии для улучшения качества принимаемых решений. Различные консалтинговые и исследовательские агентства называют аналитику больших данных одним из трендов, которые полностью меняют подход к управлению компаний. Помимо этого, растёт интерес научного сообщества к данной теме. Однако аналитика больших данных остаётся в представлении большинства прерогативой крупных компаний. Проблема аналитики больших данных в малом и среднем бизнесе практически не освещена. То же характерно и для сферы логистике.
В рамках настоящей исследовательской работы был проведён анализ возможностей и ограничений применения аналитики больших данных в малых и средних логистических компаниях в России в частности.
Для того, чтобы определить, как на мировой практике такие технологии применяются в логистике был проведён анализ 20 различных кейсов, отобранных для исследования. На основе анализа были выделены три группы кейсов: 1) кейсы крупных логистических компаний, 2)кейсы компаний-платформ с инновационной бизнес моделью и 3)кейсы компаний, разрабатывающих решения для аналитики больших данных в логистике. По мимо этого, анализ кейсов показал, что наиболее популярным являются технологии трекинга транспортных средств, анализа данных с сенсоров и датчиков, установленных в транспортном средстве, совмещение этих технологий, а также технологии предиктивной аналитики спроса.
Далее было выделено два типа малых и средних логистических компаний. Первый тип – это компании с традиционной бизнес-моделью, чьим основным активом являются транспортные средства. Второй тип – компании-платформы, на которых объединяются грузовладельцы и перевозчики. Основным активом таких компаний являются её участники и их ресурсы. Впоследствии компании двух типов изучались отдельно.
После был проведён анализ возможностей и барьеров применения аналитики больших данных в малых и средних логистических компаниях. Для его был проведён анализ актуального состояния малого и среднего бизнеса в России, а также проведены интервью с экспертами. В итоге было выявлено, что барьером, влияющим на компании обоих типов, являются сложность финансирования подобных проектов, вызванная рядом экономических факторов. Кроме этого, компаниям традиционного типа мешают дополнительные расходы, связанные с системой Платон, а также отсутствие информационных систем. Для компаний инновационного типа, как было выявлено, специфическими барьерами являются высокая доля «серых» перевозчиков, сложность привлечения на платформу клиентов из сектора В2В, и ограниченный доступ в сегмент В2С, угроза конкуренции со стороны крупных компаний, а также вынужденная гонка за право первым представить свой продукт на рынок.
После, на примере двух компаний, относящихся к двум выделенным типам малых и средних логистических компаний, была проведена оценка значимости выявленных барьеров. Было продемонстрированно, что по настоящему значимыми являются лишь барьеры, связанные со спадом в экономике. Потому основным ограничением для применения таких технологий на сегодняшний день является лишь экономическая ситуация в стране. При этом других серьёзных ограничений, не позволяющих малому и среднему бизнесу внедрять такие технологии, на самом деле не существует.
В настоящее время сама концепция ведения логистического бизнеса находится на этапе переосмысления. В данной работе были рассмотрены способы применения аналитики больших данных для достижения компаниями конкурентного преимущества. Однако в сочетании с технологиями машинного обучениями и прорывами в инженерии большие данные потенциально могут изменить сам подход к ведению логистического бизнеса. Уже сейчас такие крупные компании как Uber и Google разрабатывают технологии беспилотного управления автомобилей. Успех же интернет-платформ в гражданской логистике доказал их превосходство над традиционными способами ведения бизнеса. Если объединить эти два тренда и применить их к логистическому бизнесу, то можно представить себе возможное направление его будущего развития. Если сейчас логистический бизнес в основном сфокусирован на оптимизации своей деятельности, а рынок представлен крупными игроками, владеющими крупными автопарками, которые имеют множество эксклюзивных контрактов с грузоотправителями, то в будущем ситуация может крайне измениться. Логистические услуги будут предоставлять на интернет-платформах, где будут представлены грузовладельцы и владельцы транспортных средств. Если представить, что все транспортные средства при этом будут снабжены автопилотами, то из этого следует, что сами цели бизнеса изменятся. Если сейчас компании фокусируются непосредственно на процессе доставки, то в будущем за счёт автоматизации перевозок такая потребность исчезнет, а компании сфокусируют свои усилию на ответах на вопросы о том, где им вести бизнес и какой груз перевозить, что является аспектами уже бизнес-стратегии. В таких условиях логистический рынок потенциально может стать более привлекательным для малых и средних логистических компаний. Компании смогут приобретать автомобили и регистрировать их на платформах, извлекая из них доход, без потребности конкурировать по ценам и уровню сервиса с другими логистическими провайдерами, так как эти параметры будут задаваться самой платформой.
В рамках настоящей исследовательской работы был проведён анализ возможностей и ограничений применения аналитики больших данных в малых и средних логистических компаниях в России в частности.
Для того, чтобы определить, как на мировой практике такие технологии применяются в логистике был проведён анализ 20 различных кейсов, отобранных для исследования. На основе анализа были выделены три группы кейсов: 1) кейсы крупных логистических компаний, 2)кейсы компаний-платформ с инновационной бизнес моделью и 3)кейсы компаний, разрабатывающих решения для аналитики больших данных в логистике. По мимо этого, анализ кейсов показал, что наиболее популярным являются технологии трекинга транспортных средств, анализа данных с сенсоров и датчиков, установленных в транспортном средстве, совмещение этих технологий, а также технологии предиктивной аналитики спроса.
Далее было выделено два типа малых и средних логистических компаний. Первый тип – это компании с традиционной бизнес-моделью, чьим основным активом являются транспортные средства. Второй тип – компании-платформы, на которых объединяются грузовладельцы и перевозчики. Основным активом таких компаний являются её участники и их ресурсы. Впоследствии компании двух типов изучались отдельно.
После был проведён анализ возможностей и барьеров применения аналитики больших данных в малых и средних логистических компаниях. Для его был проведён анализ актуального состояния малого и среднего бизнеса в России, а также проведены интервью с экспертами. В итоге было выявлено, что барьером, влияющим на компании обоих типов, являются сложность финансирования подобных проектов, вызванная рядом экономических факторов. Кроме этого, компаниям традиционного типа мешают дополнительные расходы, связанные с системой Платон, а также отсутствие информационных систем. Для компаний инновационного типа, как было выявлено, специфическими барьерами являются высокая доля «серых» перевозчиков, сложность привлечения на платформу клиентов из сектора В2В, и ограниченный доступ в сегмент В2С, угроза конкуренции со стороны крупных компаний, а также вынужденная гонка за право первым представить свой продукт на рынок.
После, на примере двух компаний, относящихся к двум выделенным типам малых и средних логистических компаний, была проведена оценка значимости выявленных барьеров. Было продемонстрированно, что по настоящему значимыми являются лишь барьеры, связанные со спадом в экономике. Потому основным ограничением для применения таких технологий на сегодняшний день является лишь экономическая ситуация в стране. При этом других серьёзных ограничений, не позволяющих малому и среднему бизнесу внедрять такие технологии, на самом деле не существует.
В настоящее время сама концепция ведения логистического бизнеса находится на этапе переосмысления. В данной работе были рассмотрены способы применения аналитики больших данных для достижения компаниями конкурентного преимущества. Однако в сочетании с технологиями машинного обучениями и прорывами в инженерии большие данные потенциально могут изменить сам подход к ведению логистического бизнеса. Уже сейчас такие крупные компании как Uber и Google разрабатывают технологии беспилотного управления автомобилей. Успех же интернет-платформ в гражданской логистике доказал их превосходство над традиционными способами ведения бизнеса. Если объединить эти два тренда и применить их к логистическому бизнесу, то можно представить себе возможное направление его будущего развития. Если сейчас логистический бизнес в основном сфокусирован на оптимизации своей деятельности, а рынок представлен крупными игроками, владеющими крупными автопарками, которые имеют множество эксклюзивных контрактов с грузоотправителями, то в будущем ситуация может крайне измениться. Логистические услуги будут предоставлять на интернет-платформах, где будут представлены грузовладельцы и владельцы транспортных средств. Если представить, что все транспортные средства при этом будут снабжены автопилотами, то из этого следует, что сами цели бизнеса изменятся. Если сейчас компании фокусируются непосредственно на процессе доставки, то в будущем за счёт автоматизации перевозок такая потребность исчезнет, а компании сфокусируют свои усилию на ответах на вопросы о том, где им вести бизнес и какой груз перевозить, что является аспектами уже бизнес-стратегии. В таких условиях логистический рынок потенциально может стать более привлекательным для малых и средних логистических компаний. Компании смогут приобретать автомобили и регистрировать их на платформах, извлекая из них доход, без потребности конкурировать по ценам и уровню сервиса с другими логистическими провайдерами, так как эти параметры будут задаваться самой платформой.
Подобные работы
- СОЗДАНИЕ ВЕБ-САЙТА «ЭМОЦИОНАЛЬНОЕ ВЫГОРАНИЕ И ПРОФЕССИОНАЛЬНАЯ МОТИВАЦИЯ»
Дипломные работы, ВКР, информатика. Язык работы: Русский. Цена: 5970 р. Год сдачи: 2016 - Совершенствование системы доставки грузов в компании "ООО "Снабстрой"
Бакалаврская работа, менеджмент. Язык работы: Русский. Цена: 4300 р. Год сдачи: 2020 - Развитие партнерских отношений логистической компании на рынке электронной коммерции в рамках китайско-российской торговли (Санкт-Петербургский Государственный Экономический Университет)
Дипломные работы, ВКР, логистика. Язык работы: Русский. Цена: 2200 р. Год сдачи: 2024 - ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ КОММЕРЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ИНТЕГРИРОВАННЫХ АГРОХОЛДИНГОВ РЕГИОНА В УСЛОВИЯХ ИМПОРТОЗАМЕЩЕНИЯ
Магистерская диссертация, экономика. Язык работы: Русский. Цена: 4900 р. Год сдачи: 2017 - Исследование механизмов управления процессами кооперации бизнеса предприятий в международных кластерах
Магистерская диссертация, менеджмент. Язык работы: Русский. Цена: 4900 р. Год сдачи: 2017 - ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ КОММЕРЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ИНТЕГРИРОВАННЫХ АГРОХОЛДИНГОВ РЕГИОНА В УСЛОВИЯХ ИМПОРТОЗАМЕЩЕНИЯ
Магистерская диссертация, экономика. Язык работы: Русский. Цена: 4960 р. Год сдачи: 2017 - Влияние транспортных потоков на российско-китайский товарооборот
Магистерская диссертация, экономика. Язык работы: Русский. Цена: 4860 р. Год сдачи: 2021 - УПРАВЛЕНИЕ ОБЕСПЕЧЕНИЕМ МЕТАЛЛУРГИЧЕСКОГО ПРЕДПРИЯТИЯ ЛОМОМ ЧЕРНЫХ МЕТАЛЛОВ
Диссертации (РГБ), экономика. Язык работы: Русский. Цена: 4250 р. Год сдачи: 2018 - Совершенствование информационно-аналитического обеспечения учета доходов и расходов на предприятии (на примере ОАО «РЖД «Иркутский региональный центр связи»)
Бакалаврская работа, информатика. Язык работы: Русский. Цена: 5900 р. Год сдачи: 2018