Компания Unilever сократила расходы на простои и демерраж на 20%, начав использовать транспортные данные как сигнал к действию, а не просто как панель мониторинга. Этот результат стал следствием конкретного операционного сдвига: перехода от простого отслеживания местоположения грузов к принятию решений на основе предоставляемых данными сведений.
Аналитика решений (Decision Intelligence) — это практика преобразования транспортных данных в реальном времени в конкретные, рекомендуемые или автоматизированные действия до того, как сбой затронет клиента. Она опирается на прозрачность. Однако эти понятия не тождественны, и большинство команд по управлению цепочками поставок по-прежнему полагаются исключительно на прозрачность.
Цена упора только на прозрачность видна невооруженным глазом. Когда создается оповещение, но никто не успевает вовремя на него отреагировать, задержка все равно бьет по рампе, складу и клиенту. Прозрачность без действий — это информация без результата.
At Reuters Events: Supply Chain Europe 2026, руководитель направления первичных и входящих операций по повышению операционной эффективности в Европе компании Unilever, встретился с Томом Линтсеном из project44, чтобы обсудить, как Unilever переходит от отслеживания отправлений к аналитике решений.
Вот пять уроков из их беседы.
1. Перестаньте гоняться за статусом отправлений
До появления прозрачности в режиме реального времени ответ на простой вопрос об отправлении требовал звонков, писем и сообщений между командами и перевозчиками. Для Unilever ситуация кардинально изменилась.
«Моя команда привыкла получать по 100 звонков, писем и сообщений в командных чатах ежедневно с вопросами: „Где мой грузовик? Где мой заказ?“ Сегодня у нас есть прозрачность в реальном времени, и все доступно в один клик», — Карло Андреа Карменати, руководитель направления первичных и входящих операций по повышению операционной эффективности, Unilever.
Когда команды перестают тратить время на поиск базовой информации о статусе, они могут переключить свое внимание на исключения, требующие вмешательства.
2. Превращайте меняющееся расчетное время прибытия (ETA) в решения
Представьте, что грузовик должен прибыть на склад в 10:00. Последнее расчетное время прибытия теперь показывает 11:30.
Прозрачность говорит вам, что он опоздает. Аналитика решений спрашивает: что должно измениться в связи с этим опозданием?
Для Unilever одним из ответов является динамическое планирование работы рампы. Существенное изменение ETA может инициировать предлагаемую корректировку тайм-слота для грузовика, помогая складу отреагировать до того, как запоздалое прибытие вызовет дальнейшие сбои на последующих этапах.
На практике это выглядит следующим образом: при изменении ETA предлагается новый слот для рампы, затем оператор склада подтверждает его, и в расписание вносятся соответствующие изменения.
«Идеальный сценарий — это динамическое бронирование и перебронирование рампы», — пояснил Карменати. «Если грузовик прибывает раньше или позже, идея состоит в том, чтобы перетасовать слоты».
В настоящее время Unilever тестирует этот подход, причем этап подтверждения человеком по-прежнему остается частью процесса. Эта комбинация имеет решающее значение. ИИ может выявлять изменения и рекомендовать действия, в то время как люди обеспечивают операционный контекст, который одни только данные не всегда способны учесть. Цель состоит не в том, чтобы исключить человека из процесса принятия решений, а в том, чтобы сократить время между сигналом данных и готовой рекомендацией, чтобы лицо, подтверждающее ее, могло действовать быстрее.
3. Поручите ИИ большую часть работы по отслеживанию исключений
Транспортное исключение часто порождает другую проблему: кто-то должен выяснить, почему оно произошло. Информация может отсутствовать, возможно, потребуется связаться с перевозчиком, а данные — собрать и ввести в TMS. Каждый шаг добавляет ручной работы.
Агентный ИИ открывает возможность снять часть этой нагрузки с транспортных команд.
«Существует агентный ИИ, который отправляет электронные письма или совершает телефонные звонки с запросом недостающих данных. Затем агентный ИИ получает эти данные и вносит их обратно в нашу систему TMS», — рассказал Карменати.
Вместо того чтобы генерировать очередное оповещение, интеллектуальный рабочий процесс фиксирует исключение, собирает недостающий контекст и определяет, где требуется вмешательство человека. Это меняет динамику с «вот проблема» на «вот проблема, вот контекст и вот что нужно предпринять дальше».
4. Свяжите прозрачность с измеримыми результатами
Аналитика решений имеет значение только в том случае, если она улучшает реальные результаты. Расходы на простои и демерраж — один из самых наглядных примеров таких изменений.
Метки времени прибытия и отправления, привязанные к геозонам, дают Unilever объективную запись о том, когда отправления прибывают в пункты назначения и покидают их. Карменати отметил сокращение расходов на простои и демерраж на 20% как прямой результат повышения качества данных и подотчетности.
Надежные данные о транзите также поддерживают решения по управлению запасами. Наблюдаемое время в пути дает планировщикам большую уверенность при установлении уровней буферного запаса. Задержка на направлении, которое обычно работает по графику, меняет расчет запасов, и когда планировщики видят эту задержку в реальном времени, они могут принять меры до того, как нехватка товара затронет клиента.
Данные об отправлениях в реальном времени помогают командам защитить показатели соблюдения сроков и полноты поставок (OTIF), выявляя находящиеся под угрозой доставки на более ранних этапах. На более рискованных направлениях отклонения от маршрута и длительные остановки могут вызывать оповещения, давая командам время на расследование до того, как задержка дойдет до клиента.
5. Объедините всю цепочку транспортировки
Unilever работает примерно с 150 перевозчиками, и не существует единого способа подключения для всех них. Один перевозчик может подключаться через API. Другому может потребоваться информация о номерных знаках и субподрядчиках. Третий может полагаться на приложение для водителя. Прозрачность в таких масштабах — это процесс постоянного совершенствования всей сети перевозчиков.
Но подключение — это лишь часть задачи. Более масштабная возможность заключается в объединении решений по разным видам транспорта.
Например, задержка морской перевозки не заканчивается с прибытием судна в порт. Она может повлиять на автомобильный этап, графики работы складов, наличие запасов и обязательства перед клиентами.
Карменати сформулировал эту задачу следующим образом: «Если мы свяжем морской и автомобильный транспорт и предоставим контекст о времени простоя морского судна, что это значит для влияния на мой автомобильный участок и для конечного потребителя?»
Именно здесь прозрачность от отправки судна до конечной доставки начинает превращаться в аналитику решений на протяжении всего пути.
Что подход Unilever означает для вашей цепочки поставок
Некоторые команды по управлению цепочками поставок услышат о результатах Unilever и решат, что этот урок применим только к компаниям со 150 перевозчиками и специализированной командой по операционным технологиям. Это не так.
Unilever автоматизирует такие решения, как перебронирование рампы, расследование исключений и проактивное информирование клиентов. Они в той или иной форме присутствуют в любой транспортной деятельности. Что меняется с масштабом, так это объем исключений и количество подключаемых перевозчиков. Базовая логика — превращение сигнала данных в своевременное действие — применима независимо от того, управляет ли команда 15 или 150 перевозчиками.
project44 помогает командам по управлению цепочками поставок связывать транспортные данные в реальном времени с решениями и рабочими процессами, которые обеспечивают бесперебойное движение товаров, информирование клиентов и выполнение операционных задач.
Чтобы узнать больше о project44 и увидеть нашу платформу в действии, запросите демоверсию и присоединяйтесь к нам на конференции signal44.
