Nordiska logistikkonsulten Langebæk är sedan starten 1977 specialiserad på lagerutveckling inklusive lagerautomatisering. Under årens lopp har man sett hur lagerverksamheter har blivit alltmer datadrivna – det vill säga beroende av data och analys för att optimera produktivitet, effektivitet, hållbarhet och kundservice.
– Under mina tolv år på Langebæk är utvecklingen vad gäller dataanalys och användning av data den kanske mest påtagliga utvecklingstrenden, säger Morten Badsberg, director på Langebæk med särskilt ansvar för att utveckla företagets kompetens på området.
Ungefär 80 procent av Langebæks uppdrag handlar om att på olika sätt bistå kundföretag i samband med lagerautomatisering. Och i dessa uppdrag är det av största vikt att ha korrekta data.
– Att ha och använda korrekta data är en förutsättning för att automatisera. Vi kan inte automatisera i ett lager om vi inte har koll på vad vi hanterar, i vilka volymer, dimensioner och så vidare, säger Morten och ger ett pedagogiskt exempel:
– Om vi har data som pekar på att en vara passar i en låda som är 60×40 cm, men den visar sig vara två centimeter större så har vi fått ett problem som kan skapa mycket merarbete när man utvecklar en automatiserad lagerlösning.
”Fick en uppsättning perfekta data”
Han exemplifierar med ett stort nordiskt handelsföretag som efter en storskalig automatisering levererade en perfekt uppsättning data – något Morten aldrig tidigare hade sett.
– Det fanns inga fel i de data som vi fick och inga data fattades, allt var perfekt. Orsaken var helt enkelt att de redan hade automatiserat, vilket hade tvingat dem till att få full koll på sin data. Här ser vi numera en stor skillnad jämfört med för tio år sedan, då det krävdes mycket mer för att få fram de data som vi behöver.
Egen datamodell
Att få koll på grundläggande data om leveranser, order, artiklar, volymer, vikter, dimensioner, lastbärare, förpackningar, med mera har alltid varit viktigt. Men med den ökade teknikanvändningen i lager har behovet av att använda data blivit helt avgörande. Och för Langebæk är insamlingen av data i allmänhet det första steget i ett kundprojekt. Därför startar de allra flesta projekt med att teamet eller konsulten i fråga klargör för kunden vilka data som behövs. Därefter använder man en egen datamodell, baserad på mångåriga erfarenheter och best practice.
– Med hjälp av vår modell ser vi snabbt vilken kvalitet som en uppsättning data håller, och vilka ytterligare data som behövs. I modellen lägger vi in ganska detaljerade data om inbound- och outboundflöden, hanterade artiklar och så vidare. Baserat på dessa data föreslår vi en optimal lösning som antingen är automatiserad eller helt manuell.
Varierande kvalitet och förmåga
Hur pass duktiga företag är på att samla in, analysera och använda data varierar en hel del. Oftast är stora företag bättre än mindre, men Morten betonar att det finns stora variationer.
– De större företagen har blivit ganska duktiga generellt sett. Särskilt när de har automatiserat. Om du har investerat i en komplicerad lagerautomation så behövs det dedikerade personer som fokuserar specifikt på att fånga in och analysera data för att med detta kunna optimera anläggningen, säger han och konstaterar att det kana vara svårt för ett mindre företag att motivera kostnaden för personal som arbetar med data och dataanalys av logistik.
Fler datavetare och analytiker
De större anställer numera dedikerade datavetare och analytiker för att fånga in och använda logistikdata som grund för såväl lagerautomation som för att utveckla automatiserad datafångst, analys och beslutsfattande med hjälp av AI- och maskininlärningsalgoritmer. Personer med liknande kompetenser rekryteras även av Langebæk i ökad utsträckning.
– De yngre personer som vi numera rekryterar från universiteten har ofta en bra kunskap om AI och maskininlärning och Phyton. Det är bra för vår egen interna kompetensutveckling och därmed för våra kunder, konstaterar Morten.
—
Intervju och text Stefan Karlöf
