Memanfaatkan Digital Twin Real-Time untuk Meningkatkan Efisiensi Logistik

Pengiriman langsung ke konsumen adalah cara masa depan, dan menjadi semakin penting karena COVID-19. Namun, perusahaan logistik kesulitan memenuhi permintaan di tengah ribuan faktor, dari kondisi jalan yang selalu berubah hingga mengelola pengiriman obat yang sensitif terhadap suhu. Teknik perangkat lunak streaming data yang canggih baru, yang disebut digital twin waktu nyata, dapat memberikan wawasan yang diperlukan untuk menjawab pertanyaan logistik kritis, mengurangi variabel tidak diketahui, dan meningkatkan efisiensi operasi.

Dengan volume besar data streaming yang datang dari armada, gudang pintar, dan sumber telemetri lainnya, ini adalah tantangan yang menakutkan bagi manajer logistik untuk mengekstrak wawasan kritis dan mengidentifikasi potensi masalah secara waktu nyata. Pendekatan analitik streaming tradisional, seperti Apache Storm dan Flink open-source, membantu manajer untuk mengekstrak pola dalam aliran pesan agregat. Namun, mereka tidak dapat menempatkan informasi ini dalam konteks untuk menilai signifikansinya dan mengambil tindakan efektif dan individual untuk setiap sumber data.

Solusi ini dirancang untuk melewatkan telemetri masuk melalui saluran perangkat lunak untuk mengekstrak pola yang diinginkan, mendapatkan wawasan agregat, dan mengirim peringatan ketika kondisi tertentu terpenuhi. Namun, mereka tidak melacak kondisi dinamis dari sumber data itu sendiri, atau membuat inferensi tentang perilaku mereka.

Misalnya, analitik streaming dapat mendeteksi pembacaan suhu minyak yang tinggi di armada truk, tetapi tidak dapat menjelaskan mengapa pembacaan ini terjadi, apakah mereka menunjukkan kegagalan yang akan datang, dan tindakan spesifik apa yang harus diambil. Untuk melakukan ini, platform analitik streaming perlu memelihara informasi kontekstual tentang setiap truk, sehingga dapat memberikan introspeksi yang lebih dalam terhadap telemetri masuk dan membuat keputusan yang lebih strategis tentang pemberitahuan dan intervensi. Misalnya, mesin truk satu mungkin diharapkan menunjukkan suhu minyak yang lebih tinggi dari normal karena usia dan riwayat perawatannya, sementara mesin lain yang lebih baru mungkin menampilkan masalah yang tidak biasa yang memerlukan perhatian segera.

Untuk menjaga sistem logistik kompleks berjalan lancar, analitik streaming perlu menyediakan tingkat introspeksi yang lebih dalam ini, terutama saat menerima telemetri dari sejumlah besar sumber data, seperti ribuan truk dalam armada atau palet di gudang. Analisis yang ditingkatkan dari telemetri ini yang memanfaatkan konteks tentang setiap sumber data dapat melakukan pekerjaan yang jauh lebih baik dalam mengidentifikasi dan memprediksi ketidakefisienan, masalah potensial, dan tren kunci. Ini dapat membantu menjawab pertanyaan seperti:

• Apakah kendaraan berhenti karena berada di area istirahat atau karena macet?
• Apakah parameter mesin pada kendaraan abnormal, atau ini diharapkan mengingat masalah dan riwayat perawatan kendaraan yang diketahui?
• Apakah suhu dan tren saat ini ruang pendingin akan membuat masalah untuk obat spesifik yang saat ini dipegangnya?
• Apakah sopir telah di jalan terlalu lama sesuai persyaratan hukum?
• Apakah sopir tampak tersesat atau memasuki area yang berpotensi berbahaya?

Teknik perangkat lunak baru untuk analitik streaming yang disebut digital twin waktu nyata dapat membantu memberikan wawasan yang diperlukan untuk menjawab pertanyaan ini. Ini membuat twin berbasis perangkat lunak dari setiap sumber data fisik yang dilacak, yang berisi informasi kontekstual tentang sumber data (seperti parameter yang diharapkan dan riwayat perawatan untuk mesin truk). Digital twin meng-host kode aplikasi yang menganalisis pesan masuk dari sumber datanya dengan akses segera ke konteks ini, dan terus memperbarui konteks dengan setiap pesan masuk saat ia "belajar" lebih banyak tentang kondisi dinamis sumber data. Kode aplikasi di twin hanya perlu fokus pada satu sumber data alih-alih mengelola aliran semua pesan masuk, dan ini memungkinkan umpan balik yang lebih baik untuk setiap sumber data.

Digital twin waktu nyata dapat berjalan di cloud publik, seperti Microsoft Azure, yang memiliki skalabilitas untuk memproses pesan dan memelihara digital twin waktu nyata untuk ribuan truk, gudang pintar, atau sumber telemetri lainnya dari seluruh area geografis yang luas. Layanan cloud juga dapat terus mengagregasi dan memvisualisasikan informasi kunci yang diekstrak dari semua digital twin waktu nyata untuk mendeteksi masalah yang muncul dan meningkatkan kesadaran situasional keseluruhan bagi manajer. Ini membantu mereka mempertahankan gambaran besar dan lebih cepat membuat respons strategis terhadap tantangan besar, seperti keterlambatan cuaca, blokir jalan raya, dan pemadaman listrik.

Berikut adalah empat contoh situasi di mana digital twin waktu nyata dapat membantu manajer logistik secara dramatis meningkatkan efektivitas dan ketepatan waktu sistem pengiriman mereka:

• Kondisi yang berubah. Pola lalu lintas yang bergeser, kecelakaan dan bahkan badai, storm, dan kebakaran yang mencatat rekor menyebabkan rute sopir berubah secara terus-menerus. Dengan perusahaan logistik yang melacak ribuan kendaraan di jalan, digital twin waktu nyata dapat membantu menganalisis bagaimana situasi seperti penutupan tol karena kebakaran hutan akan mempengaruhi setiap kendaraan dan memberitahu sopir tentang rute baru.
• Makanan dan obat yang busuk. Dalam era COVID-19, banyak orang berisiko tinggi mencari alternatif untuk berbelanja di toko ramai dan sekarang memerlukan makanan dan obat dikirimkan ke pintu rumah mereka. Untuk menyelesaikan pengiriman ini, sebuah kendaraan mungkin berisi ratusan makanan dan obat yang sensitif terhadap suhu yang berbeda. Digital twin waktu nyata dapat memantau suhu yang diperlukan untuk setiap item dan memberitahu sopir dan manajer logistik tentang masalah yang mengancam keselamatan muatan.
• Masalah mekanis yang muncul. Pemeliharaan kendaraan komersial yang mahal adalah kompleks, melibatkan banyak parameter, seperti tekanan ban, tingkat cairan, sistem mesin, dan banyak lagi. Digital twin waktu nyata dapat melacak status mekanis setiap kendaraan dan memberi tahu tentang perawatan yang diperlukan, menghindari keterlambatan tidak terduga dan perbaikan yang mahal.
• Sopir tersesat atau tidak stabil. Sopir komersial beroperasi di bawah aturan yang ketat, dengan hukuman yang besar untuk pelanggaran. Digital twin waktu nyata dapat mendeteksi perilaku sopir yang tidak stabil atau pelanggaran yang akan datang, dan memberikan sinyal kepada sopir sebelum mereka terjadi. Mereka juga dapat mendeteksi apakah sopir tampak tersesat, sehingga pengirim dapat segera memperbaiki masalah dan menghemat waktu dan bahan bakar.

Tahun 2020 telah melihat peningkatan dramatis dalam penggunaan sistem logistik yang menjaga barang yang kita butuhkan mengalir ke tujuan mereka. Wawasan yang diperoleh dari digital twin waktu nyata dapat membantu perusahaan logistik melacak komponen tak terhitung jumlahnya dalam jaringan mereka, menjaga mereka beroperasi lancar, dan menghindari keterlambatan yang tidak perlu. Wawasan ini akan memungkinkan perusahaan untuk menurunkan biaya mereka dan meningkatkan kinerja tepat waktu, sehingga mereka dapat bersaing secara efektif di industri kritis yang kita ketergantungkan.

William Bain adalah CEO ScaleOut Software.