Portfolio
Platforma analityczna floty i planowania kierowców
Logistyka i Transport
40%
Widoczność bilansu kierowca-pojazd
100K+
Typów anomalii wykrywanych automatycznie
15min
Raporty generowane dziennie
Przegląd
Zbudowałem platformę analityczną dla firmy logistycznej zarządzającej 324 ciągnikami i 470+ kierowcami. System agreguje dane z wielu wewnętrznych źródeł—systemu harmonogramowania (Navigator), bazy HR i rejestru pojazdów—dostarczając zunifikowane raportowanie bilansu kierowca-pojazd, wykrywanie anomalii i metryki operacyjne.
Kontekst biznesowy
Polska firma logistyczna zarządzająca 324 ciągnikami i 470+ kierowcami borykała się z brakiem widoczności operacyjnej. Dane były rozdzielone między Navigator (system harmonogramowania), bazę HR i rejestr pojazdów. Dyspozytorzy, planiści HR i menedżerowie floty używali różnych narzędzi bez zunifikowanego widoku. Decyzje planistyczne podejmowano bez pełnych informacji, prowadząc do przestojów pojazdów i niedoborów kierowców. Wewnętrzny system backoffice wymagał integracji do automatycznych potrąceń płacowych na podstawie zgodności z checklistami.
Wyzwanie
Dane operacyjne rozproszone między systemem harmonogramowania, bazą HR i rejestrem pojazdów bez zunifikowanego widoku dostępności kierowców vs pojemności floty.
- Dane rozproszone między systemem harmonogramowania, bazą HR i rejestrem pojazdów z niespójnymi formatami
- Brak widoczności stosunku kierowców do pojazdów i prognozowania dostępności
- Ręczne wykrywanie anomalii (sprzedane pojazdy w harmonogramie, kierowcy bez dat zatrudnienia)
Rozwiązanie
Zaprojektowaliśmy zunifikowany pipeline danych w Pythonie i Pandas, który agreguje dzienne dane operacyjne, oblicza metryki bilansu kierowca-pojazd i automatycznie wykrywa 7 typów anomalii operacyjnych.
- Zbudowano pipeline danych w Pythonie agregujący źródła harmonogramu, HR i pojazdów
- Opracowano system wykrywania 7 typów anomalii operacyjnych
- Stworzono moduł integracji z wewnętrznym backoffice do potrąceń płacowych
Podejście i metodologia
Zaczęliśmy od mapowania przepływów danych między systemami i identyfikacji kluczowych interesariuszy: dyspozytorów, planistów HR, planistów kierowców i doradców warsztatowych. Używając iteracyjnych cykli feedbacku, zbudowaliśmy pipeline danych w Pythonie agregujący dzienne eksporty CSV, stosujący filtrowanie temporalne dla dokładnej analizy historycznej i generujący wymagane raporty. System produkuje zarówno uproszczone raporty bilansu dla kadry zarządzającej, jak i szczegółowe raporty anomalii dla zespołów operacyjnych.
Szczegóły implementacji
Inteligentny algorytm agregacji
Zbudowano silnik agregacji śledzący status pojazdu (praca, serwis, dostępny) i status kierowcy (praca, urlop, L4), obliczający dzienne metryki bilansu z filtrowaniem temporalnym uwzględniającym daty zatrudnienia/zwolnienia i zakupu/sprzedaży.
System wykrywania anomalii
Opracowano wielotypowy detektor anomalii identyfikujący: kierowców brakujących w bazie HR, sprzedane pojazdy wciąż w harmonogramie, luki w danych HR (puste daty zatrudnienia), konflikty praca-serwis, pojazdy bez zadań i niespójności statusów.
Kluczowe decyzje
- Wybrano Python z Pandas zamiast Go dla pipeline'u danych ze względu na szybszą iterację i lepsze możliwości analizy danych—interesariusze wymagali częstych zmian formatu raportów
- Zaimplementowano operacje na zbiorach dla kalkulacji pojazdów eliminując podwójne liczenie w konfliktach praca-serwis i zapewniając dokładne metryki dostępności
- Zbudowano modułowe wykrywanie anomalii z konfigurowalnymi kategoriami pozwalając operacjom włączać/wyłączać konkretne sprawdzenia wraz z poprawą jakości danych
Stack technologiczny
Powiązane usługi
Poniższe usługi zostały wykorzystane w tym projekcie do osiągnięcia pomyślnych rezultatów.
Wnioski z projektu
- Filtrowanie temporalne jest krytyczne—filtrowanie po datach zatrudnienia i zakupu/sprzedaży pojazdów wyeliminowało poważne błędy obliczeniowe w raportach historycznych
- Normalizacja danych z różnych systemów jest trudniejsza niż oczekiwano—zainwestowano znacząco w warstwy walidacji i wykrywanie anomalii do ujawniania problemów z jakością
- Uproszczone raporty dla kadry zarządzającej okazały się cenniejsze niż szczegółowe—7-dniowe podsumowanie bilansu z kluczowymi metrykami stało się najczęściej używaną funkcją
Informacje o projekcie
Czas realizacji
3 miesiące na rdzeń pipeline'u, ciągłe iteracje
Zespół
1 developer + 1 analityk + współpraca z interesariuszami
Rezultaty
40%
Widoczność bilansu kierowca-pojazd
100K+
Typów anomalii wykrywanych automatycznie
15min
Raporty generowane dziennie
Masz podobne wyzwanie?
Porozmawiajmy, jak mogę pomóc Twojemu projektowi odnieść sukces dzięki sprawdzonym rozwiązaniom architektonicznym i AI.