Розничные компании, использующие RFID, сталкиваются с проблемой обработки больших объемов данных

Предприятия розничной торговли, отслеживающие уникальные товары с помощью технологий радиочастотной идентификации, заинтересованы в том, чтобы эффективно использовать все собираемые данные. Конференция, недавно организованная Массачусетским технологическим институтом (MIT), была посвящена этой проблеме.

В настоящее время ведется много разговоров о средствах массово-параллельной обработки больших объемов данных (так называемых Big Data). Данный термин означает сбор столь больших и сложных объемов данных, что компаниям невозможно обработать их с помощью существующих СУБД. Информацию об этой проблеме можно найти в Google , Facebook и Linked-In. Компании, специализирующиеся в розничной торговле, которые одними из первых начали использовать технологии радиочастотной идентификации для отслеживания отдельных товаров, постоянно сталкиваются с проблемой обработки больших объемов данных. Именно по этой причине в феврале прошлого года Общественная ассоциация по межотраслевым технологиям торговли (Voluntary Interindustry Commerce Solutions VICS), продвигая инициативу по использованию RFID-технологий для идентификации товаров, обратилась к MIT Auto-ID Labs при Массачусетском технологическом институте с предложением организовать мероприятие, посвященное «методам обработки RFID-данных по отдельным единицам товаров», собираемых с помощью различных систем в розничной торговле, в частности, готовой одеждой.

В сотрудничестве с VICS и GS1, Кластер по обработке больших объемов данных (Big Data Cluster) при Руководящем технологическом совете Массачусетского технологического института (MIT) и лаборатория Auto-Id Labs 9-10 октября 2012 года провели конференцию Auto-ID Labs Big Data Conference и Startup Challenge в Массачусетском технологическом институте. В работе данной конференции принимали участие идейные лидеры MIT, провайдеры ресурсов для облачных вычислений и технологические лидеры среди крупных розничных сетей, которые рассматривали различные методы решения проблемы обработки данных при интегрированных продажах (омниканальной торговле), а также мобильные приложения для розничной торговли.

Почему обработка штрихкодовой, RFID-информации и клиентских данных при мобильных продажах является столь сложной задачей? Прежде всего, это связано с общим реестром и идентификатором пространства имен. Так как в сети Интернет используются серверы доменных имен (DNS) и уникальные адреса сетевого протокола (IP), компании испытывают сложности при согласовании единого реестра для товаров с электронным кодом продукта (EPC). Тот факт, что при развитии штрихкодовых систем на некоторых участках поставок в розничных сетях сохраняются прежние схемы кодирования, не способствует решению этой проблемы.

В качестве примера была названа разработка диспетчера программ для RFID-технологий при идентификации отдельных единиц складского учета (SKU), предназначенный для крупной фармацевтической компании, устанавливающий требования в отношении топологических схем для семи различных символик, включая GS1, Interleave 205 (штрихкод Interleaved 2 of 5) и линейные штрихкоды Международной ассоциации фармацевтических дистрибьютеров (Healthcare Distribution Management Association (HDMA)), National Drug Code (NCD), двумерный штрихкод и RFID-код. Но существует проблема, которая состоит в том, что в данной отрасли еще предстоит провести согласование обозначений отдельных партий и серий товаров для этих схем кодирования. Эти идентификаторы могут служить ключами для увязывания информации в сети Интернет с данными корпоративных прикладных программ.

Второй сложной задачей является соединение уникальных идентификаторов с метаданными, связанными с бизнес-процессами, в процессе их сбора.

В соответствии с техническими требованиями информационной службы EPC (EPCIS) на момент их написания, ручной сканер штрихкодов или RFID-сканер должны быть увязаны с корпоративными специализированными прикладными программами, например, автоматизированной системой управления складом (WMS) или системой управления транспортными перевозками (TMS) с четко определенными бизнес-процессами. Однако, каким образом можно обеспечить привязку производственных процессов, связанных с автономным интеллектуальным ридером, к корпоративной сервисной шине (ESB) или среде удаленных вычислений, где одновременно используется множество приложений?

Каким образом компании могут осуществлять анализ больших объемов данных (Big Data) в условиях омниканальной и мобильной торговли, учитывая всю сложность обработки огромных объемов информации в режиме реального времени? Как было продемонстрировано на конференции Auto-ID Labs Big Data Conference, компании, использующие для маркировки продукции идентификаторы, соответствующие GS1, имеют возможность увязывать собранные данные с унаследованными приложениями. Во время круглого стола по розничной торговле на конференции было рассказано об успешном применении мобильных приложений в компании Walgreens, когда покупатели сканируют штрихкоды на рецептах при повторном и последующих заказах лекарств. Уже 40 процентов лекарств заказываются по данной системе.

Возможность использования интерфейсов прикладного программирования (API) в отношении унаследованных корпоративных систем подтверждает другой пример. Разработанные интерфейсы прикладного программирования для систем фотокопирования в настоящее время позволяют компании поддерживать более 17000 приложений, обеспечивая клиентам возможность печати изображения в любом ближайшем магазине Walgreens.

Данные два примера из электронной коммерции, осуществляемой Walgreens, демонстрируют, каким образом с использованием существующих возможностей сбора данных с помощью смартфонов (программное обеспечение для сканирования штрихкодов или RFID в сочетании с программами лояльности клиентов и интерфейсами прикладного программирования для коллективных схем подключения) компания может увязать информацию из мира Big Data (больших объемов информации) с корпоративными приложениями благодаря идентификаторам GS1. Однако, как было неоднократно указано во время конференции, предоставление данных сервисов на базе облачных вычислений и управление ими остаются сложной задачей.

Данный подход было предложено участниками конференции распространить на построение моделей различных объектов при облачных вычислениях. Данная концепция под названием "Cloud of Things" основана на нескольких текущих проектов лаборатории по увязыванию объектов и связанных с ними операций, например, транспортных средств и зданий с удаленной средой. Данная инициатива открыта для компаний, некоммерческих организаций и отдельных лиц, заинтересованных в использовании ресурсов для Big Data (больших объемов данных) с целью развития, внедрения и обеспечения коммерческого успеха концепции Cloud of Things.

Подход Cloud of Things имеет большую важность, так как ни Интернет Вещей (Internet of Things), ни обычные М2М-решения по всей вероятности не смогут охватывать различные домены для представления объединенных сетевых систем. Путем построения моделей унаследованных систем инфраструктуры в сочетании с интерфейсами прикладного программирования (API), доступ к которым может быть получен с помощью удаленных сервисов, можно облегчить решение задачи передачи информации по всем уровням цепей управления производством и поставками. Данное решение, скорее всего, будет более эффективным и масштабируемым, чем технологии, предполагающие непостоянное двухточечное соединение систем.

Статья переведена и подготовлена к публикации ID Expert (www.idexpert.ru)