Last-Mile Crisis: dlaczego 53% kosztów logistyki powstaje na ostatnim etapie dostawy — i jak firmy zaczynają ten problem realnie rozwiązywać

W logistyce bardzo długo dominowało przekonanie, że największe oszczędności powstają na dużych wolumenach, długich trasach i centralnym planowaniu sieci. Dziś coraz wyraźniej widać, że to nie środek łańcucha dostaw decyduje o rentowności, ale jego najbardziej złożony fragment: ostatnia mila. DHL wskazuje, że właśnie ten etap odpowiada średnio za 53% kosztów dostawy. Nie chodzi więc o detal operacyjny, tylko o obszar, który wprost wpływa na marżę, jakość obsługi i zdolność firmy do skalowania e-commerce.

To, co czyni last mile tak kosztownym, nie sprowadza się wyłączni- e do liczby adresów. Problem jest bardziej strukturalny. Na wcześniejszych etapach logistyki towary przemieszczają się w dużych wolumenach między magazynami, terminalami i centrami dystrybucyjnymi. Ostatnia mila rozbija tę efektywność na setki lub tysiące pojedynczych decyzji dziennie: który hub ma obsłużyć dane zamówienie, który kurier powinien przejąć trasę, czy obecny podział obszarów obsługi jeszcze ma sens i czy infrastruktura jest w ogóle dopasowana do rzeczywistego rozkładu popytu. CARTO w swoich materiałach o optymalizacji supply chain pokazuje właśnie tę zmianę perspektywy: logistyka to nie tylko przewóz towaru, ale projektowanie i ciągłe strojenie całej sieci.

To podejście jest szczególnie ważne dziś, kiedy e-commerce zwiększa presję na szybkość, elastyczność i przewidywalność dostaw. DHL zwraca uwagę, że wzrost zakupów online dalej napędza znaczenie ostatniej mili, a w tle działa jeszcze jeden czynnik: miejskość samego problemu. W ich analizie 80% światowego PKB jest generowane w środowiskach miejskich, a miasta koncentrują zarówno popyt, jak i wszystkie ograniczenia, które podnoszą koszt dostawy — korki, ograniczoną przestrzeń, nieregularny ruch, zróżnicowaną gęstość zabudowy i zmienne czasy przejazdu. W praktyce oznacza to, że last mile nie jest wyłącznie problemem transportowym. To problem przestrzenny.

I właśnie w tym miejscu klasyczne podejście oparte na Excelu zaczyna się załamywać. Arkusz kalkulacyjny dobrze agreguje wolumeny, koszty i KPI, ale nie pokazuje geometrii sieci. Nie pokaże, że dwa obszary o podobnej liczbie zamówień w rzeczywistości różnią się radykalnie kosztami obsługi, bo jeden ma zwartą strukturę popytu, a drugi jest rozproszony. Nie pokaże też, że magazyn położony „centralnie” na mapie administracyjnej może być słabo położony z perspektywy realnego czasu dojazdu po sieci drogowej. CARTO wprost podkreśla, że decyzje o lokalizacjach są w wielu firmach nadal podejmowane na rozproszonych danych, legacy procesach albo intuicji, mimo że stawką bywają miliony dolarów przychodu lub kosztu.

Dlatego bardziej trafne pytanie nie brzmi dziś: „jak szybciej wyznaczyć trasę?”, tylko: „czy nasza sieć jest zaprojektowana zgodnie z realnym rozkładem popytu, kosztu i czasu dojazdu?”. To zasadnicza różnica. CARTO pokazuje ją bardzo dobrze w case study SEUR. Tam celem nie było po prostu usprawnienie widoku operacji, ale zbudowanie modelu, który najpierw ocenia stan obecny, potem mierzy wpływ zmian w sieci — zwłaszcza otwierania i zamykania centrów dystrybucji — a ostatecznie pozwala wskazać, gdzie te centra powinny być zlokalizowane. Wartość takiego podejścia rośnie wraz ze skalą. SEUR ma ponad 1,2 mln klientów, dostarcza ponad 300 tys. paczek dziennie i operuje flotą 4,7 tys. pojazdów, więc nawet niewielka poprawa geometrii sieci przekłada się na realne oszczędności.

To prowadzi do pierwszej technicznej praktyki, która naprawdę zmienia jakość analiz: modelowania sieci w oparciu o macierze origin-destination, czyli macierze OD. W materiałach CARTO dotyczących optymalizacji logistyki widać wyraźnie, że sama odległość w linii prostej nie wystarcza. Potrzebny jest model, który liczy relacje między punktami początkowymi i końcowymi po realnej sieci transportowej. W praktyce oznacza to obliczenie, ile naprawdę kosztuje połączenie magazynu z fulfillment center i fulfillment center z klientem, przy uwzględnieniu tras, a nie geometrii „as the crow flies”. To właśnie taki model pozwala przejść od intuicji do projektowania kosztu całej sieci.

CARTO opisuje ten mechanizm wprost w swoim materiale o route optimization at scale. Zespół zwraca uwagę, że dystans liczony „po prostej” może w analizie miejskiej prowadzić do dużych błędów, a dokładniejszy wynik wymaga liczenia najkrótszej ścieżki z uwzględnieniem dostępnej sieci transportowej. Ich Routing Module działa bezpośrednio w Google BigQuery i udostępnia m.in. funkcję ROUTING_MATRIX, która pozwala obliczać macierze OD dla jednego lub wielu punktów początkowych i końcowych. Co istotne, użytkownik nie musi budować własnej tabeli sieci drogowej od zera, bo CARTO udostępnia globalną, trybozależną sieć opartą na danych OpenStreetMap. To przesuwa ciężar pracy z ręcznego przygotowywania infrastruktury na właściwą analizę biznesową.

Druga praktyka, która ma duże znaczenie w logistyce miejskiej, to agregacja popytu przy użyciu indeksów przestrzennych H3. Gdy firma analizuje dziesiątki albo setki tysięcy punktów dostaw, pojedyncze adresy szybko stają się analitycznie nieczytelne. H3 porządkuje taki chaos, zamieniając punkty w regularną, wielorozdzielczą siatkę heksagonalną. CARTO podkreśla, że H3 jest już dostępne natywnie w Snowflake, a jego przewaga polega m.in. na tym, że spatial index jest lżejszy obliczeniowo niż klasyczna geometria, bo lokalizacja jest reprezentowana krótkim identyfikatorem zamiast długiego ciągu współrzędnych. W praktyce to oznacza szybsze analizy na dużych wolumenach danych i łatwiejsze porównywanie obszarów popytu w jednej, spójnej strukturze.

Z perspektywy ostatniej mili H3 nie jest ciekawostką technologiczną, tylko bardzo użytecznym narzędziem operacyjnym. Dzięki heksagonalnej siatce można zidentyfikować trwałe klastry zamówień, czyli miejsca, w których popyt jest wystarczająco gęsty, by uzasadnić zmianę modelu obsługi. W praktyce to może oznaczać utworzenie mikro-hubu, zmianę granic obszaru obsługi, dedykowanie większej liczby kurierów określonej strefie albo przebudowę harmonogramu tras. Ważne jest też to, że analiza oparta na siatce ogranicza część problemów wynikających z arbitralnych granic administracyjnych, takich jak dzielnice czy kody pocztowe. Sieć dostaw nie działa według granic urzędowych, tylko według relacji kosztu, czasu i gęstości popytu.

Trzecim obszarem, w którym CARTO daje bardzo praktyczne wskazówki, jest site planning, czyli planowanie lokalizacji. W logistyce często mówi się o optymalizacji tras, ale dużo rzadziej o tym, że źle położony hub lub magazyn sprawia, że trasy z definicji będą nieoptymalne. W swoim przewodniku o optymalizacji site planningu CARTO podkreśla, że każda decyzja o otwarciu, zamknięciu lub konsolidacji lokalizacji może oznaczać miliony dolarów ryzyka albo zysku. To bardzo trafne także dla operatorów logistycznych i 3PL. Jeżeli punkt jest wybrany na podstawie czynszu, przyzwyczajenia albo „centralnego położenia”, ale nie poprawia pokrycia rynku, nie skraca czasu dojazdu i nie równoważy popytu, to firma zamraża koszt w strukturze sieci na lata.

To właśnie dlatego w nowoczesnym modelu optymalizacji nie kończy się na jednej analizie. Prawdziwa wartość pojawia się dopiero w scenariuszach. Co się stanie, jeśli dodamy nowy hub po wschodniej stronie miasta? Jak zmieni się średni czas dostawy, jeśli jeden z punktów zostanie zamknięty? Jakie obszary przejmą sąsiednie centra i czy nie doprowadzi to do przeciążenia? W case study SEUR CARTO jasno opisuje trzy etapy pracy: diagnozę obecnej sieci, pomiar wpływu zmian w istniejącej strukturze oraz zbudowanie modelu optymalizacyjnego dla przyszłych decyzji. To ważne, bo pokazuje, że spatial analytics w logistyce nie służy wyłącznie do raportowania stanu obecnego. Służy do testowania alternatyw przed wydaniem pieniędzy.

Bardzo istotna jest też warstwa architektoniczna. CARTO od kilku lat konsekwentnie promuje model cloud-native, w którym analiza geoprzestrzenna nie jest osobnym, odłączonym bytem, lecz działa bezpośrednio tam, gdzie przechowywane są dane operacyjne. W materiałach o Google Cloud i BigQuery firma pokazuje cztery podstawowe komponenty workflow analitycznego — ingestion, storage, compute i visualization — oraz argumentuje, że BigQuery, uzupełnione o rozszerzenia geograficzne i narzędzia CARTO, pozwala wykonywać zapytania geospatial nad terabajtami i petabajtami danych, a następnie wizualizować je bez typowych ograniczeń aplikacji klienckich. Z biznesowego punktu widzenia ma to jedną zasadniczą zaletę: logistyka nie musi eksportować danych do zewnętrznego GIS-u za każdym razem, gdy chce sprawdzić nową hipotezę.

To podejście zmienia tempo decyzyjne. Jeżeli zamówienia, zdarzenia operacyjne, lokalizacje punktów, dane drogowe i wzbogacenie przestrzenne są w jednej architekturze, zespół może szybciej zbudować dashboard, policzyć macierz OD, zobaczyć obszary wysokiego popytu i porównać warianty nowej lokalizacji. Znika duża część opóźnień między pytaniem biznesowym a odpowiedzią analityczną. Dla operacji logistycznych ma to znaczenie praktyczne, bo rynek nie czeka na długie cykle analityczne. Popyt zmienia się szybko, podobnie jak układ zamówień, dostępność kierowców, wąskie gardła w mieście czy priorytety klientów. Cloud-native spatial analytics skraca więc nie tylko czas obliczeń, ale też czas samej decyzji.

Warto też doprecyzować, czym taki model nie jest. To nie jest „mapa dla zarządu” ani estetyczna wizualizacja mająca uatrakcyjnić raport. CARTO pokazuje spatial analytics jako warstwę obliczeniową dla konkretnych problemów logistycznych: liczenia tras po realnej sieci, agregowania popytu do siatek H3, określania obszarów obsługi, symulowania wpływu zmian w sieci oraz planowania lokalizacji. Właśnie dlatego ten typ analityki ma sens biznesowy. Nie pomaga „zobaczyć coś na mapie”, lecz umożliwia policzenie kosztu, czasu i zasięgu w modelu bliższym rzeczywistości operacyjnej.

Dla polskich operatorów logistycznych, e-commerce i 3PL najważniejszy wniosek jest prosty. Jeżeli last mile odpowiada za największą część kosztu, to nie wystarczy usprawniać pojedynczych procesów w oderwaniu od siebie. Potrzebny jest model, który połączy koszt dostawy, geometrię popytu, czasy dojazdu, rolę hubów i scenariusze rozwoju sieci. Dokładnie w tym kierunku idą praktyki CARTO: od pojedynczych tras do projektowania całego układu operacyjnego. I to jest prawdopodobnie najważniejsza zmiana ostatnich lat w logistyce — przejście od optymalizacji „punkt po punkcie” do optymalizacji całej sieci jako systemu.

Jeżeli spojrzeć na problem w ten sposób, tytułowy „last-mile crisis” przestaje być wyłącznie kryzysem kosztowym. Staje się kryzysem modelu decyzyjnego. Firmy, które nadal planują sieć w arkuszach i mierzą odległość po prostej, będą coraz bardziej płacić za niedokładność. Firmy, które budują analitykę geoprzestrzenną bezpośrednio na swoich danych operacyjnych, zaczynają widzieć to, czego wcześniej nie było widać: gdzie rzeczywiście koncentruje się popyt, które punkty sieci są źle położone, które obszary są niedoszacowane, a które przeciążone, oraz gdzie zmiana jednej lokalizacji może obniżyć koszt całego systemu. W logistyce to już nie jest przewaga „nice to have”. To warunek utrzymania marży w rynku, gdzie ostatnia mila stała się najdroższą częścią gry.