Case: PostNL
Een van de belangrijkste diensten van PostNL is het vervoeren van bij webshops (PostNL klanten) bestelde pakketten naar de consument. Deze service wordt geleverd met een enorme snelheid en nauwkeurigheid en met ongelooflijk hoge volumes. Als gevolg hiervan zijn zeer efficiënte bedrijfsprocessen vereist om deze service op een kosteneffectieve manier te onderhouden.
Het PostNL-proces voor het vervoeren van pakketten van webshops naar consumenten is onderverdeeld in afzonderlijke processen die min of meer zelfstandig kunnen worden bestudeerd en geoptimaliseerd: ophalen, eerste sortering (tot niveau ruw bestemmingsgebied), transport (crossdocking), tweede sortering (naar consumentenadressen) en distributie van tweede sorteercentrum naar consument. Al deze processen vereisen het plannen van capaciteiten, bijvoorbeeld: aantallen pakketcontainers, aantallen vrachtwagens, hun rijschema’s, het aantal sorteerbanden op de sorteercentra, de hoeveelheid arbeidscapaciteit. Uiteraard is capaciteitsplanning sterk afhankelijk van het verwachte aantal pakketcontainers, pakketten, hun afmetingen en verwachte bestemmingen. Hoe beter deze verwachte aantallen kunnen worden voorspeld, hoe efficiënter capaciteiten kunnen worden gepland en daarom is nauwkeurige voorspelling van cruciaal belang.
Dit is een afstudeercase van de Professional Education opleiding LeveL 2.
De uitdaging
Bestellingen bij webshops worden tot laat in de avond geplaatst. De capaciteits-, sorteer- en routeplannen voor de komende dagen zijn dan al grotendeels gemaakt. Voor de verzending van verpakte goederen staan dagelijks tienduizenden containers gepland. Tekorten of een overschot aan beschikbare containers op een afhaallocatie leidt tot inefficiënte logistiek zoals vertragingen, toenemende CO2-uitstoot en extra kosten, laat staan tot frustratie van mensen.
Het verbeteren van de verwachting van het volume van verpakte en gecontaineriseerde goederen vertaalt zich in een geoptimaliseerde logistieke planning. Online en fysieke winkels hebben verschillende kenmerken. Sommige hebben zeer seizoensgebonden volumes, andere zijn zeer stabiel. We kunnen dergelijke informatie gebruiken om de verzending van goederen in containers die voor transport worden vrijgegeven, nauwkeuriger te voorspellen.
Het resultaat
Voor de logistieke operaties van containers is een Proof of Concept (PoC) ontwikkeld om de realtime beschikbare containervoorraad op afhaallocaties (winkels) te optimaliseren. Een van de vele puzzelstukjes voor een digitale tweeling in de logistiek. Tijdens deze PoC-fase wordt het voorspellingsmodel handmatig per locatie ingezet. In de volgende fase worden de voorspellingen gedaan op verzoek van een Control Tower applicatie. Een plek waar het verwachte volume van verpakte en gecontaineriseerde goederen nauwlettend wordt gevolgd en vergeleken met de transportplanning. De sleutel tot succes is het opdelen van het grotere geheel in meerdere modellen per klantcategorie die afzonderlijk kunnen worden gevalideerd. Deze aanpak vermijdt grote investeringen die achteraf niet nodig blijken te zijn.
De prestaties van het model tijdens de dagelijkse werkzaamheden vertoonden een nauwkeurigheid van 10-30%, afhankelijk van de tijd van het jaar. De geleerde les is dat plotselinge, sterk seizoensgebonden en fluctuerende volumes het grootste deel van de tijd tot overprognoses leidden en aparte modellen nodig hadden. Het model was echter in staat om uitschieters zoals Black Friday correct te voorspellen.
Met behulp van machine learning worden beslissingen niet meer genomen op basis van aannames, maar op data, waarmee kan worden bepaald of de verwachting van de hoeveelheid verpakte en gecontaineriseerde goederen de werkelijkheid vertegenwoordigt. Zodra er ergens een afwijking optreedt, kan de impact worden doorgerekend ter ondersteuning van beslissingen die nodig zijn om de klantbelofte waar te maken.
Een solide technische basis en de ondernemersmentaliteit bij het leveren van bedrijfswaarde maakten het perfect voor mij.
Een solide technische basis en de ondernemersmentaliteit bij het leveren van bedrijfswaarde maakten het perfect voor mij.
Een solide technische basis en de ondernemersmentaliteit bij het leveren van bedrijfswaarde maakten het perfect voor mij. Een beter bedrijf ontwerpen door het grotere geheel op te splitsen in meerdere Data Science uitdagingen die afzonderlijk kunnen worden ontworpen en gevalideerd. Deze aanpak heeft mij geholpen om grote investeringen en risico’s te vermijden die later overbodig blijken te zijn. Executive buy-in door verklaarbare AI.
Waarom partner worden met JADS
JADS biedt innovatieve Data Science programma’s op undergraduate, graduate en postdoctorale niveau, voert baanbrekend Data Science onderzoek uit en biedt geweldige zakelijke kansen met een voortdurend groeiend ecosysteem. Van startups tot KMO’s en grote ondernemingen, onze zakenpartners krijgen toegang tot talent, kennis op hoog niveau en zakelijke kansen.
Werk samen met JADS zoals 300+ andere organisaties en bedrijven en geef vorm aan uw datagedreven toekomst