Categorie: Odat
Auteur: Nanno Scheringa

Waarom data-analyse op uw Logistieke data loont

Probleemstelling

Als logistieke organisatie die transporten afhandelt, kunnen de laadtijden oplopen als het aantal transporten stijgt. Hoe ga je hier dan mee om en wat is het verbeterpotentieel? Omdat het aantal transporten per FTE vaak wel volgens de gestelde normen is, blijft vaak onduidelijk wat de stijging veroorzaakt. En worden procesverbeteringen soms intuïtief doorgevoerd zonder procesanalyse, gedegen onderzoek of data-analyse.

Maar vat je dan wel de koe bij de hoorns, of loop je binnenkort weer tegen hetzelfde probleem/vraagstuk aan? En ga er dan maar aan staan dit proces te optimaliseren en verbeteringen door te voeren zonder een gedegen analyse. Maar daar is Odat, de Oliver IT Data afdeling met dito platform en diensten op het vlak van data met daarbinnen ook het onderdeel data-analyse. Daarmee kunnen we op basis van uw data wel de juiste inzichten verschaffen die nodig zijn om daadwerkelijk de koe bij de horens te pakken en de vinger op de zere plek of plekken op de diverse meetpunten binnen uw logistieke proces te leggen.

Oplossing

Door onze Data-aanpak (Odat) in combinatie met onze jarenlange kennis van logistieke processen en dito ICT oplossingen, komen we snel tot de kern van het probleem en dus de oplossing.

Om een verklaring te vinden, gaan wij met de klant aan de slag bij het verzamelen van de relevante data. Deze relevante data wordt dan in ons Odat platform geladen en opgeslagen. Met data-analyse zoeken we dan in de data naar statistische correlaties. Bijvoorbeeld door het verband tussen het aantal transporten en de laadtijd te onderzoeken en te vertalen in een algoritme. Met het algoritme uit deze data-analyse kunnen we de laadtijd gaan voorspellen op basis van het aantal te verwachten transporten. De eerste stap is daarmee gezet!

Voor veel van de andere transportkenmerken, bijvoorbeeld soort vrachtwagen, is er vaak eenzelfde correlatie met de laadtijd terug te vinden. Als er sprake is van correlatie, hoeft er niet altijd sprake van oorzaak en gevolg te zijn.
Het aandeel van het aantal transporten met een zeker kenmerk, kan gelijk blijven ten opzichte van het totale aantal transporten. Als dat zo is dan zijn deze kenmerken op zichzelf geen oorzaak voor de groei van de laadtijd, maar groeit het aantal transporten met dit kenmerk zelf ook mee met het aantal transporten. Door deze aanpak komen wij stapsgewijs tot een verhelderend inzicht, waarmee intuïtieve aannames weerlegd kunnen worden in de zoektocht naar procesverbetering(en).
Is echter wel aantoonbaar dat een kenmerk leidt tot een toename van de laadtijd dan hebben we hier een eerste aanknopingspunt en gaan we hierop verder analyseren. Op deze manier pellen we de data af en komen we via de analyse tot de kern van het probleem.

Maar met de transportkenmerken alleen zijn we er ook nog niet, want logistiek op een plant is en blijft voor een groot deel mensenwerk.

Business Case
Zo hadden we een case waarbij uit een analyse bleek dat er bij hogere aantallen transporten structureel overwerk nodig was en het aantal FTE sterker steeg dan het aantal medewerkers. Dan zit daar dus een issue en zullen de medewerkers dus langer moeten werken om alle transporten af te handelen met als gevolg dat de transporten ook langer moeten wachten. Door hier te rekenen met FTE’s en niet te kijken naar de beschikbare capaciteit gaf de norm van het aantal transporten per FTE een misleidend beeld.

Het Friet Bakkers Model
Om het effect duidelijk te maken, hebben we een Friet Bakkers Model bedacht, dat dit probleem illustreert. Met patat werkt dit model trouwens ook:)

In het model is er een frietkot met een frietbakker die in een periode voor een aantal klanten friet bakt. De frietbakker is niet zo efficiënt en bakt maar 1 portie friet per keer.

Het model heeft 2 parameters:

  • Hoeveel klanten op het begintijdstip aanwezig zijn en
  • Het aantal minuten tussen klanten.

Het aantal minuten voor het bakken van 1 portie friet is een constante. De tijd dat het frietkot normaal open is, is ook constante en noemen we de FBE (FrietBak Eenheid).
De organisatie kan met deze parameters spelen om te zien wat de effecten zijn op het aantal klanten, het aantal FBE dat nodig is en de gemiddelde wachttijd.
Als de tijd tussen het arriveren van de klanten kleiner is dan de tijd voor het bakken van de friet, ontstaat er een wachttijd. De frietbakker moet dan ook langer werken dan 1 FBE om alle klanten van friet te voorzien.
Als je echter het aantal friet per FBE berekent voor de verschillende scenario’s dan blijft dit voor de verschillende scenario’s gelijk.

Ons model en de uitkomsten van de data-analyse zal uw organisatie verder helpen om tot de door u gewenste procesverbeteringen en efficiency slagen te komen. De hierboven beschreven situatie is er 1 van velen waarmee wij u kunnen helpen met de inzet op uw data en data-analyse.

Bent u getriggerd en wilt u meer weten, schroom niet en neem contact met ons op om samen met Oliver IT een Odat Quick-scan op uw logistieke data te doen.

Specifiekere vragen?

Vul uw e-mailadres in en Oliver IT neemt zo spoedig mogelijk contact met u op!

Gelukt! We nemen spoedig contact met u op!
Ardiles Mozesz Consultant
Ardiles Mozesz