Data science toepassingen in de logistiek: 5 voorbeelden

In de logistieke sector is het gebruik van data science momenteel één van de belangrijkste ontwikkelingen. Waar in de jaren 90 en beginjaren van deze eeuw vooral de nadruk lag op procesverbetering via lean six sigma, wordt nu vooral het gebruik van data steeds belangrijker.

De reden hiervoor is dat de logistieke sector bij uitstek geschikt is voor data-gedreven werkwijzen. Er wordt namelijk op dagelijkse basis veel data verzameld die gebruikt kan worden om betere beslissingen te nemen. Dit kan enerzijds door op basis van historische data verbeteringen door te voeren (bijvoorbeeld door middel van machine learning en/of statistiek), maar ook door gebruik te maken van informatie over het huidige proces (door bijvoorbeeld een planning continu te optimaliseren).

In deze blog gaan we kijken waar je als bedrijf aan moet voldoen om met data science aan de slag te gaan en geven we vijf concrete voorbeelden van waardevolle toepassingen van data science in de logistiek.

Wat heb je nodig om data science toe te passen in de logistiek?

Data science wordt gebruikt om betere beslissingen te nemen op basis van data. Hiervoor zijn drie dingen benodigd: (1) goede data, (2) de juiste tools en (3) data scientists.

Goede data is tegenwoordig meestal geen probleem, omdat logistieke bedrijven vaak werken met ERP-software of warehouse management systemen (WMS). Deze software verzamelt continu op gestructureerde wijze zeer veel data. Echter, dit is nog niet helemaal vanzelfsprekend, daarom is het aan te raden om bij de selectie van dit soort software goed te letten op de mogelijkheden om data uit deze systemen te halen.

Daarnaast heb je de juiste tools nodig om aan de slag te gaan, hiervoor is met name de programmeertaal Python cruciaal, daarnaast kan ook SQL (zeker i.c.m. Python) erg handig zijn (zie ook Python vs SQL). Python is de beste en daarom ook meest gebruikte taal om geautomatiseerd algoritmes uit te kunnen voeren op jouw data.

Tot slot moeten data scientists de data middels Python omzetten in bruikbare informatie. Dit vereist de nodige kennis, indien deze kennis nog niet in jouw organisatie aanwezig is kan je bij ons een data science opleiding volgen.

Indien je zowel goede data als Python tot je beschikking hebt kan je in de praktijk aan de slag. Daarom volgen nu vijf goede voorbeelden ter inspiratie.

Vijf voorbeelden van data science toepassingen in de logistiek

1.   Voorraadbeheer

In de logistiek is voorraad managen zeer belangrijk: enerzijds is voorraad kostbaar en neemt het veel ruimte in beslag, anderzijds is het cruciaal om een goede dienstverlening te realiseren. Gelukkig is er vaak veel data beschikbaar die je kan helpen de voorraad te optimaliseren, zoals: levertijden vanuit de leverancier, aantal bestellingen per jaar, de prijs, fysieke afmetingen, etc.

Deze informatie kan je op meerdere manieren gebruiken. Zo kan je bijvoorbeeld met behulp van supervised machine learning de vraag voorspellen waardoor je tijdig het voorraadniveau kan afstemmen op deze vraag.

Daarnaast kan je door middel van machine learning, maar ook door middel van simulaties, voorspellen per SKU (voorraadhoudend item) hoe vaak een onderdeel niet op voorraad zal zijn gegeven een bepaald voorraadniveau en hierop het voorraadniveau aanpassen.

2.   Magazijn optimalisatie

In een magazijn worden per dag veel logistieke transacties gedaan. Een praktische toepassing van data science kan zijn om per pick order de optimale route te plaatsen, zodat een magazijnmedewerker zo min mogelijk meters aflegt bij het verzamelen van de benodigde producten in het magazijn.

Daarnaast kan je ook de indeling van het magazijn optimaliseren door bijvoorbeeld per product te analyseren wat het gebruik is en i.c.m. welke andere producten deze vaak benodigd is. Door middel van bijvoorbeeld simulaties in Python kan je achterhalen wat de optimale indeling is en ook zo flink wat onnodige meters besparen.

3.   Accurate levertijden voorspellen

Elke klant wil graag weten wanneer zijn bestelling geleverd zal worden, alleen het is soms een flinke uitdaging om dit accuraat te kunnen vertellen. Een logistiek proces is namelijk een keten van meerdere stappen. Dit zorgt voor onzekerheid: niet elke stap duurt altijd even lang en hoe lang elke stap duurt kan van vele factoren afhankelijk zijn.

Hier biedt machine learning een uitkomst. Door te kijken naar historische data en de duur van het proces, kan je voor een nieuwe order middels algoritmes accuraat bepalen hoe lang het proces naar verwachting zal duren. Zo weet je dus wanneer de klant zijn bestelling geleverd zal hebben en hoe zeker je bent over deze verwachting.

Deze zekerheidsmarge kan ook weer handig zijn voor het interne proces: alle bestellingen waarvan de levertijd een grote onzekerheid heeft kunnen bijvoorbeeld in aanmerking komen voor extra opvolging, op die manier beheers je de risico's zoveel mogelijk.

4.   Planning optimalisatie

Een planning maken voor een logistiek proces, bijvoorbeeld een productieproces, kan complex zijn aangezien je met heel veel afhankelijkheden te maken. Zo heb je bij machines vaak te maken met omsteltijden die je wilt minimaliseren en/of hebben producten meerdere bewerkingen in specifieke volgordes nodig.

Dit leidt vaak tot een 'klassiek' optimalisatieprobleem: je wilt zo min mogelijk kosten hebben (bijvoorbeeld zo min mogelijk omstellen per machine) maar ook een zo laag mogelijke doorlooptijd.

Gelukkig zijn er met Python veel packages die dit soort optimalisaties vergemakkelijken, zoals bijvoorbeeld SciPy. Eenmaal geïmplementeerd in Python kan je op die manier continu de optimale planning bepalen.

5.   Altijd de juiste prioriteiten stellen

Prioriteit stellen in een logistieke omgeving is cruciaal: indien je nu bezig bent met een product dat niet urgent is, kan mogelijk iets anders te laat komen. Dat is zonde, want door gebruik te maken van data kan je dit voorkomen. Dit is met name in de logistiek erg belangrijk omdat er vaak sprake is van een hoog volume en dus continu wijzigende omstandigheden.

Door de data uit de systemen slim met elkaar te combineren en visualiseren en te analyseren middels Python, kan je voor iedereen binnen de organisatie transparant maken wat de prioriteiten zijn.

Twee voorbeelden:

1. Er wordt plots een bestelling geleverd met producten die nodig zijn voor een belangrijke oder. Dit betekent dat er nu in het proces iets wordt behandeld dat minder belangrijk is. Middels automatische analyse in Python kan dit gedetecteerd worden en vervolgens in een dashboard direct gevisualiseerd.Ook interessant: een dashboard maken in Python
2. Op basis van een demand forecast wordt geconstateerd dat de vraag voor een product waarschijnlijk toe gaat nemen. Dit kan een signaal zijn voor inkoop zijn om de inkooporders direct te verhogen indien er een mogelijk voorraadtekort. Ook deze logica kan je meerdere malen per uur uitvoeren middels een Python script en visualiseren in een dashboard.

Conclusie

Data science is zeer geschikt om toe te passen binnen de logistiek vanwege de grote hoeveelheden data, dit biedt enorme kansen. Enerzijds kan je voorspellingen doen om zo meer grip te krijgen op het gehele proces. Daarnaast kan je door slimme logica toe te passen op de momenteel aanwezige informatie ervoor zorgen dat je nu continu de beste beslissingen neemt en niet onnodig veel tijd kwijt bent aan bijvoorbeeld order picken of niet volgens de juiste prioriteiten werken. Hoe dan ook, door slim gebruik te maken van data en de mogelijkheden van Python krijg je meer grip op alle onderdelen van het proces.

Wil je nog veel meer leren over Python en de mogelijkheden voor data scinece? Schrijf je dan in voor onze Python cursus voor data science, onze machine learning training, of voor onze data science opleiding en leer met vertrouwen te programmeren en analyseren in Python. Nadat je een van onze trainingen hebt gevolgd kun je zelfstandig verder aan de slag. Je kunt ook altijd even contact opnemen als je een vraag hebt.

Download één van onze opleidingsbrochures voor meer informatie