Digital Platform & Insight

    Deel via:

    Machine learning: 4 voordelen voor transportplanners

    Veel organisaties zijn voor een efficiënt transport afhankelijk van hun transportmanagementsysteem (TMS). Machine learning (ML) brengt zo’n systeem naar de 21e eeuw. Daar kunnen planners flink van profiteren.

    Wil jij ook jouw supply chain transformeren? We vroegen 32 experts naar hun kijk op de digitale transformatie en technologieën die hierin een centrale rol spelen. Download hier kosteloos de whitepaper.

    Download gratis

    Het lijkt soms wel een hype, door alle aandacht in blogs zoals deze, enthousiaste verhalen en ronkende beloften. Toch is ML dat beslist niet. Deze technologie wordt inmiddels al breed toegepast in de praktijk, waaronder door leveranciers van TMS’en.

    Routes bepalen

    ML heeft een voor de logistieke sector welkome eigenschap: het herkennen van patronen. Een ML-systeem leert na verloop van tijd welke invloed een bepaalde invoer heeft op de uitvoer. Daardoor kan het op een gegeven moment voor nieuwe invoer van tevoren de uitvoer voorspellen.

    Dat klinkt abstract, maar wanneer je dat vertaalt naar een TMS ontstaan interessante mogelijkheden. ML kan leren hoe de eigenschappen en gegevens van aangeboden goederen en bijbehorende orders bepalend zijn voor de routes die gepland worden. Na de initiële ‘leerfase’ kan het ML-algoritme helpen met de algehele transportplanning.

    Hieronder 4 voorbeelden van de kracht van ML voor een TMS:

    1. Realistischer schatting van aankomstdatum en tijd

    Natuurlijk kun je een ML-systeem voeden met gebruikelijke data als het laadadres, het losadres, aantal pallets, het type trailer, enzovoorts. Een TMS-systeem met ML zal dan met min of meer dezelfde route op de proppen komen als een systeem zonder dit zelflerende vermogen.

    Maar transport is ook aan allerlei externe invloeden onderhevig. Denk bijvoorbeeld aan weer- en verkeersomstandigheden. Een ML-systeem kan goed overweg met deze ‘nieuwe’ data. Het bekijkt eerdere leveringen tijdens dergelijke omstandigheden en leert daarvan. Zo kan het uiteindelijk een realistischer schatting van aankomstdatum en -tijd geven dan een traditioneel systeem.

    2. Verkeersopstoppingen vermijden

    Verkeersopstoppingen zorgen voor de nodige frustraties. Leveringen kunnen later aankomen, met een gefrustreerde klant als gevolg. Zou het niet handig zijn als planners verkeersopstoppingen van tevoren konden voorspellen, zodat ze tijdig een andere route kunnen kiezen?

    Dat is precies wat ML mogelijk maakt. Nu hebben we inmiddels wel een duidelijk beeld van waar en wanneer files normaliter ontstaan op snelwegen, maar we krijgen ook steeds meer data over bijvoorbeeld provinciale wegen. Wanneer ML een verkeersopstopping voorspelt, kan het de chauffeur op tijd omleiden. Daardoor zal deze dus minder of geen tijd verliezen.

    3. Slim toewijzen van chauffeurs

    Natuurlijk kan een TMS, met of zonder ML, automatisch chauffeurs toewijzen aan vrachtwagens en routes. Echter, in de praktijk blijkt dat de planner vaak het beste op de hoogte is van alle ins en outs van de chauffeur en zelf de chauffeurs (gedeeltelijk) toewijst. Denk bijvoorbeeld aan welke chauffeur in welke vrachtwagen van een bepaald type of merk wil rijden en welke chauffeur iedere avond thuis, of juist de hele week weg wil zijn.

    ML kan leren hoe de planner manueel de chauffeurs toewijst en dus de planning aanpast of aanvult. Het ML-algoritme zou de planner kunnen helpen door bijvoorbeeld een voorgesorteerd lijstje te geven van mogelijke chauffeurs voor de vrachtwagen op basis van eerdere planningen.

    4. Suggesties voor routeaanpassingen

    ML kan leren van door planners gemaakte routeaanpassingen. Stel dat een planner weet dat een bepaalde vracht in de praktijk altijd kan worden toegevoegd op een route, ook al gaat het geladen volume dan 3% over het maximum. Waar zonder ML steeds een handmatige aanpassing noodzakelijk is, zal een ML op een bepaald moment ‘inzien’ dat die 3% overschrijding geen probleem vormt en dit automatisch voorstellen.

    Machine learning is definitief de kinderschoenen ontgroeid en biedt belangrijke praktijkvoordelen voor logisiteke planners. Het is dan ook een belangrijk aandachtspunt voor wie een nieuw of vervangend TMS-systeem overweegt.

    Wil jij ook jouw supply chain transformeren? We vroegen 32 experts naar hun kijk op de digitale transformatie en technologieën die hierin een centrale rol spelen. Download hier kosteloos de whitepaper.

    Download gratis