CAPE Groep
Top view of an ocean carrier at the harbour.

Predicting arrival times of container vessels

CAPE Groep biedt binnen de Digital Factory een uitdagende en inspirerende omgeving voor wetenschappelijk onderzoek naar digitale transformatie en innovatie. Voor uiteenlopende organisaties vertalen we strategische vraagstukken naar wendbare oplossingen. CAPE Groep werkt samen met universiteiten en kennisinstellingen, zoals de Universiteit Twente, TKI Dinalog en NWO, continue aan innovatieve projecten. Zo brengen we wetenschap en bedrijfsleven bij elkaar en komen we tot oplossingen die het verschil maken. Onderwerpen waarin wij opdrachten aanbieden bevinden zich binnen de gebieden digitale transformatie, CI/CD, blockchain, BI en big data, machine learning, IoT en innovatie.

Op regelmatige basis publiceren wij een aangepaste managementsamenvatting van deze Thesis onderzoeken als blog op onze website.

Nina Bussmann

Onderzoek: ‘Predicting Arrival Times of Container Vessels’

Introductie
Een Nederlandse logistieke dienstverlener (Logistic Service Provider, LSP) ervaart dat er vaak (veel) verschil zit tussen de verwachte aankomsttijd die gecommuniceerd wordt naar de klant (Estimated Time of Arrival, ETA) en de werkelijke aankomsttijd van een order. Dit verschil ontstaat doordat de LSP de aankomsttijd van een order uitsluitend baseert op het vaarschema van de uitvoerende rederij. Dit vaarschema blijkt onbetrouwbaar: 20% van de orders die de LSP heeft uitgevoerd over de afgelopen 2,5 jaar is niet op tijd gearriveerd. Een order wordt hierbij pas geclassificeerd als ‘niet op tijd’ wanneer de werkelijke aankomsttijd zes of meer dagen verschilt met de verwachte aankomsttijd. In het geval dat er geen verschil toegestaan zou zijn, zou 74% van de orders niet op tijd gearriveerd zijn.
Na een enquête, die uitgezet is bij de klant, is gebleken dat er behoefte is aan proactieve communicatie van nauwkeurige aankomsttijden. Het ontbreken hiervan leidt voor zowel de LSP als de klant tot inefficiëntie en hogere kosten. De LSP zal bij een afwijkende aankomsttijd extra kosten moeten maken voor het informeren van de klant. Daarnaast zouden ze, in het slechtste geval, klanten kunnen verliezen omdat deze financieel het meest worden beïnvloed door een afwijkende aankomsttijd. De kosten die zij moeten maken bestaan uit het herindelen van de order in het proces en overliggelden. Het probleem gaat dus niet over of de order later of eerder aankomt, maar om het communiceren van een nauwkeurige, precieze datum. Om deze reden wordt onderzoek gedaan naar het ontwikkelen van een voorspellingsmodel die het verschil in aankomsttijd kan voorspellen vóór de daadwerkelijke verzending, zodat een nauwkeurigere aankomsttijd gecommuniceerd kan worden naar de klant.
 
Aanpak
 
Om het voorspellingsmodel te ontwikkelen wordt historische order data (vanaf oktober 2016) van het LSP gebruikt. De historische data is eerst opgeschoond en beoordeeld op kwaliteit. Na een aantal stappen is een optimale verzameling van attributen gevonden die van voorspellende waarde zijn voor de doelvariabele (= ‘de Delta’: het verschil in werkelijke en geplande aankomsttijd, wordt berekend vanaf het moment dat de zending arriveert bij de aankomsthaven), namelijk: Departure Week (of the year), Departure Day (of the week), Arrival Week (of the year), Arrival Day (of the week), Carrier en Port of Delivery, zoals afgebeeld in de figuur. Met de zes voorspellende variabelen is het model gebouwd die de Delta probeert te voorspellen.
% voorspellende waarde voorspelvariabelen
 
 
Resultaat
Na onderzoek is er besloten om ‘random forest’ toe te passen als machine learning algoritme om het model op te trainen en testen. ‘Random forests’ hebben een voordeel ten opzichte van andere machine learning technieken, omdat ze om kunnen gaan met gecorreleerde voorspelvariabelen, wat het geval is bij sommige variabelen in het model. Daarnaast zijn ‘random forests’ bestand tegen ‘overfitting’. De resultaten van het trainen van het model en de validatie in de testopstelling bevestigen dat het model de Delta nauwkeurig kan voorspellen; er is een goede fit.

Wat levert het op?
Nu het voorspellingsmodel die de afwijking van de aankomsttijd kan voorspellen staat, kan een vertaalslag gemaakt worden naar verbeterde bedrijfsprocessen voor zowel de LSP als de klant. Er is gekozen om een kostenbesparingsmodel vanuit het perspectief van de klant te gebruiken, omdat zij financieel het meest beïnvloed worden door de directe gevolgen van de afwijking van de aankomsttijd. In het kostenbesparingsmodel zijn er drie kostenparameters betrokken:
• Overliggeld;
• Herindelingskosten;
• Kosten voor het opraken van voorraad.

In het kostenbesparingsmodel bestaat de besparing uit het verschil tussen de kosten in de huidige situatie en de kosten in de nieuwe situatie. Het kostenbesparingsmodel laat zien dat wordt verwacht dat de klant gemiddeld €771.025,- op jaarbasis bespaart wanneer de LSP de voorspelde ETA communiceert in plaats van de aankomsttijd die gebaseerd is op het vaarschema van de rederij.

De LSP heeft echter meer te winnen dan alleen een tevreden klant die kosten kan besparen door middel van een nauwkeurigere ETA. Daarom worden ook de verbeterde bedrijfsprocessen vanuit het perspectief van de LSP bekeken. Hun verhoogde efficiëntie wordt gekwantificeerd door het aantal keer dat de LSP contact moet leggen met de klant te tellen in de huidige en nieuwe situatie. Klantencontact is vereist vanaf een afwijking van vier dagen of meer en is bedoeld om de klant te informeren over de afwijking in aankomsttijd. Wanneer de huidige situatie vergeleken wordt met de nieuwe situatie is er in 84% van de orders geen klantcontact meer nodig omdat de ETA niet meer zo veel afwijkt. Dit zou een positief effect hebben op de reputatie van de LSP omdat er tegemoet is gekomen aan de behoefte van de klant om nauwkeurige aankomsttijden te ontvangen. De zorgen van de LSP om klanten te verliezen zullen op deze manier verdwijnen, en bedrijfsprocessen kunnen efficiënter in worden geregeld omdat zij minder klantcontact hoeven te leggen.

Nieuwsgierig naar meer onderzoek naar digitale transformatie en innovatie binnen de logistieke sector? Lees hier ook het onderzoek naar het visualiseren van prestaties van rederijen. 

Deel dit artikel:

Share on linkedin
LinkedIn
Share on twitter
Twitter
Share on facebook
Facebook