Hoe DHL meer grip krijgt op veranderende omstandigheden

Logistiek dienstverlener DHL onderzoekt de mogelijkheden om data analytics toe te passen op operationeel niveau, om direct in te kunnen spelen op veranderende omstandigheden, onverwachte gebeurtenissen en uitzonderingssituaties. Maar deze 'near-realtime analytics' vraagt wel om andere data en nieuwe analysetechnieken.

Organisaties passen data analytics en machine learning al langer toe om uit data informatie te creëren en daarmee betere beslissingen te nemen. Vroeger gebeurde dit voornamelijk op strategisch niveau, maar tegenwoordig zetten steeds meer organisaties data-analyse in om operationele uitdagingen het hoofd te bieden; dagelijkse beslissingen gericht op een individuele klant of transactie.
 
Bij operationele toepassing van analytics wordt de data-analyse in kortere cycli uitgevoerd en levert dus sneller inzicht op. Het grote voordeel is dat er in plaats van op maand- of weekbasis nu op dag of uurbasis bijgestuurd kan worden om direct in te spelen op veranderingen. Dit wordt ook wel near-realtime analytics genoemd.
 
De gemiddelde dag bestaat niet bij DHL
DHL is zo’n organisatie die al langer data analytics op strategisch niveau inzet. Met traditionele optimalisatietechnieken van SAS worden distributienetwerken ‘eenmalig’ optimaal ingeregeld en zo nu en dan aangepast. DHL heeft echter, net als zijn concurrenten, te maken met grote dagelijkse variaties in bijvoorbeeld volume en gewicht van pakketten en goederen, maar ook in herkomst/bestemming-combinaties. De organisatie moet daarom een groeiende hoeveelheid uitzonderingen als dure ad hoc zendingen verwerken. Een gemiddelde dag bestaat niet voor de logistiek dienstverlener, terwijl het netwerk daar in principe wel op is ingericht. Om die dagelijkse variatie beter aan te kunnen, wil DHL moderne analysetechnieken inzetten. Dit vergt inzet van analytics op operationeel niveau.
 
Samen met DHL onderzoekt SAS hoe ze moderne technieken kunnen inzetten die verder gaan dan klassieke optimalisatie en simulatie. Er wordt bijvoorbeeld gekeken hoe in plaats van vaste rijtijden, kansverdelingen voor de rijtijden in het netwerkontwerp kunnen worden meegenomen. Daarnaast wordt machine learning ingezet om dagelijkse afwijkingen sneller te ontdekken en hier direct op in te grijpen. Je kunt dit zien als een soort controlekamer die realtime advies geeft over hoe te handelen bij afwijkingen. ‘Reinforcement learning’ kan worden gebruikt om met de uitkomsten het oorspronkelijke netwerk continu te evalueren en verder te verbeteren.
 
Aandachtspunten operational analytics
Artificial intelligence en machine learning zijn voor DHL bruikbare technieken om dagelijks bij te sturen in de operatie en zelfs binnen een tijdsbestek van uren aanpassingen in processen door te voeren. Om dit te doen, is het echter wel van belang dat op de juiste manier uitvoering wordt gegeven aan het algoritme.  
• Dynamische data – Zo is het nodig ook andere data dan alleen die uit het enterprise systeem te ontsluiten. Veranderingen in weer en verkeer hebben bijvoorbeeld een direct effect op de operationele processen. Maar ook kortcyclische veranderingen in koopgedrag en behoeften van consumenten hebben invloed. De inzichten die de analyse van dit soort dynamische data oplevert zijn dan ook cruciaal.
• Automatisering – Een tweede aspect betreft het automatiseren van het modelleerproces. Hierdoor kan de productiviteit van de data scientist worden vergroot, kunnen modellen sneller en gemakkelijker worden gebouwd en kan het algoritme automatisch worden getraind en aangepast op veranderende omstandigheden.
• Organisatorische inbedding – Ten derde moet een algoritme worden ingebed in de operatie. Het model moet daar zijn waar de data wordt gegenereerd. Dus niet alleen op het hoofdkantoor, maar ook in de vrachtwagen en onderweg.
• Natural language – Een laatste aspect is de mens-machine interactie. Door gebruik te maken van natuurlijke taal kan de gebruiker op een natuurlijke manier met het systeem communiceren en gaat er geen kostbare tijd verloren in het omzetten van vragen en antwoorden in begrijpelijke taal.

De analytische organisatie
DHL heeft de ambitie om door te groeien tot een volwassen analytische organisatie. Drie onderdelen zijn daarbij essentieel.
• Ten eerste moeten analytische processen worden ingericht die de complete analytics lifecycle van data tot en met beslissingen ondersteunen. Data management vormt de basis en daarna volgen de processen voor analytische modelvorming, model management en model deployment.
• Ten tweede is een analyseplatform vereist dat de volledige analytics lifecycle ondersteunt. Verschillende stakeholders, zoals management, analisten en data scientists werken hierin samen met specifiek voor hen bedoelde maar op elkaar afgestemde tools. Een dergelijk platform biedt tevens functies voor governance en security.
• Maar net zo belangrijk is dat er sprake is van een analytische cultuur: zowel het management als de werkvloer moet durven vertrouwen op de data en niet bij iedere afwijking of uitzondering terugvallen op eigen ervaring en onderbuikgevoel.

Om AI en machine learning voor toepassingen op operationeel niveau in te zetten, gaat het er vooral om hoe je in de praktijk uitvoering kunt geven aan het algoritme. Alleen als het algoritme in al zijn hoedanigheden aansluit op de operationele processen en de dagelijkse dynamiek, kunnen organisaties zoals DHL grip krijgen op uitzonderingen en direct inspelen op veranderende omstandigheden. Organisaties die data en analytics op deze wijze omarmen kunnen daarmee een voorsprong realiseren.