Winkelmand

Geen producten in de winkelwagen.

Hoe je met data levens kunt redden

Data-analytics kan helpen bij het vinden van een oplossing voor de knelpunten binnen voorraadbeheer. Waardoor bijvoorbeeld donatie- en transplantatieprofessionals zo snel mogelijk ter plaatse zijn wanneer een donororgaan beschikbaar komt. ‘Het gaat om patroonherkenning.’

voorraadketen harttransplantatie
Foto: Alexandru Acea via Unsplash

28‘Een bedrijf als Amazon is toonaangevend in prescriptive analytics: op basis van vraagvoorspellingen past het prijzen aan en kan het voorraadposities opnieuw berekenen. Amazon heeft zelfs een anticipatory shipping-model, waarbij Amazon – nog voordat iemand besteld heeft– een product, passend bij een bepaald klantprofiel, al verstuurt naar een distributiepunt in de buurt van de vermoedelijke afnemer. Daarmee kan de voorraadketen efficiënter worden vormgegeven.’

Aan het woord is Dr. Kristiaan Glorie, program director bij Erasmus Q-Intelligence (EQI). Deze organisatie wordt regelmatig benaderd door bedrijven en instellingen met vragen als: hebben wij de juiste voorraden? Gebruiken wij de juiste locatie met het oog op de beschikbaarheid voor de klant, zodat wij snel kunnen leveren?

‘Dat zijn bedrijfsspecifieke vragen waarvoor data nodig zijn én de juiste kennis om er iets mee te doen’, zegt Prof. dr. ir. Rommert Dekker, expert op het gebied van logistiek aan de Erasmus Universiteit en nauw betrokken bij Erasmus Q-Intelligence.

Levenscyclus bepalen

Dekker heeft veel onderzoek gedaan naar het op voorraad houden van reserveonderdelen door bedrijven. ‘Neem bijvoorbeeld producten met verschillende levenscycli: een koelkast, een mobiele telefoon en een televisie. Hoeveel reserveonderdelen moet een producent op voorraad houden om aan de vraag te voldoen, wanneer de verwachte levensduur van een product op zijn eind loopt?’

‘Een mobiele telefoon wordt al gauw na twee jaar ingeruild voor een nieuwere of betere. Een koelkast houden we meestal aan tot hij stuk gaat of hij krijgt een tweede leven in een zomerhuis of bij studenten. Een televisie heeft weer andere levensduur-karakteristieken.’

Patroonherkenning

Daarom zoekt Dekker naar het motief voor mensen om een product weg te doen. ‘Het gaat om patroonherkenning. Daar kijken wij naar en in combinatie met de verkoopdata in het verleden, bepaal je de potentiële vraag. Dat geeft een betere indicatie van de vraag in de toekomst dan wanneer je uitsluitend kijkt naar de verkoopcijfers in het verleden.’

Glorie: ‘De voorspelmodellen van EQI kunnen uit het volledige productaanbod leren. Ook uit producten die niet meer worden verkocht – die kunnen namelijk relevante informatie bevatten over, bijvoorbeeld, de end-of-life phase. Het huidige productassortiment zit misschien nog in de piekfase, maar je wilt ook weten hoe het gaat als productverkoop afloopt.’

Belang van relevante data

Vaak wordt verondersteld dat voor datagedreven management veel data nodig is. Maar het gaat volgens de heren Dekker en Glorie veel meer om de juiste data dan om de hoeveelheid data. Glorie: ‘De kwaliteit van de data is vaak heel wisselend. Dat komt bijvoorbeeld omdat een deel van de informatie uit legacy (verouderde systemen) afkomstig is.’ Dekker vult aan: ‘Of omdat het verkeerd geregistreerd is. Op veel vlakken wordt data vervuild. Of ze gooien oude data weg, omdat ze een nieuw IT-systeem kopen.’

Als voorbeeld noemt Dekker de manier waarop in het verleden bestellingen plaatsvonden bij ziekenhuizen. ‘We hebben daar onderzoek naar gedaan: 10% van de bestellingen was verkeerd geregistreerd. Oftewel, het verkeerde product werd besteld en weer teruggestuurd. De oorzaak: ze hielden Excelsheets bij met productcodes, maar die codes veranderden steeds.’ Nadat de systemen van de ziekenhuizen werden geïntegreerd met die van de leveranciers werkte het ordersysteem beter. Met minder verkeerde bestellingen als resultaat.

Levensreddende data-analytics

Glorie: ‘Om net als Amazon inzicht te krijgen in de toekomstige vraag en de beste logistieke beslissingen op basis van die vraag, zijn simulatie- of optimalisatiemodellen nodig. Die worden gevoed met informatie uit een voorspelmodel.’ Hij noemt als voorbeeld een opdracht die EQI uitgevoerd heeft voor de Nederlandse Transplantatie Stichting. ‘De vraagstelling was daar: hoe kunnen wij de logistieke organisatie zo inrichten zodat donatie- en transplantatieprofessionals zo snel mogelijk ter plaatse zijn wanneer een donororgaan beschikbaar komt?’

‘Daarbij spelen variabelen als: hoe snel kan een uitname-team ter plaatse zijn? Hoe lang zijn de dienstroosters? Hoe vaak moet een team bijspringen in een andere regio, omdat er in die regio zelf geen team beschikbaar is? Met simulatiemodellen kan je berekenen hoeveel teams je ter beschikking moet hebben, waar ze gestationeerd moeten zijn en hoe je omgaat met dienstwisselingen. Daar hoef je je logistieke keten niet op voorhand voor overhoop te halen. Het biedt wél houvast bij het bepalen van toekomstbeleid.’

Advies: welke concrete vragen wil je beantwoord hebben als bedrijf?

‘Investeren in een IT-systeem is heel duur. Vaak wordt gedacht: als we een nieuw systeem hebben, komt de analyse vanzelf. Ons advies: denk eerst goed na over welke concrete vragen je beantwoord wilt hebben’, zegt Glorie.

‘Daar kan onze data-analyticsscan bij helpen. Vervolgens bekijken we welke data werkelijk nodig is: dus niet alle data, maar slechts de data die van direct belang zijn voor de vragen waarvoor de organisatie zich gesteld weet. Dat is een relatief eenvoudige studie en kan al voldoende zijn. Zo vermijd je het risico van verkeerde data.’

Benieuwd hoe Intel en General Motors (GM) hun voorraadbeheer met behulp van data-analytics optimaliseerden? Download dan de gratis casus papers.