Verminderen van transport problemen en vertragingen door middel van kunstmatige intelligentie

Het team van Quicargo ‘matcht’ elk kwartaal duizenden bedrijven met transport behoeften met een geschikt transportbedrijf. We behandelen maandelijks duizenden transportopdrachten voor verladers in Europa met een waarde van honderdduizenden euro’s.

Als onderdeel van onze visie willen wij onze verladers te allen tijde de best mogelijke dienstverlening aanbieden. Desalniettemin zijn supply chains ingewikkeld. Zodra zich een probleem voordoet veroorzaakt dit vaak neveneffecten en kan de eindconsument hier hinder van ondervinden.

Transport incidenten en problemen

Om dit beter te begrijpen is het handig om een algemeen voorbeeld aan te halen, dat bijna op alle producten van toepassing is:

Je wil een verjaardagstaart kopen in één van je favoriete supermarkten. De taart zit in een plastic verpakking. De supermarkt koopt het plastic van een groothandelaar, die weer wordt bevoorraad door een plastic producent. Als zich een probleem voordoet tussen de producent en groothandelaar – bijvoorbeeld een vertraging van 1 dag – dan heeft dat effect op het productieproces van de verjaardagstaart. Veel mensen denken dat een supermarkt een voorraad aan plastic verpakkingen heeft klaarliggen om dit soort problemen op te vangen, maar dit is niet altijd het geval. Dit komt met name omdat het kostbare ruimte kost om dergelijke producten op te slaan. Hierdoor zijn de voorraden vaak minimaal.

Transport problemen en incidenten
Daarnaast, wanneer er iets verkeerd gaat tijdens het transport, zal er meer tijd moeten worden uitgetrokken om het probleem te verhelpen. Hier zijn uiteraard onvermijdelijke kosten mee gemoeid voor de verladers, verzenders, Quicargo of voor alle partijen.

Preventieve maatregelen

Incidenten met betrekking tot transport zijn kostbaar in tijd, maar zeker ook als men de negatieve effecten op andere onderdelen van de supply chain in ogenschouw neemt. Daarom streven we naar een systeem waarin we deze problemen kunnen voorkomen. Desalniettemin rest de vraag: hoe kunnen we anticiperen op transportproblemen?

Als we zouden beschikken over een extreem ervaren planner die alle transportopdrachten kan overzien en die kan voorspellen waar er mogelijk fouten optreden, dan zouden we gericht extra aandacht kunnen besteden aan veelvoorkomende transport incidenten of problemen waar veel tijd en geld mee gemoeid zijn

Beeld je in: een transport planner die honderdduizenden transportopdrachten analyseert met een proces snelheid en geheugen van een supercomputer. Zodra deze denkbeeldige planner een opdracht bekijkt kan er meteen worden geanticipeerd op ‘verdachte’ situaties. Bijvoorbeeld als de opdracht lastige tijdvensters bevat, of als de opdracht op minder bekende bestemmingen moet worden uitgeleverd. In dit soort gevallen kan de planner een waarschuwing geven: “pas op, deze transportopdracht heeft een verhoogde kans op logistieke problemen”.

In werkelijkheid hebben we niet zo’n soort ‘superplanner’ met een dergelijk anticipatievermogen voor transportproblemen. Een computer kunnen we dit wel leren. Dit is wat we verstaan onder ‘machine learning’.

Machine learning en kunstmatige intelligentie bieden uitkomst

Bij Quicargo hebben we hard gewerkt aan een systeem waarin machine learning wordt ingezet om mogelijke transportproblemen te voorspellen. Denk hierbij aan fouten in het adres, lange wachttijden, vertragingen of ontbrekende pallets. Hieronder vind je een overzichtelijk stappenplan van onze werkmethode:

Stap 1: Analyse van statistieken

We zijn de data van onze oude transportopdrachten nagelopen en hebben gekeken naar overeenkomsten in de kenmerken van de opdrachten met problemen. Hieronder een voorbeeld van een dergelijke analyse:

Analyse transport data
De grafiek toont aan welke kenmerken van een opdracht overeenkomen met operationele problemen of incidenten.

Stap 2: Het systeem trainen

De volgende stap is om de algoritmes kennis te laten opdoen van transportproblemen die zich hebben voorgedaan in het verleden. We tonen het systeem zowel problematische als non-problematische opdrachten zodat het algoritme regels kan toepassen om onderscheid te maken tussen beide.
Transport algoritmes trainen

Stap 3: Voorspellen

Wanneer een nieuwe transportopdracht wordt geplaatst in het systeem, dan gaan de algoritmes hun werk doen. Het machine learning model geeft dan een risicofactor af over de nieuwe transportopdracht.
Transport problemen voorspellen

Stap 4: Anticiperen en verhelpen

Dankzij de zelflerende algoritmes kunnen we nu operationeel anticiperen op transportopdrachten met een verhoogd risico. Zo kunnen medewerkers bij Quicargo preventief acteren en helpt het met prioriteren van taken.
transport problemen anticiperen

Het resultaat

Het resultaat is een drastische daling van het aantal operationele problemen. De voorspellende gave van de zelflerende algoritmes en de preventieve maatregelen van onze medewerkers zorgen voor vlotter lopende supply chains.

Door het gebruik van deze zelflerende algoritmes zijn we in staat om meer dan 63% van onze transportopdrachten te labelen met een risicofactor. Dit gebeurt al ver voordat de sleutel in de vrachtwagen wordt omgedraaid om te gaan rijden en zelfs voordat de opdracht compleet is ingepland.

Door proactief maatregelen te treffen voor deze 63% van de opdrachten, is het mogelijk om de kans op operationele problemen en incidenten met minstens 20% te verlagen.

Zelflerende algoritmes transport

Dit systeem is eigenlijk nooit af. We zullen de zelflerende algoritmes blijven verbeteren om de uitkomsten nog preciezer en betrouwbaarder te maken, om zodoende nog meer transportproblemen te kunnen voorkomen in de toekomst.

Wil jij je supply chain efficiënter maken? Ga van start en ervaar hoe het platform van Quicargo jou tijd en kosten bespaart.

Geschreven door Nima Maleki, Data Scientist @ Quicargo

Nima Quicargo