The Business Problem

In de wereld van logistiek kan het beheer van lege containers niet over het hoofd worden gezien. Boston Consulting Group (BCG) schat dat in de containervaart tot 8% van de bedrijfskosten van een scheepvaartmaatschappij betrekking heeft op het herpositioneren van lege containers – zonder de bijbehorende kosten van opslag en onderhoud van lege containers (BCG, 2015). Voor het wegvervoer is de situatie niet veel anders: onjuist beheer van de lege vloot kan leiden tot overschotten op het ene gebied en tekorten op het andere, wat leidt tot gederfde inkomsten en hogere kosten.

Bij logistieke bedrijven springen er twee gemeenschappelijke factoren uit die het probleem van het beheer van lege containers nog verergeren:

  • Het gebruik van Excel voor planning, dit is inefficiënt mede doordat dit grotendeels handmatig ingevoerd moet worden (Supply Chain Dive, 2018)
  • Er is een gebrek aan zicht op de kosten, door het ontbreken van een bedrijfsbreed kosten-overzichtssysteem

The Solution

NileDutch en TIP Trailer Services zijn twee Nederlandse logistieke spelers die zich tot AI-oplossingen wenden om het beheer van hun lege vloot te verbeteren. Hoewel NileDutch op zee opereert en TIP Trailer Services op land, komen de bedrijven overeen in zowel de totale omvang van de vloot als in de problemen die ongebruikte activa voor hen kunnen creëren. Beide bedrijven kunnen het probleem dan ook op dezelfde manier oplossen: door het verbeteren van de forecasts van de ondernemingen, terwijl ze hun lege vloot efficiënter kunnen herpositioneren. Door gebruik te maken van historische gegevens – meestal eigen gegevens – als basis voor algoritmen voor machine learning, konden de transportbedrijven op maat gemaakte oplossingen ontwikkelen om de kosten, in verband met het beheer van de lege vloot, te verlagen.

Voordelen

Een op maat gemaakt Artificial Intelligence-systeem kan logistieke bedrijven helpen beter te plannen, wat leidt tot minder opstoppingen en een efficiënter gebruik van de bedrijfsmiddelen. Dit heeft geleid tot:

  • Efficiëntere planning: door af te stappen van de tijdrovende handmatige planning met behulp van Excel, zijn de bedrijven in staat om automatische plannen te maken. Deze zijn ook nog nauwkeuriger door de implementatie van AI. Dit vermindert de ophoping, zowel fysiek, bij de herpositionering van activa, maar ook organisatorisch, doordat tijd van werknemers vrijkomt.
  • Lagere opslagkosten: de door AI aangedreven planningstool kan beter voorspellen wanneer én waar bepaalde bedrijfsmiddelen nodig zijn. De containers en trailers van de bedrijven hebben daardoor uiteindelijk minder tijd in opslagfaciliteiten doorgebracht.
  • Meer transparantie tussen afdelingen: omdat bedrijven nu werken met geconsolideerde informatie die beschikbaar is voor alle kantoren in de wereldwijde toeleveringsketens, kunnen beter geïnformeerde beslissingen worden genomen door alle medewerkers.

Impact

In het geval van NileDutch is de AI-oplossing in staat om 10 tot 12 weken van tevoren een geoptimaliseerd plan voor lege containers te berekenen, waarbij kan worden vastgesteld hoe een overschot aan containers kan worden voorkomen en wat de meest efficiënte routes zijn om de vloot te herpositioneren. Het bedrijf was ook in staat zijn vloot in te krimpen: de AI-gestuurde planning stelde het bedrijf in staat aan dezelfde vraag te voldoen met minder middelen.

Bij TIP kan een soortgelijk systeem zes weken van tevoren een vraagnauwkeurigheid van 95% bieden. Op een tweewekelijkse basis is de nauwkeurigheid tot 98%. Dankzij de geoptimaliseerde en flexibele planning kan het bedrijf nu ook eenrichtingsverhuur aan zijn klanten aanbieden. Met de implementatie van het AI-systeem verwacht het bedrijf een stijging van de omzet met 11%.

Toegankelijkheid en vereisten

Om het AI-optimalisatiesysteem te kunnen bouwen en trainen, moeten bedrijven eerst de benodigde gegevens verkrijgen. Hoewel er historische gegevens beschikbaar waren, was er een aanpak in meerdere stappen nodig om de gegevens die vanuit verschillende EDI’s binnenkwamen om te zetten in één bruikbare set.

Nadat de historische gegevens waren opgeschoond, werden ze ingevoerd in algoritmen voor machine learning om een vraagvoorspellingsmodel te maken, waarmee de bedrijven konden bepalen hoeveel activa op een bepaald moment op een bepaalde plaats nodig zouden zijn.

Beide bedrijven beschikten niet over alle gegevens die nodig waren om dit model te bouwen, echter was dit geen probleem: het model werd verder gecreëerd met gegevens van derde partijen uit de wereldwijde logistiek, zoals havenautoriteiten, opslagpartners of vracht-uitwisselingspartners, om de optimale routes te creëren voor de herpositionering en opslag van hun activa. Nile Dutch verzamelde bijvoorbeeld de volgende gegevenspunten:

  • Opslagkosten
  • Gate kosten
  • Reparatiekosten
  • Herpositioneringskosten
  • Leveranciers
  • Landen
  • Havens
  • Depots
  • Veiligheidsvoorraden
  • En andere: stuwadoorskosten, sorteringskosten, outports, reizen, enz.

Al deze informatie samenbrengen en een bruikbaar plan opstellen voor een grote rederij zou een onmogelijke taak zijn met handmatige invoer in Excel. Voor een AI-systeem is het gewoon een kwestie van de gegevens invoeren en de output gebruiken – om nog maar te zwijgen van het altijd lerende en verbeterende aspect van het systeem dat ontstaat door het verzamelen van meer gegevens naarmate het wordt ingezet en in de loop der jaren.

Want to know more what AI can do for your supply chain?
Contact us.

More AI Case Studies:

AI case study 4: Machine Learning in the Manufacturing Process

The Business Problem Het fabricageproces van geheugenchips omvat ongeveer 1.500 stappen die in steriele omstandigheden moeten worden uitgevoerd om te voorkomen dat stofdeeltjes de wafers beschadigen. Helaas komen beschadigingen toch voor. De kwaliteitsproblemen [...]

Bibliography

Alexsoft. (2019, November 11). Demand Forecasting Methods: Using Machine Learning and Predictive Analytics to See the Future of Sales. Retrieved April 6, 2021, from Alexsoft

Armstrong, M. M. (2020, December 4). Cheat sheet: What is Digital Twin? Retrieved April 21, 2021, from ibm.com

BCG. (2015, November 17). Think Outside Your Boxes: Solving the Global Container-Repositioning Puzzle . Retrieved from Boston Consulting Group

Best Practice AI. (n.d.). Danone reduces forecast error and lost sales by 20 and 30 percent respectively and achieve a 10 point ROI improvement in promotions with machine learning. Retrieved April 6, 2021, from Bestpractice

Brosset, P., Patsko, S., Khadikar, A., Thieullent, A., Buvat, J., Khemka, Y., & Jain, A. (n.d.). Scaling AI in Manufacturing Operations. Retrieved April 06, 2021, from Capgemini

Caulfield, B. (2019, December 16). What’s the Difference Between a CPU and a GPU? Retrieved April 22, 2021, from nvidia.com

Dilmegani, C. (2021, January 7). Demand forecasting in the age of AI & machine learning [2021]. Retrieved April 6, 2021, from AImultiple

Europawire. (2020, April 15). Shipment planning and inventory management improved with AI and big data on Kuehne + Nagel’s new version of SeaExplorer. Retrieved from Europawire

Hyeongchan, K. (2020, December 16). Detecting Sounds with Deep Learning. Retrieved April 21, 2021, from towardsdatascience.com

Kvartalnyi, N. (2021, May 11). 6 TIPS OF HOW TO IMPROVE INVENTORY MANAGEMENT USING ARTIFICIAL INTELLIGENCE. Retrieved from Inoxoft

Majumdar, D. (n.d.). Case Study-How SynergyLabs AI solutions Brought Efficiency in warehouse Inventory management. Retrieved April 19, 2021, from Synlabs

Micron Technology. (2021). Case Study: Micron Uses Data and Artificial Intelligence to See, Hear and Feel. Retrieved April 21, 2021, from sg.micron.com

Opperman, A. (2019, November 19). What is Deep Learning and How does it work? Retrieved April 21, 2021, from towardsdatascience.com

Serheichuk, N. (2020, December 15). Inventory management automation: How you can benefit from it. Retrieved from N-ix

Subramanyam, J. (2019, July 8). Prediction Models: Traditional versus Machine Learning. Retrieved May 20, 2021, from Gartner.com

Supply Chain 247. (2017, March 28). Coca-Cola Leverages AI for Inventory Management. Retrieved from SupplyChain247

Supply Chain Dive. (2018, August 17). Two-thirds of companies consider Excel a supply chain system. Retrieved from Supply Chain Dive

Symphony Retail. (n.d.). demand forecasting ai. Retrieved April 06, 2021, from symphonyretail

TradeGecko. (2019, December 4). What is inventory management? Retrieved from tradegecko

Tuv, E., Murat, G., Enis, P., & Lee, D. H. (2018, November). Faster, More Accurate Defect Classification Using Machine Vision. Retrieved April 21, 2021, from Intel.com