Dynamische Planning en Cut-Off Planning

Door de toenemende eisen van klanten en chauffeurs, dekrapper wordende venstertijden en de veranderende wet- en regelgeving omtrentmaterieel, nemen de transportrestricties toe en wordt de dagelijkse transport planning een steeds grotere uitdaging. Om die reden, oriënteren transportbedrijven en transportafdelingen zich momenteel steeds meer op Advanced Planning & Scheduling(APS) software.

Dergelijke oplossingen zijn zeer geschikt om met behulp van algoritmen een optimale planning te creëren en daarbij rekening te houden met alle mogelijke regels en beperkingen. Naast dat een APS kan worden ingezet om hetdagelijkse operationele planproces te ondersteunen, kan een APS ook worden ingezet voor de optimalisatie van destrategische en tactische planning. Het gaat hierbij om het beantwoorden van vragen als: is het slim om in een bepaalde regio een warehouse te gaan gebruiken?;heb ik voldoende resources om seizoendrukte te ondervangen?; past deze nieuwe klant in het “balans” van mijn netwerk?

De investering die gepaard gaat met het gebruik van een APS-systeem is fors. Echter, wegen de potentiële voordelen die gepaard gaan met het gebruik van een dergelijk systeem zwaarder. In de praktijk, zien we helaas vaak dat het in gebruik nemen van een APS-oplossing niet tothetbeoogde resultaat heeft geleid. Een reden hiervoor is dat, na een intensieve implementatie, er niet of nauwelijks gebruikt wordt gemaakt van de automatische planning die een APS-oplossing te bieden heeft. Dit is zonde, want een automatische planning is vaak juist de hoofdreden om in een APS te investeren.

Logistieke dynamiek

De oorzaak ligt hem in de extreme dynamiek die kenmerkend is voor logistieke operaties. Last minute binnenkomende orders, niet vastgelegde restricties die alleen bij planners bekend zijn en achterhaalde standaardtijden op basis waarvan het APS rekent, zijn veel gehoorde redenen waarom automatisch plannen niet zou werken. Bovendien gaat een APS ervan uit dat in de tijd tussen het maken van een planning en de uitvoering de wereld onveranderd blijft.

Het tegengestelde is waar, vertragingen door files en wachttijden zijn de orde van de dag in deze sector. Daarnaast kan een ziekmelding van een chauffeur de hele planning overhoophalen.

Wat tijdens het moment van plannen een optimale planning leek (de cut-off time), is niet langer realistisch zodra de eerste vrachtwagen is vertrokken. Planners en ritbegeleiders schuiven de hele dag met orders, sms'en met chauffeurs en bellen met charters. Op deze manier proberen ze ervoor te zorgen dat, ondanks dat het planningsschema niet meer haalbaar war geraakt, alle geplande orders ook diezelfde dag worden afgeleverd. Aan het eind van de dag is een groot verschil te zien tussen de voltooide ritten en de ritten die oorspronkelijk gepland waren.

APS als spin in het web

Om de ware kracht van een APS te benutten en het APS te gebruiken voor een steeds complexere detailplanning, is het noodzakelijk een koppeling te maken met de uitvoering. Om dit te realiseren wordt in veel gevallen het APS gekoppeld met het boardcomputersysteem of met een chauffeurs app, om inzicht te krijgen in de huidige status van de rit en de actuele locatie.

Een APS-systeem is vaak in staat om op basis van die informatie een aankomsttijd te berekenen, en te bepalen of een voertuig op tijd is of te laat komt. De nauwkeurigheid van de aankomsttijd hangt af van de anticipatie op alle mogelijke omstandigheden. Wordt er bijvoorbeeld nog een file verwacht op de route? Of wellicht dreigt er door drukte vertraging op tussenliggende laad en loslocaties?

Executie management

In het geval van multi-carrier operaties, waarin verschillende partijen met verschillende systemen verantwoordelijk zijn voor de uitvoering van één planning, is het een grote uitdaging om continu inzicht te krijgen in de situatie op de grond. In zulke situaties, komen Executie Management Platformen (zoals die van Simacan) aan de orde. Deze Executie Management Platformen zijn er speciaal op ingericht om multi-shipper en multi-carrier operaties te kunnen managen op basis van verschillende real-time databronnen. Daarnaast kunnen dergelijke platformen de impact van bijvoorbeeld een herplanning of late levering direct inzichtelijk maken voor de gehele keten, van verzender tot ontvanger, van planner tot cabine.

Continue plan omgeving

Door deze real-time informatie van diverse data-bronnen te gebruiken bij het plannen, ontstaat een zogenaamde “continue plan omgeving”. Er wordt niet gewerkt met een cut-off time. De planning wordt bijgewerkt op basis van elke verandering, hoe klein ook. Door continu in te spelen op de veranderingen die zich op de grond manifesteren en rekening te houden met nieuw binnengekomen of gewijzigde zendingen, wordt het initiële plan telkens geüpdatet.

Continue planning is in theorie ideaal, maar het heeft enkele praktische nadelen. Denk bijvoorbeeld eens na over wat er gebeurt als de planning op elk moment van de dag kan worden gewijzigd... chauffeurs zouden gek worden. Een tussenvorm is dat je ritten nadat ze zijn doorgestuurd aan de chauffeur 'bevriest', maar binnen die ritten nog wijzigingen kunt aanbrengen, tijdens de uitvoering. Deze zogenaamde, continue herplanning is nuttig als er ergens een file staat. Door het wijzigen van de route op basis van de file kun je de file.

Echter is het natuurlijk van belang om bij een planning rekening te houden met de verwachtingen van klanten, de afspraken met uw klanten en het brandstofverbruik. Dit zijn aspecten die plannen en herplannen complex maken. Planners en ritmanagers doen dit uit hun hoofd, maar ook hiervoor zou een vorm van geautomatiseerde ondersteuning u erg kunnen helpen. Wijzigingen binnen een rit hebben immers veel gevolgen en zijn afhankelijk van veel beperkingen, dat je een schaakgrootmeester moet zijn om alle mogelijke uitkomsten te kunnen berekenen.

Machine Learning Algoritmes

Machine Learning Algoritmes. Kunnen een uitkomst bieden om in een planomgeving continu in te kunnen inspelen op de dynamische situatie op de grond. Deze algoritmes zijn in staat om historische data mee te laten wegen in de berekening van de planning. Zo kan de standaard laadtijd op een bepaald adres worden overschreven als blijkt dat we op woensdagmiddagen, gemiddeld 30 minuten langer laden. Of nog beter: een intelligent, zelf lerend APS-systeem, kan deze informatie gebruiken om specifiek deze zending juist niet op de woensdagmiddagen te gaan laden.

Van een dergelijk systeem kan worden verwacht dat het de kracht heeft om te zorgen dat het APS op basis van de continue terugkoppeling vanuit de executie steeds beter gaat leren plannen. Daarnaast mag worden verwacht dat het APS onderscheid kan maken tussen afwijkingen op basis van incidenten en afwijkingen die eigenlijk voorspelbaar waren op basis van bekende parameters. 

Het is duidelijk dat er grote verschillen zijn tussen een dynamische continue planoplossing en een statisch APS dat op een zeker moment van de dag (cut-off moment) de ideale planning maakt. Het is natuurlijk afhankelijk van uw organisatie wat het beste bij uw logistieke proces past. Bent u geïnteresseerd in wat een oplossing gebaseerd op AI en Machine Learning u te bieden heeft? Check dan www.normalive.nl.

Meer over Norma LIVE

Norma LIVE is een digitale routeplanner gebaseerd op Artificial Intelligence. Ze combineert wetenschappelijk en evolutionair computergebruik met machine learning om transport-, logistieke-,last mile- en thuisbezorging operaties te ondersteunen in de automatisering en optimalisatie van processen. Norma Live helpt haar gebruikers te verbeteren, meer te bereiken, te besparen en te schalen.

Norma LIVE maakt via API technologie verbinding met zowel interne systemen (bijvoorbeeld TMS, Executie Management systemen en Boordcomputers) als externe datasystemen, zoals kaarten van het wegennet en verkeersvoorspellingen. Door alle informatie te analyseren is Norma Live in staat om binnen enkele seconden het best-case pick-up & delivery plan voor orders te creëren. Norma Live biedt geen éénmalige cut-off planning, maar een continue geüpdatete planning op basis van de real-time executie gegevens en de meest actuele zendingen.

Download de whitepaper voor meer tips over last-mile leveringsopties die u kunt gebruiken om uw logistieke operaties op te schalen.