28 oktober 2022

Data voor logistiek: Waarom datakwaliteit belangrijk is en hoe Simacan inzichten verbetert

Het Simacan-platform verwerkt enorme hoeveelheden gegevens uit verschillende bronnen. Door deze gegevens op intelligente wijze te combineren en geavanceerde analyses toe te passen, genereert het waardevolle inzichten die logistieke bedrijven helpen hun activiteiten te optimaliseren. Inzicht in het type gegevens dat wordt verwerkt, het belang van gegevenskwaliteit en de uitdagingen op het gebied van gegevensanalyse is cruciaal voor het verbeteren van de efficiëntie en besluitvorming in de toeleveringsketen.

Welke gegevens verwerkt Simacan?

Ruwe gegevens alleen hebben weinig waarde als ze niet goed gestructureerd en geanalyseerd worden. Het Simacan-platform verwerkt en verbetert gegevens door meerdere bronnen te koppelen, waaronder planningsschema's, real-time verkeersinformatie en realisatiegegevens. Daarnaast wordt kunstmatige intelligentie (AI) gebruikt om nieuwe inzichten te genereren, zoals optimale routes met geschatte afstanden en rijtijden, verwachte aankomsttijden (ETA) en nauwkeurige aankomst- en vertrektijdstempels.

Door gebruik te maken van deze datasets biedt Simacan bruikbare inzichten in elke fase van het transport, waaronder pre-trip planning, real-time on-trip monitoring en post-trip prestatieanalyse. Deze blog richt zich op hoe Simacan on-trip monitoring en post-trip analyses verbetert om logistieke operaties te verbeteren.

Inzicht in gegevens tijdens en na de reis

Het Simacan-platform maakt real-time monitoring van transportactiviteiten mogelijk, waardoor logistieke managers de status van voertuigen kunnen volgen, vertragingen kunnen voorzien en proactieve maatregelen kunnen nemen. De post-trip fase biedt waardevolle inzichten die bedrijven kunnen gebruiken om toekomstige operaties te optimaliseren.

Simacan biedt via verschillende kanalen toegang tot gegevens na de rit. Met de Realised Trip Service kunnen gebruikers ruwe ritgegevens opvragen voor onafhankelijke analyse. Het platform bevat ook een prestatiedashboard dat inzicht biedt in de operationele efficiëntie, waaronder tijdigheid, nauwkeurigheid van de planning en volledigheid van de gegevens. Gebruikers kunnen ritgegevens exporteren voor verdere analyse met externe tools. Daarnaast bieden dagelijkse kwaliteitsrapporten inzicht in mogelijke hiaten in real-time gegevens. Historische ritgegevens zijn beschikbaar op halteniveau, waardoor diepere benchmarking en trendanalyses mogelijk zijn.

Hoewel gebruikers de flexibiliteit hebben om gegevens zelfstandig te analyseren, vereenvoudigen de kant-en-klare dashboards van Simacan het proces, waardoor inzichten toegankelijker worden zonder dat uitgebreide technische expertise vereist is.

Gegevens na de reis kan op verschillende manieren worden verkregen:

Ruwe gegevens op ritniveau: Met de Realised Trip Service (onze pushservice) van Simacan kunnen bijna alle ontvangen en gegenereerde gegevens worden verkregen. Meer informatie >
Dashboard met inzichten van een transportoperatie, zoals de omvang van de operatie, tijdigheid, nauwkeurigheid van de planning en volledigheid van de gegevens. Ritgegevens kunnen ook worden gedownload voor verdere analyse met andere analytische tools. Meer informatie >
Kwaliteitsrapportage per rit op dagelijks niveau: Biedt inzicht in de redenen voor beperkte realtime gegevens per rit. Meer informatie >
Historische reisgegevens: Ritgegevens op halteniveau, beschikbaar om te downloaden. Meer informatie >

Het belang van gegevenskwaliteit

Om bruikbaar te zijn in analyses, moeten gegevens volledig, tijdig en betrouwbaar zijn. Het Simacan-platform filtert onjuiste, ontbrekende of verouderde gegevens zorgvuldig uit om inzichten van hoge kwaliteit te garanderen. Een veelvoorkomende uitdaging in logistieke gegevens is de discrepantie tussen geplande en daadwerkelijke rituitvoering. Soms komen geplande stopsequenties niet overeen met de werkelijkheid, omdat voertuigen mogelijk niet alle geplande locaties bereiken of ongeplande stops bezoeken. Aanpassingen na de rit kunnen de nauwkeurigheid van gegevens verder bemoeilijken, waardoor het moeilijk is om te bepalen welke versie van de informatie correct is.

Realisatiegegevens bevatten GPS-coördinaten die aangeven waar een voertuig zich op een bepaald moment bevindt. Als de GPS-signalen echter zwak of vertraagd zijn, kunnen ze de locatie van een voertuig onnauwkeurig weergeven, waardoor onzekerheid ontstaat over wanneer een voertuig daadwerkelijk is aangekomen of vertrokken van een halte. Wanneer dergelijke inconsistenties optreden, maakt het Simacan-platform schattingen op basis van een combinatie van historische en real-time gegevens.

Discrepanties in geregistreerde tijdstempels kunnen ook ontstaan door onbetrouwbare planning of realtime gegevensfouten. Als een voertuig bijvoorbeeld wordt geregistreerd als vertrokken terwijl het in werkelijkheid enkele minuten heeft stilgestaan, kan het systeem onjuiste stop- en reisduur registreren. Als er significante inconsistenties worden gedetecteerd, filtert Simacan deze eruit om de gegevensintegriteit te behouden.

Sommige ritfasen zijn inherent minder betrouwbaar dan andere. Wanneer een voertuig bijvoorbeeld een rit begint vanuit een distributiecentrum, is het moeilijk om de exacte tijd te bepalen waarop het voertuig voor het eerst op de locatie aanwezig was. Alleen de vertrektijd is met zekerheid bekend. Deze nuances laten de complexiteit van transportgegevens zien, waardoor rigoureuze gegevensvalidatie essentieel is. Door de beschikbaarheid, volledigheid en nauwkeurigheid van elke dataset te beoordelen, zorgt Simacan ervoor dat onbetrouwbare gegevens worden verwijderd, zodat er een schone en bruikbare dataset overblijft voor analyse.

Als de waarde van de verzamelde gegevens niet overeenkomt met de drempelwaarde, dan geeft dit aan dat dit soort gegevens tot slechte prestaties kan leiden. Wat houdt dit precies in? Voor de duidelijkheid geven we enkele voorbeelden:

Moeten handmatig geannuleerde ritten worden opgenomen in de facturering? Hoe zit het met ritten die niet zijn geannuleerd, maar waarvan onduidelijk is of ze zijn uitgevoerd of niet?
Is een voertuig op tijd aangekomen op een locatie als we 15:00 hebben gedefinieerd als een 'op tijd'-waarde, maar we weten dat het er niet was om 14:55 maar wel om 15:05?
In het platform is de aankomsttijd de eerste GPS-coördinaat gemeten op de opgegeven locatie. Maar met een lage updatefrequentie van GPS-coördinaten kan het voertuig eerder zijn aangekomen.
Is een voertuig op tijd aangekomen op een locatie als we 15:00 uur hebben gedefinieerd als een 'op tijd'-waarde, maar wordt gemeten dat het om 15:00 uur in de buurt van de locatie is?
In het platform is de aankomsttijd de eerste GPS-coördinaat die wordt gemeten in de buurt van / op de opgegeven locatie.
De gemiddelde verblijftijd of stoptijd voor een locatie wordt bepaald op basis van de historisch gemeten verblijftijden. Stel dat een chauffeur regelmatig zijn lunchpauzes neemt op een bepaalde locatie, is het dan wenselijk dat deze pauzes worden meegenomen in het bepalen van de gemiddelde stilstandtijd van die locatie? En is het een probleem als een verblijftijd wordt meegenomen in een berekening terwijl de meting 30 minuten afwijkt van de werkelijkheid?
Hoe kan worden beoordeeld of de geplande rijtijd nauwkeurig is als de gemeten rijtijd stilstandtijden en pauzetijden omvat? Terwijl de geplande rijtijden deze niet omvatten?
Etcetera...

Waarom data-analyse essentieel is voor logistiek

De logistieke sector verschuift van het simpelweg verkrijgen van real-time zichtbaarheid naar het actief optimaliseren van transportefficiëntie en duurzaamheid. Kwalitatief hoogwaardige gegevens helpen bedrijven betere beslissingen te nemen, kosten te verlagen en de betrouwbaarheid van de dienstverlening te verbeteren. Bedrijven kunnen transportgegevens gebruiken om de operationele tijdigheid te verbeteren, facturatie te stroomlijnen, onnodige verblijftijden te verminderen en inefficiënties in hun supply chain snel aan te pakken.

Dankzij datagestuurde besluitvorming kunnen bedrijven wendbaarder worden en beter inspelen op vragen uit de markt. Door trends en prestatiecijfers te analyseren, kunnen organisaties hun logistieke strategieën verfijnen en zo de algehele efficiëntie en klanttevredenheid verbeteren.

Uitdagingen in logistieke gegevensanalyse

Een slechte gegevenskwaliteit kan leiden tot onjuiste analyses en verkeerde interpretaties. Het is essentieel om duidelijke drempels voor de nauwkeurigheid van gegevens te definiëren om zinvolle inzichten te garanderen. Een veelvoorkomende uitdaging bij data-analyse is bepalen welke datapunten wel of niet moeten worden meegenomen. Moeten bijvoorbeeld handmatig geannuleerde ritten worden opgenomen in factureringsrapporten? Als een rit niet expliciet is geannuleerd, maar er geen bevestiging is dat deze is uitgevoerd, hoe moet deze dan worden geclassificeerd?

Een ander veelvoorkomend probleem doet zich voor bij het definiëren van tijdige aankomsten. Als een aankomsttijd van 15:00 uur als punctueel wordt beschouwd, maar het voertuig voor het laatst werd geregistreerd op een nabijgelegen locatie om 14:55 uur en vervolgens weer om 15:05 uur, moet het dan worden geclassificeerd als op tijd? GPS update intervallen kunnen soms gaten in de gegevens veroorzaken, waardoor precieze aankomsttijd berekeningen lastig worden. Op dezelfde manier kan het ingewikkeld zijn om te bepalen of de duur van een stop geldig is. Als een chauffeur consequent lunchpauzes neemt op een bepaalde locatie, moeten deze pauzes dan worden meegenomen in de berekening van de gemiddelde verblijfsduur? Deze beslissingen hebben invloed op de manier waarop gegevens worden geïnterpreteerd en gebruikt.

Elke transportorganisatie stelt haar eigen gegevensdrempels vast op basis van haar operationele vereisten. Simacan helpt bedrijven bij het instellen van de juiste parameters en gegevensdefinities om consistentie te garanderen en verkeerde interpretaties te voorkomen.

Waarom kiezen voor de kant-en-klare dashboards van Simacan in plaats van handmatige analyse?

Hoewel bedrijven transportgegevens zelfstandig kunnen verwerken en analyseren, kan dit complex en tijdrovend zijn. Excel is bijvoorbeeld niet geschikt voor het verwerken van de grote hoeveelheden gegevens die gewoonlijk in de logistiek worden gegenereerd. Het combineren van gegevens uit meerdere bronnen verhoogt de complexiteit en voor een juiste interpretatie is uitgebreide domeinkennis nodig. Om te begrijpen hoe GPS-tijdstempels moeten worden gevalideerd, onbetrouwbare gegevens moeten worden uitgefilterd en zinvolle visualisaties moeten worden gemaakt, is expertise nodig.

Het Simacan-platform vereenvoudigt dit proces door kant-en-klare dashboards te bieden die gestructureerde inzichten bieden zonder dat er handmatige gegevensverwerking nodig is. Gebruikers kunnen snel trends identificeren, prestaties evalueren en datagestuurde beslissingen nemen zonder dat ze daarvoor geavanceerde technische vaardigheden nodig hebben. Dit bespaart tijd, moeite en kosten, waardoor logistieke managers zich kunnen richten op het optimaliseren van hun activiteiten in plaats van uren te besteden aan het verwerken van ruwe gegevens.

Ontsluit de kracht van uw logistieke gegevens

Simacan maakt gegevensanalyse toegankelijk, nauwkeurig en bruikbaar. Met hoogwaardige inzichten kunnen bedrijven de transportefficiëntie verbeteren, kosten verlagen en de prestaties van de toeleveringsketen verbeteren. Wilt u uw transportactiviteiten optimaliseren? Neem contact met ons op voor meer informatie of vraag vandaag nog een gratis Simacan-demo aan!

Auteurs: Simacan Data Scientists, Anne Siersema & Marije Gemmink

Dit vind je misschien ook leuk:

Transport Performance Monitor

De Transport Performance Monitor van Simacan biedt realtime inzichten om de efficiëntie van het wagenpark te optimaliseren, trends te volgen en de logistiek te verbeteren. Het is ISO 27001-gecertificeerd en zorgt voor veilige, gegevensgestuurde beslissingen voor veerkrachtige en collaboratieve supply chain-operaties.

Lees meer "

100% Digitale logistiek: mogelijk?

100% Digitale logistiek; is volledig geautomatiseerde afhandeling van transportorders mogelijk? Waar moet je rekening mee houden als je je transportprocessen gaat digitaliseren?