blog

Verzamel nu data en voorkom verrassingen

Supply chain 1080

Verzamel nu data en voorkom verrassingen

In de drukste periode van het jaar laat de consument een schat aan data achter. Data van grote waarde voor ieder bedrijf dat geïnteresseerd is in digitale transformatie”, zegt Holger Stelz, directeur Marketing & Business Development bij Uniserv. “Historische data vormen het uitgangspunt, op basis daarvan kunnen logistieke dienstverleners met Predictive Analytics voorspellingen doen.”

Veel bedrijven zien mogelijkheden in digitale transformatie: technologieën zorgen voor een hogere productiviteit, meer efficiency en nieuwe bedrijfsprocessen. In Duitsland is onlangs onderzoek gedaan door softwarebedrijf d.velop, waarbij het niveau van digitalisering in tien sectoren is onderzocht. De logistieke sector kwam hierbij als minst gedigitaliseerde sector uit de bus. “En dat terwijl de industrie sterk kan profiteren van Predictive Analytics als reactie op de stijgende kosten en de concurrentiedruk. Ritplanning is bijvoorbeeld een toepassingsgebied met veel potentie, met voordelen voor zowel klanten als leveranciers”, aldus Stelz.

Tijden veranderen

E-commerce blijft groeien. Het aantal online aankopen steeg volgens Thuiswinkel Markt Monitor in het tweede kwartaal van 2016 met 22 procent ten opzichte van hetzelfde kwartaal in 2015. “Met deze ontwikkelingen in het achterhoofd, is er nog een flinke inhaalslag te maken op het gebied van digitalisering in de logistieke sector”, zegt Stelz. “Onze gewoonten veranderen. De consument neemt geen genoegen meer met een tijdvenster, maar wil zelf kiezen waar en wanneer het pakket wordt bezorgd. Het liefst is dit realtime te volgen met een app.” Er zijn ook apps beschikbaar waarbij de consument de levering tot 30 minuten van tevoren kan inplannen. Dit biedt ook voordelen voor de logistieke dienstverleners: het helpt hen om levertijden en het aantal routes te beperken en zorgt tegelijkertijd voor een hogere leverzekerheid.

Data van invloed op klanttevredenheid

De tevredenheid van de ontvanger is van groot belang voor logistieke dienstverleners, ook al is dit niet de werkelijke klant. Stelz: “Echter, de ervaring van de ontvanger bepaalt hoe de afzender wordt beoordeeld. In de e-commerce wordt de verzending als onderdeel van het product gezien. Dit verhoogt het belang voor een verzender van een snelle, vlotte levering aan de eindklant.”

Om de levering aan de eindklant te verbeteren en de klanttevredenheid te verhogen, is het noodzakelijk dat ontvangersgegevens correct en actueel zijn. “Daarbij zijn alleen adresgegevens niet voldoende. Om een ontvangstbevestiging te sturen per e-mail of SMS, moet het e-mailadres en mobiele nummer correct zijn. Als deze meldingen niet aankomen, kan de ontvanger geen wijzigingen aanbrengen of een andere tijd voorstellen. Het resultaat is een gemiste levering, kosten voor een nieuwe leverpoging en een gefrustreerde klant”, licht Stelz toe.

“Additionele informatie over de ontvanger is van grote waarde”, vervolgt Stelz. “Is de ontvanger een bedrijf of particulier? Kantooruren van bedrijven verschillen aanzienlijk van de beschikbaarheid van particuliere ontvangers. Welke voorkeur heeft de ontvanger in het verleden aangegeven wat betreft levertijden en heeft de ontvanger ingestemd met een levering aan de buren of bij een afhaalpunt van een bepaalde winkel? Dankzij deze additionele informatie kunnen leveringen zodanig worden gepland dat een tweede levering niet nodig is omdat de ontvanger niet thuis was.” Alle klantgegevens, adresgegevens, koopgedrag, aankoopgeschiedenis, voorkeuren en tracks die de klant achterlaat tijdens bezoeken op het internet en sociale media, worden samengebracht uit alle beschikbare systemen en samen vormen het ‘Golden Profile’. Deze gegevens vormen de basis voor Predictive Analytics.

Kosten en efficiencyvoordelen

Predictive Analytics kan de efficiëntie van transporten verbeteren en de kosten verlagen, voornamelijk in B2B. Ongeveer een kwart van de ruim twee miljoen bedrijfsvoertuigen op de Nederlandse weg in 2015 zijn lege ritten, blijkt uit onderzoek van het CBS. Steeds meer bedrijven verzamelen en evalueren de transactiegegevens van hun bedrijfsvoertuigen om op basis van deze gegevens prognoses te maken en de ritten te optimaliseren.

Realtime gegevens over wegen en weersomstandigheden zorgen ervoor dat de juiste bedrijfswagen en -inrichting worden gekozen en vertraging wordt vermeden. “Waarom zou je een grote truck laten rijden als een kleine bedrijfswagen volstaat? Deze voorspellingen kunnen ook gebaseerd zijn op historische gegevens over het gedrag van de zender, om te bepalen wanneer en waar de behoefte aan transportcapaciteit ontstaat. Bijvoorbeeld een stijgend aantal leveringen van de chocoladefabrieken voor Pasen en Kerstmis. Of logistieke dienstverleners zien een verhoogd aantal transporten van elektronicahandelaren wanneer er een nieuwe iPhone op de markt komt. Een andere mogelijkheid is de reclame van een fabrikant over een productaankondiging op websites of de streams in sociale netwerken te gebruiken voor een capaciteitsplanning”, licht Stelz toe.

Datakwaliteit maakt verschil

Logistieke bedrijven gebruiken de historische data om een verbetering aan te brengen in de dagelijkse beslissingen. Echter, de kwaliteit van de prognoses komt overeen met de kwaliteit van de onderliggende data. Alleen een solide database met hoge datakwaliteit geeft betrouwbare prognoses.

Stelz: “Om dit wetenschappelijk te onderbouwen, werd in samenwerking met de Hochschule der Medien (HdM) in Stuttgart speciaal voor Predictive Analytics een prototype ontwikkeld. Het prototype wordt gebruikt om de verbinding tussen de datakwaliteit en de kwaliteit van de voorspellingen te illustreren. In het kader van een Bachelorscriptie werd deze relatie nu voor het eerst empirisch onderzocht.” Met behulp van verschillende testscenario’s waarin data-analyses met behulp van master data van verschillende kwaliteit werden uitgevoerd, werd de correlatie tussen kwalitatief hoogwaardige master data en de resultaten van de analyses via Supervised Machine Learning gecontroleerd. Het resultaat: vooral bij Supervised Machine Learning, waarbij de master data de basis vormen voor het leren van het algoritme, konden met een door Master Data Management kwalitatief hoogwaardige bereide database aanzienlijk betere voorspellingen worden gedaan dan bij Machine Learning met een onbehandelde dataset.

“Zorg dat de data compleet, up-to-date en met additionele informatie zijn verrijkt.” Het completeren van de centrale master data met klantgegevens, zoals interactiedata en transactiedata, zorgt ervoor dat er een nauwkeuriger klantprofiel ontstaat. “Zolang de basis wordt gevormd door een kwalitatief hoogwaardige database, kun je Predictive Analytics inzetten om voorspellingen te doen die gunstig zijn voor de efficiency van het bedrijf. Begin hier niet mee in de drukste periode van het jaar. Verzamel nu de data die klanten achterlaten en begin in het nieuwe jaar met het in gang zetten van de digitale transformatie. Dan ben je de volgende drukke periode goed voorbereid”, concludeert Stelz.

Reageer op dit artikel