WMS-data omzetten naar bruikbare info vereist focus en investering
Maakt u optimaal gebruik van de data die uw Warehouse Management Systeem biedt om processen mee te optimaliseren? Optimum Logistiek geeft in dit artikel op www.logistiek.nl tips and tricks over de transitie naar data-gedreven besluitvorming (Bron: logistiek.nl)
Hoe gebruik je data uit het WMS om daar vervolgens mee te kunnen analyseren en te kunnen delen met opdrachtgevers. Je wilt immers niet blijven hangen bij incidenten, maar gestructureerd kijken naar de juiste data. Martijn Scholtes van Optimum Logistiek zet belangrijke aandachtspunten op een rij.
Data, data, data. De logistiek kan niet meer zonder. Maar de kunst is die stroom aan WMS-data om te zetten naar stuurinformatie! Dat vereist een strak plan.
Randvoorwaarden
De kwaliteit en beschikbaarheid van data zijn van groot belang om op data te kunnen sturen, maar ook om de integratie met nieuwe technieken en oplossing mogelijk te maken, zoals: mechanisatie, robotisering en artificial intelligence. Uit onderzoek van TLN, Evofenedex en Beurtvaaradres in 2019 onder ruim 1.000 logistieke organisaties blijkt dat 75 % van de organisaties digitalisering hebben opgenomen in de strategie van de organisatie. Echter geeft 25 % van de organisaties aan dat de kwaliteit van de data onvoldoende is. De oorzaak ligt veelal bij verouderde IT-systemen en of de gebrekkige implementaties ervan.
Daarnaast zie je in de praktijk dat organisaties waar de kwaliteit van de data wel op orde is, beperkt gebruik maken van de optimalisatie mogelijkheden middel data.
Mijn conclusie: de urgentie van digitalisering is helder alleen organisaties hebben moeite met de implementatie van de oplossingen om te komen tot data-gedreven besluitvorming. Zo is het belangrijk om tijdens het selectie- en de implementatie traject van een WMS oplossing de basis te leggen voor data-gedreven besluitvorming in uw organisatie. Een duidelijke visie over de gewenste stuurinformatie is hierbij noodzakelijk.
Implementatie KPI dashboard
Een goede set aan KPI’s is essentieel voor de besturing van een organisatie. In de praktijk zie je nog regelmatig dat de operatie op variabelen sturen, die niet bijdragen of tegenstrijdig zijn met andere KPI’s en organisatie doelstellingen. Zorg er daarom voor dat de KPI’s op alle niveaus in de organisatie op elkaar aansluiten. Het definiëren van een KPI hiërarchie of boomstructuur helpt hierbij, zie in figuur 1 een voorbeeld om de servicegraad te meten van een logistiek dienstverlener.
Figuur 1. KPI hiërarchie ‘servicegraad’
Zorg dat de definitie van de KPI’s bij alle betrokkenen duidelijk zijn en deel de resultaten in een vaste frequentie. Een dashboard helpt bij het visualiseren van de KPI’ s en geven de resultaten meer context. Op deze manier is de performance voor iedereen helder en ligt de gezamenlijke focus meer op structurele optimalisaties in plaats van emoties en incidenten.
Volwassenheidsfases data analyse
Een KPI dashboard is beperkt tot de beantwoording op de vraag; wat is er gebeurd? Echter geven de resultaten uit het verleden geen garantie voor de toekomst. Het volwassenheidsmodel van Gartner (Gartner, 2012) geeft dan ook de volgende volwassenheidsfases weer van data analyse.
Figuur 2. Volwassenheidsmodel data analyse (Gartner, 2012)
In de volgende fases geeft het model antwoord op de vragen:
- Diagnose: waarom is het gebeurd?
- Voorspellen: wat kan er gebeuren?
- Prescriptief: hoe laten we het gebeuren?
Zo voorspelt Uber de vraag naar taxi’s onder andere op basis van de datum en tijd van grote evenementen, zoals Champions League wedstrijden. Vervolgens stemmen zij de capaciteit af op deze behoefte door taxi’s proactief richting de stadions te sturen. Daarnaast manipuleert Uber het gedrag van de chauffeurs door hen tijdig te informeren en hogere omzetgaranties af te geven tijdens deze piek.
De complexiteit van de analyses neemt per fase toe. Zo wordt er in deze analyses veelal naast WMS data ook gebruik gemaakt van andere databronnen. Daarmee is de beschikbaarheid en kwaliteit van de data in de organisatie erg belangrijk in de succesvolle transformatie naar data-gedreven besluitvorming.
