Voorspelmodel vrachtcapaciteit bij een luchtvaartmaatschappij

on januari 10, 2015 Datakraken, Transport en logistiek with 0 comments

Als men vroeger de analytische vaardigheden van iemand wilde testen, kwam in psychologische testen meer dan eens de volgende casus voor: “Je hebt twee vrachtauto’s, een kleinere en een grotere. En de volgende lijst met verschillende pakketten, in grootte en gewicht, die naar de aangegeven locaties moeten worden vervoerd. Plan een route voor beide vrachtauto’s waarbij de minste kilometers worden gereden.”

De laatste decennia worden dit soort vraagstukken steeds vaker met de rekenkracht van computers ondersteund. Omdat de hoeveelheid data exponentieel is gestegen, maken veel organisaties tegenwoordig gebruik van steeds grotere databases. Primair om data in op te slaan, maar ook om analyses mee uit te voeren. De inspanningen om gegevens te schonen, essentieel om zinnige analyses te kunnen doen, zijn vaak groter dan gedacht.

De mensen

De afdeling Vrachtoptimalisatie van een luchtvaartorganisatie is in het leven geroepen om het rendement te verhogen op vrachtvervoer. De vliegtuigen van de maatschappij maken combivluchten, waarbij zowel vracht als passagiers worden meegenomen.

De afdeling P bestaat uit een drietal mensen die hun sporen hebben verdiend binnen het vrachtvervoer. De eerste heeft jarenlang vluchtplannen voor piloten gemaakt, de ander is manager geweest op buitenstations op verschillende plekken in de wereld en een derde heeft palletopbouw gecoördineerd. De afdeling is in het leven geroepen om meer vracht mee te kunnen nemen, om zo de resultaten te verbeteren.

De afdeling P heeft, op basis van eigen ervaring, vastgesteld dat er minder vracht wordt meegenomen dan zou kunnen. Dat komt doordat alle schakels in de keten een veiligheidsmarge inbouwen:

  • De planners van de vluchten hebben geen zin in terugkerende discussies met piloten over de vraag of een piloot voldoende brandstof heeft besteld om een bepaalde vracht te kunnen vervoeren. De planners nemen de hoeveelheid brandstof als een gegeven en wijzen een hoeveelheid vracht toe, binnen een veilige
    marge.
  • Piloten nemen zelf ook liever een ruime marge, wat betekent dat ze het gewicht van personenvervoer
  • hoog inschatten en er dus minder capaciteit overblijft voor vracht.
  • De medewerkers in de loods willen voorkomen dat ze pallets opbouwen die uiteindelijk toch niet mee kunnen. Het uit elkaar halen van een pallet levert hen extra werk op, waar ze niet voor worden beloond. Ook zij gaan dus aan de veilige kant zitten.

Hierboven staat de gewichtsopbouw van een vliegtuig met een maximum startgewicht van 396.000 kg (Take-Off Weight beperking / TOWL) voor de route Singapore – Amsterdam. Van dit maximum startgewicht van 396 ton is slechts 20 – 35 ton beschikbaar voor vracht. Het vliegtuig zelf en de brandstof nemen dus grofweg zo’n 90% van het totaal voor hun rekening! Als er 5.000 kg brandstof meer moet worden meegenomen voor een vlucht, gaat het slechts om een paar procent meer brandstof. Maar dit kan de beschikbare vrachtcapaciteit zomaar met eenvijfde inperken.

Het vraagstuk

De vrachtcapaciteit op een vliegtuigroute hangt dus voornamelijk af van de hoeveelheid brandstof die nodig is, die weer afhankelijk is van factoren als windpatronen, de ouderdom, onderhoudsstaat en het type vliegtuig, de vliegroute en het vlieggedrag van de piloot.blog4_2

In de grafiek hiernaast staat voor de route Singapore – Amsterdam de hoeveelheid brandstof bij vertrek (Take Off Fuel, in liters) van uitgevoerde vluchten. Ieder puntje stelt een vlucht voor van een bepaald type vliegtuig. De hoeveelheid brandstof staat op de verticale as, de vertrekdatum op de horizontale as. De hoeveelheid brandstof kan wel bijna 20 ton verschillen.

Om vrachtcapaciteit te kunnen verkopen, moet eerst duidelijk zijn hoe groot deze capaciteit is. Deze inschatting moet 1, 3, en 10 dagen voor vertrek gemaakt worden. Dat heeft te maken met de verkoopcyclus van vracht: de vrachtcapaciteit wordt relatief kort voor vertrek verkocht aan zogenaamde freight forwarders.

De freight forwarders business is erg dynamisch. Op het laatste moment kunnen de freight forwarders nog een wijziging doorvoeren: ze kunnen op de proppen komen met veel meer of minder vracht, of ze komen helemaal niet (no show).

De afstemming tussen vraag en aanbod van capaciteit binnen het personenvervoer kent zijn eigen dynamiek. De capaciteitsinschatting voor het personen- en vrachtvervoer zijn daarbij nog eens communicerende vaten: als de passagiers het op een vlucht massaal laten afweten, kunnen er extra kilo’s vracht mee en visa versa.

De business is dus zowel aan de vrachtcapaciteitskant als aan de klantkant omringd met onzekerheden.

De opdracht aan het team

De manager vracht, die vanuit zijn werkkamer uitzicht heeft op de startbaan, brengt het doel zo onder woorden: ik wil dat onze vliegtuigen helemaal tot het einde van de startbaan moeten doorrijden om op te kunnen stijgen. Dan weet ik dat ze goed vol zitten. Van afdeling P wordt dus verwacht dat ze de payload optimaliseren. Ze starten met een belangrijke route: tussen Singapore en Amsterdam.

Uit centrale databases wil afdeling P vliegtijden, hoeveelheden brandstof (zowel meegenomen als overgebleven) en het aantal passagiers (boekingen en no-show) halen. Ze zijn maanden bezig om toegang te krijgen tot deze data. Uiteindelijk krijgen ze een eenmalige download van data voor de route Singapore – Amsterdam. Nu ze de data hebben, printen ze de puntenwolk die hierboven staat op A3 uit en plakken die op het whiteboard. Naast de brandstofgegevens worden ook gegevens opgevraagd uit de passagiers database. Onder andere om inzicht te krijgen in het aantal passagiers, de man-vrouw-kind-verhouding (bepalend voor het rekengewicht), en het percentage passagiers dat niet komt opdagen.

Het interne tool

Eén van de medewerkers van afdeling P stort zich op Excel. Hij zet  alle brongegevens in tabellen. Gegevens die worden beschouwd als uitschieters worden verwijderd (ongeveer 5% van de data). Verder maakt hij een invoerscherm en alle rekenregels worden ingebouwd. In een iteratief proces, waarbij de medewerkers in Singapore intensief worden betrokken, kost het ongeveer 6 maanden om het tool te ontwikkelen.

De planners in Singapore gaan het tool gebruiken. In het Excel tool vullen ze de vluchtdata, vliegtuigtype, registratie (“nummerbord”) en het aantal passagiers in. De uitkomst uit Excel wordt handmatig ingevoerd in het operationele systeem. Het centrale systeem wordt ook gebruikt door Sales en Operations. Waar voorheen dus een vaste capaciteit in kg stond, wordt nu gewerkt met een capaciteit die het Excel tool berekent.

Het team gaat vervolgens met de organisatie aan de slag. Voor planners, commerciële mensen en de vrachtafhandeling worden presentaties gegeven. Het tool wordt dus ingezet als middel om in gesprek te komen met afdelingen die tot dan toe redelijk autonoom functioneerden. De omzet stijgt met 15% van Singapore naar Amsterdam. Het team presenteert de bevindingen en resultaten aan het management. Er wordt enthousiast op gereageerd.

Het management geeft de opdracht om de pilot van Amsterdam naar Singapore uit te breiden naar andere routes. Verder krijgen ze budget om het tool te professionaliseren. Een beloning voor hun inzet en doorzettingsvermogen.

Onze bijdrage

We komen aan boord als ondersteuning van de IT-afdeling. Het hele proces wordt met afdeling P doorlopen. We zien een aantal moeilijkheden met het opschalen van deze methodiek. Het proces is zeer bewerkelijk en foutgevoelig omdat het een serie handmatige bewerkingsslagen kent. Ook worden gegevens aangepast in Excel als er klachten uit het veld komen over de uitkomsten. In Excel kan dat nog wel (handmatig) worden opgelost. Maar als het hele netwerk moet worden gemodelleerd, zou dat erg veel tijd en geld gaan kosten om te beheren.

Verdere analyse laat zien dat afdeling P minder affiniteit heeft met statistiek. Het toepassen van statistiek kan een oplossing  zijn die het proces beter schaalbaar maakt. Na veelvuldig overleg accepteert afdeling P dat er een tool wordt gemaakt. Aan de hand van eenvoudige regressie op de ruwe data wordt een alternatief gemaakt. De scores van het schaduwmodel zijn licht beter.

We leren de medewerkers van afdeling P hoe ze zelf modellen kunnen herschatten met nieuwe data. Voor het gehele netwerk kunnen we met één Excel sheet af, dus niet meer een aparte versie per route.

Suggestie



Eenmaal beter ingevoerd in de materie, signaleerden we ook een verkoopkans. Door gebruik te maken van de statistische berekening, kunnen extra pallets worden klaargezet die mee kunnen als het meezit. Dit zou de omzet aanzienlijk kunnen vergroten. Voor de afhandeling zou het wel veel vergen. Ze moeten meer pallets opbouwen dan er waarschijnlijk mee kunnen gaan. Dit maakt duidelijk dat bij de uitwerking ook rekening moet worden gehouden met organisatorische aspecten.

Deze gegevens kunnen ook worden gebruikt in het verkoopproces: zekere vracht kan hoger geprijsd worden dan stand-by vracht.

Conclusie

Met bovenstaand voorbeeld laten we zien dat er veel voor te zeggen is om data en data analyse te betrekken bij operationele besluitvorming. Een goede samenwerking tussen data analisten en ervaringsdeskundigen is een vereiste. Het schonen van data is een cruciale eerste stap. Als de samenwerking op gang is gekomen, ontstaan er ‘vanzelf’ nieuwe ideeën: ruwe diamanten waarmee uw organisatie strategisch voordeel kan behalen.

Add comment

CAPTCHA * Time limit is exhausted. Please reload CAPTCHA.

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.

Decisive Facts