Haal meer waarde uit logistieke data

Veel mkb-bedrijven beschikken over grote hoeveelheden logistieke data, maar benutten die slechts beperkt. Dat vindt Anneloes van Klaveren, digitaliseringsexpert van evofenedex. In een webinar liet zij bedrijven onlangs zien hoe ze hun data kunnen inzetten voor efficiëntie, besparen van kosten en verduurzaming. “Iedereen gebruikt data om uiteindelijk een factuur te maken”, zegt Van Klaveren. “Maar alles wat daartussen zit, daar valt nog heel veel winst te behalen.”

De expert ziet dat ondernemers steeds meer interesse krijgen in logistieke data vanwege praktische redenen. “Tijdens bijeenkomsten van evofenedex met mkb-ondernemers kwam herhaaldelijk naar voren dat ze data hebben, maar niet goed weten hoe ze daar meer uit kunnen halen.” Tegelijkertijd groeit van buitenaf de vraag naar data. Ketensamenwerking vereist het delen van data. Ook overheden verlangen van bedrijven steeds vaker rapportages door nieuwe Europese duurzaamheidswetgeving, waaronder de Corporate Sustainability Reporting Directive (CSRD).

“Veel bedrijven hebben hun logistieke informatie ergens staan”, legt Van Klaveren uit. “In softwaresystemen, spreadsheets of soms nog in ordners en papieren dossiers. Maar steeds vaker vragen klanten, partners en overheden om inzicht. En dan wordt het ineens belangrijk dat je precies weet waar je data staan, dat ze digitaal beschikbaar zijn en hoe je met je data omgaat.”

Waardevolle informatie

Logistieke data omvatten volgens Van Klaveren alle informatie die te maken heeft met de fysieke goederenstromen van een bedrijf. Denk aan transport-, opslag- en productgegevens. “Het gaat om alle informatie over hoe goederen door je organisatie bewegen,” zegt ze. “Transportkosten, magazijnbezetting, maar ook productgegevens zoals gewicht en afmetingen. Die zijn bijvoorbeeld belangrijk voor transportplanning en opslag.”

Daarnaast speelt duurzaamheidsinformatie een steeds grotere rol. Bedrijven moeten bijvoorbeeld inzicht hebben in de manier waarop het transport wordt uitgevoerd en wat de bijbehorende uitstoot is. Toch blijven transport en opslag volgens Van Klaveren de twee belangrijkste categorieën. “Daar zit meestal de meeste operationele informatie. Als je die goed analyseert, kun je al snel verbeteringen realiseren.”

Betere beslissingen

Als bedrijven hun logistieke data goed benutten, kan dat direct bijdragen aan efficiënte processen. Minder lege transportkilometers, betere magazijnbezetting en efficiëntere inzet van personeel zijn typische voorbeelden, aldus Van Klaveren. “Als je weet waar je goederen zijn en hoe processen verlopen, kun je betere beslissingen nemen. Misschien ontdek je dat voertuigen vaak halfleeg rijden, of dat bepaalde magazijnlocaties structureel onderbenut zijn.”

Ook voor klanten en leveranciers is logistieke informatie waardevol. “Als je precies weet waar een zending zich bevindt, bijvoorbeeld op een schip dat vertraging heeft, kun je daar proactief op inspelen. Dat verbetert de communicatie met bijvoorbeeld klanten en voorkomt verrassingen.”

Dat veel bedrijven hun logistieke data onvoldoende gebruiken, betekent volgens Van Klaveren niet dat ze er helemaal niets mee doen. “Bedrijven zijn genoodzaakt data te gebruiken voor administratieve doeleinden. Anders kun je geen factuur sturen en blijf je niet lang een bedrijf. Maar de stap naar analyses, processen verbeteren en beslissingen onderbouwen wordt vaak niet gezet.”

ICT-landschap

Zonde, vindt de expert. De eerste stap voor een bedrijf om dat te veranderen is het ICT-landschap in kaart te brengen. Dat klinkt ingewikkeld, maar is in feite een overzicht van alle softwaresystemen die in de organisatie worden gebruikt en de onderlinge datakoppelingen. “In zo’n schematisch overzicht zie je bijvoorbeeld een ERP-systeem in het midden. Daaromheen hangen bijvoorbeeld een warehousemanagement- en transportmanagementsysteem en rapportagetools zoals Power BI. Door dat landschap zichtbaar te maken, weet je waar je data staan.”

Daarna komt volgens Van Klaveren de belangrijke vraag: wat wil je eigenlijk weten? “Veel bedrijven maken de fout dat ze meteen alle data willen analyseren. Maar zonder een doel kun je daar weken of maanden mee bezig zijn zonder dat het iets oplevert.”

Concrete vraag

Volgens haar is het veel effectiever eerst een specifieke vraag te formuleren. “Bijvoorbeeld: hoe kunnen we ons wagenpark verduurzamen? Hoe concreter het doel, hoe makkelijker het wordt”, zegt ze. “Misschien wil je specifiek kijken naar het verbruik van je bestelauto’s. Dan ga je bepalen welke data je daarvoor nodig hebt en in welke systemen die staan.”

Dat kan bijvoorbeeld voertuigdata zijn die via een boordcomputer of CAN-bus (een communicatiesysteem in een voertuig) worden verzameld. In andere gevallen worden gegevens nog handmatig geregistreerd. “Handmatige registratie kan ook werken. Maar als je grotere datasets en historische data wilt analyseren, is dat alleen haalbaar met automatisering”, waarschuwt Van Klaveren.

Data-analyse

Niet elk bedrijf heeft de capaciteit zelf data te analyseren. In dat geval kan het zinvol zijn een externe partij in te schakelen of bijvoorbeeld een studentenopdracht te formuleren. Zelf analyseren heeft volgens Van Klaveren wel voordelen. “Eigen medewerkers kennen de context van de data. Zij weten bijvoorbeeld dat een bepaald voertuig altijd door dezelfde chauffeur wordt gebruikt, of dat bepaalde afwijkingen een logische verklaring hebben. Die context kan cruciaal zijn voor de interpretatie van data. Data krijgen pas betekenis als je het verhaal erachter kent.”

Wanneer data geanalyseerd zijn, is visualisatie vaak de volgende stap. Veel bedrijven gebruiken daarvoor tools zoals Microsoft Excel of Power BI. Data begrijpelijk maken is een uitdaging, vindt Van Klaveren. “Je ziet soms dashboards met enorme tabellen, grafieken en taartdiagrammen. Die zien er indrukwekkend uit, maar mensen kunnen die data niet verwerken.”

Volgens haar werkt een dashboard het best wanneer het lijkt op dat van een auto: overzichtelijk en gericht op afwijkingen. “Als alles goed gaat, wil je eigenlijk alleen maar de kleur groen zien. Pas als er iets misgaat, moet het rood worden of een melding geven. Dan trekt het de aandacht.”

Kwaliteit van data

Een veelvoorkomend probleem is slechte kwaliteit van data. Fouten ontstaan vaak door handmatige invoer of inconsistent gebruik van systemen. “Datakwaliteit is bijna altijd een procesprobleem”, zegt de digitaliseringsexpert. “Fouten worden zelden veroorzaakt door technologie, maar vaak juist hoe mensen ermee omgaan.”

Bedrijven kunnen dat verbeteren door intern duidelijke afspraken te maken en systemen zo in te richten dat fouten minder snel voorkomen. Bijvoorbeeld door invoervelden te beperken tot bepaalde datatypes of door validatieregels in te bouwen. Grote organisaties hebben hiervoor vaak speciale masterdata-afdelingen, maar voor mkb-bedrijven is dat meestal niet haalbaar. “Dan moet je het vooral met elkaar organiseren”, zegt Van Klaveren. “Met duidelijke regels over hoe je data vastlegt.”

Een belangrijke valkuil is volgens haar ook dat bedrijven soms te snel naar technologie grijpen. Ze huren bijvoorbeeld een dataspecialist in of starten een groot BI-project zonder dat het doel is bepaald. “Dan komt er een techneut binnen die vraagt: ‘Wat moet ik bouwen?’ “Technisch kun je de mooiste dingen maken, maar ze moeten ook aansluiten bij wat het bedrijf nodig heeft.”

Daarom pleit ze voor een datastrategie op directieniveau. “Veel bedrijven hebben wel een algemene strategie, maar geen digitaliserings- of datastrategie. Terwijl dat steeds belangrijker wordt.”

AI vereist goede data

Kunstmatige intelligentie (AI) speelt een steeds grotere rol in discussies over data. Volgens Van Klaveren is het belangrijk realistisch te blijven. “AI is goed in het herkennen van patronen, voorspellen en automatiseren van repetitieve beslissingen. Maar het werkt alleen als de data goed zijn. Slechte data leiden tot slechte analyses. Als je verkeerde informatie invoert, gaat AI patronen herkennen die niet kloppen. Daarom moet de basis eerst op orde zijn.”

Uiteindelijk draait datagedreven werken volgens Van Klaveren niet alleen om technologie, maar vooral om mensen. “Je kunt prachtige analyses maken, maar als niemand ze gebruikt, heb je er niets aan. Betrek daarom je medewerkers bij datavraagstukken. Zij weten vaak het best welke processen beter kunnen.” Daarmee komt haar belangrijkste boodschap naar voren: begin klein, stel een duidelijk doel en werk stap voor stap. “Je hoeft niet meteen een compleet dataplatform te bouwen. Als je één logistiek probleem met data oplost, heb je al waarde gecreëerd. Van daaruit kun je verder bouwen.”