Automatisering is een vaardigheid die u kunt leren Een efficiëntiewinst van ≥ 10% is haalbaar

In de praktijk zijn deze doelstellingen realistisch en haalbaar. Tegelijkertijd wordt de reis naar hen toe vaak onderschat. Er bestaat een neiging om aan te nemen dat een planningsengine plug-and-play is en dat een optimale efficiëntie vrijwel onmiddellijk wordt bereikt.

In werkelijkheid werkt het proces anders. Het implementeren van een planningsengine is vergelijkbaar met het onboarden van een nieuwe menselijke planner. Er is een implementatiefase waarin het systeem moet worden geconfigureerd, van nauwkeurige gegevens moet worden voorzien en moet worden afgestemd op de specifieke operationele omgeving. Dit wordt gevolgd door verfijning: optimalisatie op basis van ervaringen uit de echte wereld, aanpassing van parameters en continue verbetering van de datakwaliteit.

Alleen dan ontstaat er een situatie waarin organisatie en technologie elkaar versterken. De eerste resultaten zijn vaak meteen zichtbaar: meer rust binnen het planningsteam, verbeterde voorspelbaarheid en de eerste procentpunten van efficiëntiewinst. Maar net als bij een menselijke planner is echte groei het gevolg van ervaring, begeleiding en gestructureerd gebruik van gegevens voor optimalisatie.
Op elk niveau zijn inzicht, discipline en tijd nodig om de operatie geleidelijk af te stemmen op de manier waarop een planningsengine het meest effectief functioneert. Technologie moet afgestemd zijn op mensen, maar mensen moeten ook leren om effectief met de technologie te werken.

In meerdere projecten werd duidelijk dat deze ontwikkeling niet puur technisch en ook niet puur organisatorisch is. Het komt voort uit de combinatie van beide.

Twee bedrijven die onafhankelijk opereerden voor dezelfde klant en met hetzelfde doel, namelijk het verminderen van de kwetsbaarheid van de planning en het verhogen van de operationele efficiëntie, werkten elkaar op een complementaire manier samen.

In een casestudy waarbij zowel een centrale expeditieorganisatie als een middelgroot taxibedrijf betrokken was, resulteerde de combinatie van de Euphoria Opt1Route-planningsengine, geleverd door Cabman en Opt1Dev, en gerichte operationele en gebruiksmatige gegevensbegeleiding van Schurink Consultancy in een structurele en meetbare verbetering van de efficiëntie. Door voortdurende maandelijkse optimalisatie op basis van data-inzichten is de efficiëntie sinds de implementatie gestaag verbeterd en binnen een jaar met meer dan 10 procent toegenomen.

Operationele uitdagingen

Capaciteitsplanning
In veel organisaties is capaciteitsplanning historisch geëvolueerd. Dienstroosters zijn gebaseerd op ervaring, gewoonten en erfenispatronen en zijn in de loop van de tijd vaak niet fundamenteel herzien. Chauffeurs hebben vaak vaste dienstregelingen waar ze niet graag van afwijken. Als gevolg hiervan worden roosters vaak meer bepaald door de beschikbaarheid van chauffeurs dan door de operationele vraag.

Dit kan leiden tot dagelijkse schommelingen in de balans tussen vraag en aanbod, en tot inconsistenties in de mix van voertuigtypen, die niet altijd een weerspiegeling zijn van de operationele realiteit. Bovendien ontbreekt het vaak aan een consistente toewijzing van voertuigen. Wanneer chauffeurs elke dag een voertuig kunnen kiezen, ontstaat er onzekerheid bij de inzet.

De planningsengine wordt dan geconfronteerd met onverwachte beperkingen, waardoor het moeilijker wordt om eerder geplande reizen flexibel opnieuw toe te wijzen met specifieke vereisten, zoals rolstoelvervoer of taxiclassificaties.

Een consistent en voorspelbaar planningsresultaat vereist een stabiele capaciteitsbasis. Dit betekent een realistische afstemming tussen vraag en aanbod, zowel wat betreft uren en voertuigtypen, als diensten die nauwkeurig en tijdig worden geregistreerd, met duidelijke start- en eindlocaties, start- en eindtijden en vaste voertuigtoewijzingen.

Distributie van de reis
Contractvervoer en doelgroepvervoer is over het algemeen verspreid over de dag, maar wordt gekenmerkt door duidelijke piekperiodes. Deze pieken zijn moeilijk efficiënt te overbruggen zonder overcapaciteit in te zetten tijdens rustigere periodes.

Dit creëert twee ongewenste scenario's: ofwel wordt tijdens piekuren extra capaciteit ingezet, ofwel wordt een relatief groot aantal ritten te laat binnen dat tijdsblok geleverd, waardoor overcompensatie in andere tijdvakken nodig is om binnen de algemene serviceniveauovereenkomsten te blijven.

De grootste kans op verbetering ligt aan het begin van het proces. Door de ritverdeling tijdens de intake actief te sturen, kunnen pieken worden afgevlakt. Wanneer medewerkers inzicht hebben in de vraagniveaus per uur of kwartierblok, kan het volume beter worden afgestemd op de beschikbare capaciteit.

Gedrag van de planner en de chauffeur
Planners hebben vaak de neiging om vaste patronen en hun vertrouwde manier van werken aan te houden, waarbij ze de volledige persoonlijke controle behouden. Dit kan resulteren in voortdurende handmatige interventie in de planningsresultaten. Hoewel gedreven door betrokkenheid en verantwoordelijkheid, heeft een dergelijke interventie vaak een negatief effect op de algehele optimalisatie.

Een planningsmotor moet zo autonoom mogelijk kunnen functioneren, met beslissingen die verklaarbaar en transparant zijn. Het systeem overziet het hele netwerk en plant verder vooruit dan enig individu kan. Handmatige correcties verstoren dit bredere evenwicht.

Het gedrag van chauffeurs heeft ook een directe invloed op de planningsresultaten. Wanneer ritten niet in de optimale volgorde worden uitgevoerd, als chauffeurs te laat vertrekken of wanneer ritten met vertraging worden afgesloten, raakt de daaropvolgende planning uit balans. De planningsengine herberekent voortdurend; operationele afwijkingen worden onmiddellijk in het systeem weergegeven.

Ook historisch gegroeide afspraken en gewoontes spelen een rol. Chauffeurs kunnen gewend zijn om op vaste tijden en op vaste locaties te pauzeren, bijvoorbeeld thuis of op een bepaalde rang. Wat als een verworven recht wordt gezien, kan operationeel inefficiënt zijn. Dit kan resulteren in onnodig lege kilometers, zowel voor de individuele chauffeur als voor collega's die tijdelijk het gebied moeten afleggen.

Het komt ook voor dat chauffeurs tijdens rustigere periodes geen pauzes nemen, terwijl ze tijdens de spitsuren niet beschikbaar zijn. Dergelijke inefficiënties moeten vervolgens worden gecompenseerd met extra capaciteit, waardoor de beoogde efficiëntiewinsten rechtstreeks worden ondermijnd.

Een datagestuurde aanpak voor continue verbetering

Verbetering begint met inzicht. Zonder een nulmeting is het onmogelijk om vast te stellen of aanpassingen effect hebben gehad. Het is belangrijk om verder te kijken dan één enkele belangrijke prestatie-indicator. Een lagere ritfactor betekent bijvoorbeeld niet automatisch dat de prestaties slechter zijn; op bepaalde dagen kan de gemiddelde reisduur hoger zijn, wat resulteert in hogere inkomsten per ingezet uur.

Met de juiste data-inzichten kunnen organisaties gerichte verbeteringen aanbrengen, bijvoorbeeld door:

• Capaciteitsplanning optimaliseren door dagen of tijdsblokken te identificeren waarop er sprake is van een onbalans in vraag, aanbod of voertuigtype.
• Aanmoedigen van een betere reisverdeling door het personeel inzicht te geven in de vraag per kwartierblok. Tijdens de boekingsintake kan het volume beter worden afgestemd op de beschikbare capaciteit. Klanten die bijvoorbeeld om 20:00 uur willen boeken, kunnen om 19:45 of 20:15 uur op de hoogte worden gesteld van de beschikbare ruimte, waardoor betere reiscombinaties mogelijk zijn.
• Prestaties en ritverdeling monitoren per contract, waardoor onrendabele contracten die een onevenredige druk uitoefenen op de piekcapaciteit, kunnen worden aangepast of beëindigd.
  Handmatige plannerinterventies transparant maken, waardoor gedragssturing en coaching mogelijk zijn.
• Meten van de prestaties van chauffeurs, zowel dagelijks als gedurende langere periodes, waardoor gerichte actie mogelijk is waarbij de prestaties constant achterblijven.
• Afwijkingen volgen met betrekking tot pauzes en lege kilometers, het verminderen van inefficiënties en het begeleiden van gedragsaanpassingen.

Op basis van deze inzichten kunnen processen worden verfijnd en kan gedragsverandering systematisch worden ondersteund. Dit creëert een continue verbeteringscyclus waarin meten, analyseren en bijsturen elkaar versterken, waardoor de efficiëntie van de organisatie structureel toeneemt.

De beoogde efficiëntiewinsten worden niet alleen met software gerealiseerd, maar door de combinatie van automatisering, gebruik van gegevens voor procesoptimalisatie en gerichte gedragsverandering.

Organisaties die automatisering als een leerproces benaderen en structureel data gebruiken om de prestaties continu te sturen en te verbeteren, het volledige potentieel van hun planningsengine te benutten en aantoonbaar efficiëntiewinsten van 10 procent of meer kunnen behalen.

‍