Daniël aan de slag met: tijdvak indicatie

De vraag

PostNL bezorgt miljoenen pakketten per dag. Dit ingewikkelde logistieke proces is afhankelijk van allerlei factoren en partijen die nauw samenwerken om deze pakketten op tijd bij de consument te krijgen. Cruciaal binnen dit proces is communicatie. Consumenten willen weten wanneer zij hun pakketje krijgen en PostNL wil ervoor zorgen dat consumenten thuis zijn wanneer de bezorger voor de deur staat.

Om deze communicatie te optimaliseren is Daniël gevraagd om het proces achter het voorspellen van bezorgtijden en tijdvakken te innoveren. Cruciaal om concurrerend te blijven binnen deze snel veranderende markt waar innovatie de norm is. Op basis van zeer rijke in-house data en diepe logistieke ervaring is daarom binnen een traject van een jaar gekeken naar verschillende mogelijkheden voor een voorspellend machine learning model. Daniël heeft deze uitdaging met beide handen aangegrepen en heeft hard gewerkt om bruggen te slaan tussen verschillende partijen binnen PostNL, state-of-the-art innovatie toe te passen op dit complexe probleem en het belang van deze innovatie aan te kaarten bij management.

Daniël’s journey

Zie hier hoe Daniël stap voor stap zijn opdracht heeft uitgevoerd

Start

De grootste uitdaging van het traject was de complexiteit van het logistieke proces. Daniël heeft zich in het begin daarom gefocust op het spreken van zoveel mogelijk stakeholders, het inzichtelijk maken van het proces achter de tijdvakken en het in kaart brengen van logistieke afhankelijkheden en obstakels. Deze zijn als requirements opgesteld om verder mee te nemen in het traject.

Proof of concept

Nadat het proces inzichtelijk was heeft Daniël onderzoek gedaan naar state-of-the-art technieken achter het voorspellen van bezorgtijden binnen de logistieke sector. Op basis van dit onderzoek zijn een drietal algoritmes gekozen als potentiële kandidaat voor het op te lossen regressie-probleem. Deze algoritmes zijn systematisch opgezet, getraind en getoetst op de data die PostNL al in huis had. Uiteindelijk is een XGBoost regressor gekozen als model om verder te ontwikkelen.

Fundament

Vanaf hier werd het duidelijk dat er meer noodzaak en middelen nodig waren vanuit management om het project te laten slagen. Daniël heeft daarom het belang van het project bij management aangekaart om TVI (tijdvak indicatie) terug op de kaart te krijgen en implementatie op langere termijn te waarborgen. Daarnaast heeft hij gewerkt aan het fundament voor het laten slagen van dit project, onder andere door het opzetten van goed functionerende testomgevingen, valide monitoring mogelijkheden en het afstemmen van governance tussen verschillende teams.

Het resultaat

Na het einde van zijn opdracht is het Daniël gelukt om draagvlak te creëren voor een nieuwe oplossing omtrent het voorspellen van bezorgtijden en tijdvakken. Verschillende afdelingen zijn met elkaar verbonden, management is bewust gemaakt van het belang van de innovatie en het technische fundament is opgezet en klaar om doorontwikkeld en geïmplementeerd te worden.