Wat als je logistieke beslissingen slimmer maakt met data?

Nieuw Onderzoek: Machine Learning in Logistieke Besluitvorming
Verbetering van logistieke processen door data-analyse en slimme technologieën

In de snel veranderende wereld van logistiek is het nemen van de juiste beslissingen cruciaal voor het succes van organisaties. Het gebruik van machine learning (ML) biedt nieuwe kansen om logistieke processen te optimaliseren, met name in situaties die worden gekarakteriseerd door onzekerheid en tijdsdruk. Fabian Akkerman behaalde met zijn proefschrift getiteld “Machine Learning for Sequential Decisions in Logistics”, Cum Laude zijn PhD titel. In zijn PhD traject onderzocht hij hoe ML kan bijdragen aan betere besluitvorming in drie belangrijke logistieke gebieden: supply logistics, distributie logistics en revenue management. Zijn werk vormt een belangrijke bijdrage aan het DynaPlex-project, gefinancierd door TKI Dinalog, en draagt bij aan de verdere ontwikkeling van slimme en duurzame logistieke oplossingen.

Kernonderdelen van het onderzoek:

• Supply Logistics: In de wereld van voorraadbeheer maakt het proefschrift gebruik van een hybride ML- en optimalisatiemodel voor replenishment- en inspectiebeslissingen, waarbij neurale netwerken worden gecombineerd met traditionele operationele onderzoekstechnieken. Verder wordt reinforcement learning (RL) toegepast op dual sourcing, wat de veerkracht van de supply chain vergroot bij onzekerheid in de vraag. Daarnaast is er een innovatieve buurtzoekalgoritme ontwikkeld voor grote voorraadbeheervraagstukken.

• Distributie Logistics: ML wordt ingezet om de keuze van klanten en routings te verbeteren. Het onderzoek biedt voorspellende modellen die helpen bij het inschatten van transportkosten voor klantselectie over meerdere perioden. RL wordt ook toegepast op dynamische voertuigrouteringsproblemen, waardoor real-time aanpassingen mogelijk zijn bij fluctuaties in de vraag.

• Revenue Management: In dit domein wordt ML gebruikt om logistieke diensten dynamisch aan te passen, bijvoorbeeld door middel van slimme prijsstelling en klantselectie voor pakketkluizen en door decision-focused learning voor het optimaliseren van tijdslots voor thuisbezorging.

Data-analyse versus Besluit-analyse
Het onderzoek maakt een belangrijk onderscheid tussen data-analyse, die inzichten haalt uit historische gegevens om beslissingen te ondersteunen, en besluit-analyse, die gericht is op het direct optimaliseren van opeenvolgende beslissingen. Het proefschrift introduceert een gestructureerd kader om ML effectief te integreren in logistieke processen, wat resulteert in adaptieve en datagestuurde besluitvormingsprocessen die efficiëntie, flexibiliteit en veerkracht vergroten.

Praktische toepassingen voor de logistieke sector
Dit onderzoek biedt een solide basis voor de implementatie van machine learning in de logistiek, van voorraadbeheer tot dynamische distributie en revenue management. Het kan bedrijven helpen om sneller en nauwkeuriger beslissingen te nemen in een steeds complexer wordende markt.

Fabian Akkerman, die zijn proefschrift succesvol verdedigde aan de Universiteit Twente, kijkt ernaar uit om zijn expertise als postdoctoraal onderzoeker verder uit te breiden.