Met AI draait de ‘witte motor’ optimaal

Transportplanning is een complex veld waarin tijd, capaciteit en kwaliteit continu in balans moeten worden gehouden. Uiteenlopende beïnvloedbare en niet-beïnvloedbare factoren komen samen in één planning. Juist die stapeling van variabelen maakt het bepalen van een optimale route complex.

Binnen de zuivelindustrie is die complexiteit nóg groter. Dat heeft een aantal redenen. Een van de belangrijkste is natuurlijk dat rauwe melk bederfelijk is. Het moet na afname bij de melkveehouder dezelfde dag verwerkt worden in de fabriek. Ook wordt melk voortdurend gecontroleerd op de aanwezigheid van bacteriën. Test die positief, dan gaat de volledige inhoud van een melkwagen – die tot 36.000 liter kan oplopen – in één klap verloren en moet de tankwagen meteen gereinigd worden.

Ook kunnen de vet- en eiwitpercentages van rauwe melk per leverancier verschillen. Zij zijn namelijk afhankelijk van de activiteit, de voeding en de vochtinname van de koe. Zo bevat melk bij weidegang van nature minder vet en eiwit als resultaat van het dieet van gras. Ook de bodemsamenstelling, dus de locatie van de boerderij, is van invloed op de vet- en eiwitpercentages. De percentages zijn bepalend voor de differentiatie van producten in de winkel – denk aan magere, halfvolle en volle melkproducten – en aan strenge regulatie onderhevig. Een zuivelfabrikant streeft naar een optimale verdeling van vet en eiwit over de verschillende fabrieken.

Daarmee is het plaatje niet compleet. Andere variabelen die bijdragen aan de complexiteit zijn de volumes, die kunnen variëren per boerderij én per ophaalmoment. Ook zijn er tal van verschillende contracten tussen melkveehouder en zuivelfabrikant; soms is een fabrikant bijvoorbeeld verplicht om dagelijks een minimumaantal liters melk af te nemen. En natuurlijk wil een zuivelfabriek de kosten voor transport minimaliseren.

Kortom: transportplanning in de zuivelindustrie is een zeer complexe uitdaging. Tot voor kort kwam die planning grotendeels handmatig tot stand, met omvangrijke Excelbestanden als basis en de ervaring en intuïtie van de planners als aanvullende stuurmiddelen. Dat maakte het proces arbeidsintensief en stressvol. Bovendien was het foutgevoelig, met het risico dat een tankwagen te lang onderweg was en een volledige lading moest worden afgekeurd. Dat zijn dure tegenvallers.

Een zuivelfabrikant besloot hierin verandering te brengen. De organisatie ging met KPMG in gesprek over de behoefte aan een schaalbare, datagedreven oplossing. Zij ontwikkelden samen een AI-gedreven planningsassistent die gebruikmaakt van bestaande data over transportopdrachten, vloot, chauffeursbeschikbaarheid en productspecificaties. Met als resultaat een optimale planning die binnen korte tijd kan worden gegenereerd.

Centraal staat een constraint-based optimalisatiemodel. Hierin bepalen de randvoorwaarden of constraints gezamenlijk de uitkomst. Duizenden variabelen – waaronder routes, volumes, contractafspraken, vet- en eiwitpercentages en beschikbare capaciteit – worden gelijktijdig doorgerekend en teruggebracht tot één planning die voldoet aan alle operationele eisen.

De planningsassistent is cloud-based, maakt gebruik van een geavanceerde optimizer en kan continu worden bijgewerkt met nieuwe informatie, zoals wegafsluitingen, wijzigingen in productsamenstelling of een defect voertuig. De snelheid van de optimizer brengt het doorrekenen van de planning tot enkele seconden, waardoor een dynamisch systeem ontstaat dat niet alleen optimaliseert, maar ook meebeweegt met de realiteit van de dag. Planners hoeven zo minder tijd te besteden aan handmatig puzzelwerk, waardoor zij meer aandacht kunnen besteden aan regie, uitzonderingen en strategische afwegingen.

Aangezien de planningsassistent is ontwikkeld op de cloudomgeving van de klant en gebruikmaakt van de aanwezige IT-infrastructuur, kon die direct aan de aanwezige databronnen gekoppeld worden. Ook kon de uitkomst van de assistent – een dashboard – eenvoudig aan bestaande systemen gekoppeld worden. Vanwege de gevoeligheid van de gebruikte data is daarnaast veel aandacht besteed aan de veiligheid van de oplossing.

De eerste optimalisatieslag met het nieuwe model was gericht op efficiëntie en leidde direct tot een besparing van miljoenen euro’s. Tegelijkertijd ontstond er zo ruimte om andere doelstellingen mee te nemen, zoals CO₂-uitstoot en chauffeursinzet. De datahuishouding van de zuivelfabrikant was al op orde, anders was dit niet mogelijk geweest.

Met deze aanpak heeft de fabrikant een schaalbare oplossing die het ophalen en aanleveren van grondstoffen structureel verbetert. Continue optimalisatie op basis van actuele data zorgt voor lagere kosten, minder verspilling en beter onderbouwde beslissingen. Tegelijkertijd is een stevig fundament gelegd voor verdere digitalisering en integratie van duurzaamheidsdoelstellingen binnen de transportketen, met AI als motor voor innovatie.