Operationele efficiëntie
Minder verspilling in de voedingsproductie
Verspilling duurzaam verminderen met machine learning.
Om de vertrouwelijkheid te beschermen, kunnen we specifieke details aanpassen. Onze belangrijkste bijdrage geven we altijd correct weer.
Context & doelstellingen
Vrijwel elk voedingsproductiebedrijf wil verspilling beperken. Of het nu gaat om een duurzame onderneming met minimale milieu-impact of om lagere overheadkosten: minder verspilling kan veel opleveren. Dat gold ook voor een groot voedingsproductiebedrijf in Frankrijk.
Het bedrijf besefte dat daarvoor een datagedreven aanpak nodig was. Maar waar begint u? In een vergelijkbare situatie hebt u misschien grote hoeveelheden data uit elke stap van uw toeleveringsketen, verspreid over allerlei databases en datawarehouses. Op een bepaald moment lijken het volume en de complexiteit zo groot dat het onderzoek meer moeite kost dan het oplevert. Precies daar komen data science en het team van Agilytic in beeld.
De belangrijkste doelstellingen waren:
Verschillende databronnen samenbrengen en inzicht krijgen in het volledige data-ecosysteem.
Inzicht bieden in de factoren die het grootste deel van de verspilling in het productieproces veroorzaken.
Een roadmap uitwerken met acties om verspilling beter aan te pakken.
Aanpak
Vóór de analyses moesten ongeveer twaalf databronnen worden samengebracht en opgeschoond. Data-ecosystemen van die omvang brengen doorgaans veel uitdagingen mee. Een van de grootste was hier een onjuiste indeling van verspilling in verschillende stappen van de keten. Dat leidde tot dubbeltellingen en een overschatting van de werkelijke hoeveelheden.
Alleen al het inzicht in het data-ecosysteem uit deze eerste stap maakt mogelijke tekortkomingen in de keten zichtbaar. Het bedrijf kan meteen actie ondernemen om die te verhelpen.
Vervolgens gebruikten we machine learning om te bepalen welke factoren het grootste deel van de verspilling in het productieproces veroorzaakten. Zo kregen we inzicht in de impact van factoren zoals:
Het merk en type product.
De houdbaarheid van elk producttype.
De tijd die nodig is om een product te verkopen.
Veel factoren voor de analyse moesten zorgvuldig worden afgeleid uit de beschikbare informatie. Vaak zijn de beste indicatoren voor de uitkomst, in dit geval verspilling, niet rechtstreeks zichtbaar of beschikbaar en moeten ze worden opgebouwd.
Resultaten
Dankzij onze analyses kon het voedingsproductiebedrijf:
Zijn data-ecosysteem beter begrijpen en een betrouwbaardere basis leggen voor toekomstige analyses en voorspellingen.
Verspilling nauwkeuriger kwantificeren om op het juiste moment op de juiste plaats in te grijpen.
De factoren identificeren die het meest aan verspilling bijdragen, om ze gericht aan te pakken.
Bepalen welke producten en processen prioriteit moeten krijgen en moeten worden verbeterd om verspilling te beperken.
Om de vertrouwelijkheid te waarborgen, kunnen we bepaalde details in onze klantcases aanpassen.