AI in het magazijn: welke beslissingen kun je slimmer ondersteunen?

Welke order geef je voorrang als meerdere orders haast hebben? Verplaats je medewerkers wanneer één zone achterloopt? En welke picklocatie vul je als eerste aan als je niet alles tegelijk kunt doen? In een magazijn worden voortdurend keuzes gemaakt waarbij meerdere belangen tegelijkertijd spelen. Ervaring en intuïtie blijven daarbij waardevol, maar naarmate meer informatie beschikbaar komt, wordt het ook mogelijk om zulke afwegingen met technologie te ondersteunen. AI wordt vooral interessant wanneer er niet één simpele regel is, maar veel factoren samen bepalen wat op dat moment de beste keuze is.

AI In Het Magazijn
Koen Janssen

Auteur

Koen Janssen

Bijdrager

Arjen Lagerweij

Van grip op je magazijn naar betere beslissingen

In het eerste deel over magazijnoptimalisatie gebruikten we de presentatie van logistiek consultant Arjen Lagerweij tijdens de ICT & Logistiek beurs als vertrekpunt. Daarin beschreven we hoe je van een reactief magazijn, waarin veel wordt gezocht en geïmproviseerd, kunt groeien naar een operatie met gestandaardiseerde processen, bruikbare KPI's en betrouwbare data. Pas wanneer die basis voldoende op orde is, ontstaat een interessante volgende stap: die informatie inzetten om medewerkers te helpen bij de keuzes die gedurende de dag gemaakt moeten worden.

Waar een traditioneel dashboard vooral zichtbaar maakt wat er is gebeurd, kun je technologie ook gebruiken om vooruit te kijken en verschillende mogelijkheden naast elkaar te leggen. Welke orders dreigen te laat te komen? Waar ontstaat straks een tekort aan capaciteit? Welke combinatie van werkzaamheden past gezien de situatie het beste bij elkaar? Het systeem verzamelt en verwerkt informatie die een medewerker anders zelf uit verschillende bronnen moet halen.

Dat betekent niet dat iedere beslissing volledig geautomatiseerd hoeft te worden. Juist de combinatie is interessant: technologie kan rekenen, voorspellen, patronen herkennen en scenario's vergelijken, terwijl mensen ervaring, context en bedrijfskennis toevoegen. Daarmee verschuift de vraag van ‘kan AI deze beslissing overnemen?’ naar ‘bij welke beslissing helpt extra informatie ons om een betere afweging te maken?’

Mens En AI In Het Magazijn

1. Waar zet je medewerkers op dit moment in?

Het werk in een magazijn verloopt gedurende de dag niet altijd volgens planning. Misschien loopt de orderverzameling in zone A achter, terwijl medewerkers in zone B juist sneller klaar zijn dan verwacht. Ondertussen komen nieuwe orders binnen en moet later op de dag voldoende capaciteit overblijven voor het laden. Een warehousemanager moet dan bepalen of medewerkers op hun huidige plek blijven of tijdelijk ergens anders nodig zijn.

Traditioneel zal zo'n beslissing sterk leunen op wat de warehousemanager op dat moment ziet en op ervaring uit vergelijkbare situaties. Met betere ondersteuning kun je daar actuele gegevens aan toevoegen. Hoeveel werk staat in iedere zone nog open? Hoe snel wordt dat normaal gesproken verwerkt? Welke orders hebben de hoogste tijdsdruk? En welke medewerkers beschikken over de juiste ervaring of vaardigheden om ergens anders bij te springen?

Technologie kan op basis daarvan bijvoorbeeld signaleren dat een bepaalde zone met de huidige bezetting naar verwachting achter gaat lopen. Vervolgens kunnen mogelijke scenario's worden vergeleken: wat gebeurt er als één medewerker wordt verplaatst, wat als er twee worden verplaatst en wat betekent dat voor het werk dat zij achterlaten? De warehousemanager krijgt daarmee geen simpele opdracht van een algoritme, maar meer informatie over de vermoedelijke gevolgen van verschillende keuzes.

Dat onderscheidt dit vraagstuk ook van algemene personeelsplanning. Het gaat hier niet om de vraag hoeveel medewerkers je volgende maand op basis van verwachte vraag moet inroosteren. Het gaat om de operationele verdeling van beschikbare capaciteit tijdens de werkdag. Precies daar kan snelle besluitondersteuning waarde hebben. 

Welke order geef je voorrang?

Een spoedorder lijkt op het eerste gezicht eenvoudig: die moet als eerste worden verwerkt. Maar wat als er tegelijkertijd meerdere urgente orders klaarstaan? Voor één order arriveert het transport over twintig minuten, een tweede order bevat artikelen die door dezelfde zone moeten worden gepickt en bij een derde order dreigt een overeengekomen levertijd te worden overschreden. Dan is ‘spoed eerst’ ineens geen duidelijke beslisregel meer.

In zo'n situatie kunnen veel factoren relevant zijn. Denk aan de afgesproken levertijd, de status van de order, beschikbare voorraad, resterende picktijd, transportplanning en de mogelijkheid om verschillende orders efficiënt te combineren. Hoe meer orders tegelijkertijd verwerkt worden, hoe lastiger het voor één persoon wordt om continu alle mogelijke gevolgen van iedere volgordekeuze te overzien.

Technologie kan verschillende scenario's veel sneller naast elkaar leggen. Misschien blijkt bijvoorbeeld dat het efficiënter is eerst twee orders te verzamelen die grotendeels dezelfde magazijnroute volgen en de oorspronkelijke spoedorder enkele minuten later te verwerken. In een andere situatie kan juist blijken dat een bepaalde order onmiddellijk voorrang moet krijgen om te voorkomen dat een vrachtwagen moet wachten of een leverbelofte wordt gemist.

Witte Truck Achteruit Bij Laaddok 1

Maar daarmee ontstaat een essentiële vraag: wat bedoel je eigenlijk met de beste beslissing? De kortste pickroute hoeft niet dezelfde uitkomst op te leveren als de hoogste leverbetrouwbaarheid. De laagste operationele kosten hoeven evenmin samen te vallen met de hoogste klantprioriteit. Voordat je technologie kunt laten optimaliseren, moet je daarom als organisatie bepalen welke doelen en afspraken in verschillende situaties het zwaarst wegen.

3. Welke picklocatie vul je als eerste aan?

Ook replenishment wordt interessanter zodra capaciteit schaars is. Stel dat uit de beschikbare informatie blijkt dat vijf picklocaties binnen afzienbare tijd moeten worden aangevuld, terwijl er op dit moment slechts capaciteit beschikbaar is om er twee direct te verwerken. De vraag is dan niet meer óf je moet aanvullen. Je moet bepalen waar je medewerkers als eerste naartoe stuurt.

Daarbij kun je verschillende operationele factoren combineren. Welke orders staan al klaar om gepickt te worden? Hoe snel raakt een locatie naar verwachting leeg? Hoeveel orders zijn van het betreffende artikel afhankelijk? Waar staat de bulkvoorraad en hoeveel tijd kost de aanvulling? Misschien kunnen twee aanvultaken bovendien worden gecombineerd omdat de locaties dicht bij elkaar liggen.

Een vaste bedrijfsregel kan bepaalde situaties prima oplossen. Je kunt bijvoorbeeld instellen dat een aanvultaak wordt aangemaakt zodra een minimumvoorraad op een picklocatie wordt bereikt. Dat is waardevolle automatisering, maar nog geen complexe intelligentie. AI wordt interessanter wanneer verschillende mogelijke taken tegelijkertijd moeten worden gewogen en de beste volgorde afhankelijk is van een steeds veranderende situatie.

Zo voorkom je dat AI wordt ingezet voor een probleem dat met een eenvoudige regel al prima is opgelost. De toegevoegde waarde ontstaat vooral wanneer de operatie zoveel variabelen bevat dat het voor mensen lastig wordt om continu alle opties door te rekenen. Het systeem helpt dan bij de prioritering, terwijl een medewerker bijzondere omstandigheden kan blijven meewegen.

4. Welke vrachtwagen laat je wanneer naar het dock komen?

Datzelfde principe zie je terug bij dockplanning. Je hebt bijvoorbeeld verschillende vrachtwagens onderweg, een beperkt aantal docks beschikbaar en orders die zich allemaal in een andere fase van het magazijnproces bevinden. Een vrachtwagen direct naar een vrij dock sturen lijkt efficiënt, maar dat is niet noodzakelijk de beste keuze wanneer de benodigde goederen nog niet klaarstaan. Een dock blijft dan bezet terwijl elders een vrachtwagen wacht waarvan de lading wel direct verwerkt kan worden.

Een slimmere planning kan daarom informatie uit meerdere processtappen combineren. Wanneer verwacht je een vrachtwagen? Welke order hoort daarbij? Is die order volledig verzameld en gecontroleerd? Hoe lang duurt het laden waarschijnlijk en wanneer komt het volgende dock beschikbaar? Op basis daarvan kan eerder zichtbaar worden waar straks een conflict of wachttijd dreigt te ontstaan.

Ook veranderingen kunnen vervolgens worden doorgerekend. Wanneer een orderverzameling twintig minuten vertraging oploopt, kun je bepalen welke invloed dat heeft op de geplande dockbezetting en welke verschuiving het minste gevolg heeft voor de rest van de operatie. Zo handel je niet pas wanneer een chauffeur voor een bezet dock staat, maar krijg je eerder de mogelijkheid om de planning bij te sturen.

Daarbij blijft de planner belangrijk. Misschien belt een vervoerder dat een vrachtwagen later komt, is een bepaalde lading uitzonderlijk lastig te verwerken of moet om een andere reden van de voorgestelde volgorde worden afgeweken. Een systeem kent alleen de context die als informatie beschikbaar is. De praktijkkennis van medewerkers blijft nodig om te beoordelen of een berekende keuze ook werkelijk logisch is.

De belangrijkste vraag: waarop wil je eigenlijk optimaliseren?

De vier voorbeelden hebben één belangrijk element gemeen. AI kan enorm veel mogelijkheden doorrekenen, maar moet daarvoor wel weten wat een goede uitkomst is. Dat klinkt eenvoudig, terwijl juist daarin veel bedrijfskeuzes verborgen zitten. Wil je vooral snelheid verhogen, wachttijden beperken, de leverbetrouwbaarheid verbeteren, minder interne bewegingen maken of medewerkers zo gelijkmatig mogelijk belasten?

Stel dat je honderd orders hebt die vandaag moeten worden verwerkt. De ene volgorde kan het aantal meters dat medewerkers lopen minimaliseren. Een andere volgorde zorgt ervoor dat de orders met de dichtstbijzijnde transportdeadline eerst klaarstaan. Weer een andere kan gunstiger zijn voor de totale productiviteit. Technisch kunnen alle drie de uitkomsten ‘optimaal’ zijn, maar ze optimaliseren ieder iets anders.

Daarom begint goede besluitondersteuning niet bij het algoritme, maar bij de bedenkingen die je zelf maakt over je operatie. Welke KPI's zijn bepalend? Welke afspraken met klanten mogen nooit in het gedrang komen? Wanneer heeft veiligheid altijd voorrang op snelheid? En hoeveel vrijheid moet een medewerker hebben om van een advies af te wijken?

Dat sluit direct aan op het eerste artikel over magazijnoptimalisatie. Daarin kwamen KPI's als leverbetrouwbaarheid, productiviteit, orderverzamelnauwkeurigheid, voorraadbetrouwbaarheid, veiligheid en doorlooptijd voorbij. Die KPI's zijn niet alleen interessant om achteraf te rapporteren. Ze kunnen ook richting geven aan de afwegingen die gedurende de operatie worden gemaakt.

Wanneer heb je AI nodig en wanneer is een simpele regel voldoende?

Niet iedere beslissing in het magazijn hoeft met AI te worden ondersteund. Sterker nog, wanneer een situatie betrouwbaar met een vaste regel kan worden opgelost, heeft dat vaak de voorkeur. Een systeem dat automatisch een replenishmenttaak start wanneer een minimumvoorraad wordt bereikt, hoeft niet eerst allerlei scenario's te voorspellen. Een duidelijke automatisering kan dan sneller, voorspelbaarder en gemakkelijker te beheren zijn.

AI wordt vooral interessant wanneer een beslissing afhankelijk is van meerdere factoren die voortdurend veranderen. Bij orderprioritering kunnen bijvoorbeeld levertijden, vervoersplanning, resterende werkzaamheden en beschikbare capaciteit tegelijkertijd relevant zijn. Bij dockplanning heb je te maken met aankomsttijden, orderstatussen, beschikbare medewerkers en verwachte laad- en lostijden. Hoe meer mogelijke combinaties er ontstaan, hoe interessanter het wordt om rekenkracht te gebruiken om medewerkers daarbij te ondersteunen.

Een praktische vuistregel is daarom: automatiseer eerst wat voorspelbaar is en onderzoek AI voor wat afweging vraagt. Daarmee voorkom je dat een nieuwe technologie wordt gebruikt omdat deze beschikbaar is, terwijl het probleem met een eenvoudigere oplossing beter kan worden aangepakt. Tegelijkertijd wordt veel concreter waar AI daadwerkelijk onderscheidende waarde kan leveren.

Professionele Magazijninfographic Met Uitgelijnde Foto'S 2

AI heeft actuele informatie nodig

Voor dit soort besluitondersteuning is de actualiteit van informatie belangrijk. Als een systeem moet adviseren welke order eerst moet worden verzameld, moet het onder andere weten welke orders openstaan en wat de status daarvan is. Voor replenishment moet duidelijk zijn wat op de picklocatie aanwezig is en welke orders eraan komen. En voor dockplanning moeten geplande aankomsten en de voortgang van werkzaamheden voldoende betrouwbaar beschikbaar zijn.

Daarmee stellen operationele AI-toepassingen andere eisen dan een rapportage die je eens per week bekijkt. Een voorraadbeweging die pas veel later wordt geregistreerd, kan betekenen dat een systeem rekent met een situatie die op de magazijnvloer inmiddels veranderd is. Hetzelfde geldt wanneer de status van een order niet aansluit op de werkelijkheid. Besluitondersteuning kan pas snel reageren wanneer de informatie waarop het advies is gebaseerd eveneens tijdig beschikbaar is.

Actuele Informatie Voor Betere Besluiten 3

Een ERP-systeem, WMS, scanners en andere magazijnoplossingen kunnen belangrijke bronnen van die informatie zijn. Welke systemen nodig zijn, verschilt per magazijn en per beslissing die je wilt ondersteunen. Het vertrekpunt moet daarom niet zijn welke AI-oplossing je wilt aanschaffen, maar welke operationele beslissing je wilt verbeteren en welke actuele gegevens daarvoor noodzakelijk zijn.

Vanuit Blisss sluit dat aan bij hoe we naar digitalisering kijken. Microsoft Dynamics 365 Business Central kan bijvoorbeeld informatie over orders, artikelen en voorraad beschikbaar maken, terwijl gespeWanneer systemen beter worden in rekenen, signaleren en scenario's vergelijken, betekent dat niet dat de warehousemanager uit het proces verdwijnt. Het betekent vooral dat een deel van het voorbereidende werk kan veranderen. In plaats van zelf informatie uit verschillende bronnen bij elkaar te zoeken, kan een medewerker bijvoorbeeld direct zien dat ergens een capaciteitsprobleem dreigt en welke mogelijke acties er zijn.

Daardoor kan meer tijd ontstaan voor beoordelen en bijsturen. Een systeem kan berekenen dat het verplaatsen van twee medewerkers volgens de beschikbare gegevens de beste keuze is, maar de warehousemanager weet misschien dat één van hen later die middag nodig is voor een complexe taak. Een planner kan herkennen dat een voorstel ongebruikelijk is of dat bepaalde informatie ontbreekt. Dat soort context blijft onderdeel van goede besluitvorming.

De interessante vraag is daarom niet of AI de warehousemanager kan vervangen. Veel relevanter is welke afwegingen technologie beter kan voorbereiden, zodat medewerkers hun ervaring kunnen gebruiken voor de keuzes waar die het meeste verschil maakt. Daarmee verschuift de rol stap voor stap van continu reageren en informatie verzamelen naar beoordelen, bijsturen en verbeteren.

Slimmer beslissen, niet simpelweg meer automatiseren

Een slim magazijn draait uiteindelijk niet om zoveel mogelijk beslissingen aan technologie overdragen. De echte kans zit in situaties waarin mensen dagelijks complexe afwegingen maken en technologie kan helpen om sneller te zien wat er gebeurt, welke opties beschikbaar zijn en wat de vermoedelijke gevolgen daarvan zijn. De ervaring van medewerkers blijft nodig om die informatie in de juiste context te plaatsen.

Voor Blisss is dat ook het logische vertrekpunt voor AI in het magazijn: eerst bepalen welke operationele beslissing je wilt verbeteren en daarna kijken welke processen, data en technologie daarvoor nodig zijn. Wil je onderzoeken waar AI en je huidige Microsoft-omgeving medewerkers kunnen ondersteunen bij de dagelijkse aansturing van het magazijn? Ga met Blisss in gesprek.