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.