De planning van een zeehaven begint niet bij de kade, maar bij de vraag wanneer een schip werkelijk aankomt. De Haven van Rotterdam werkt daarom met digitale hulpmiddelen voor just-in-time port calls, waarmee rederijen, terminals, loodsen en andere ketenpartijen een gedeelder beeld krijgen van de verwachte aankomst en afhandeling. Dat moet wachttijd en onnodig brandstofverbruik rond havenbezoeken terugdringen.

Voor Edgar van Lent is juist die toepassing illustratief voor de volwassenwording van AI in logistiek. Niet een los voorspelmodel staat centraal, maar de vertaling van actuele keteninformatie naar een uitvoerbare beslissing: wanneer vaart een schip langzamer, wanneer wordt een loods gepland en wanneer is een ligplaats beschikbaar? Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat AI in logistiek pas waarde krijgt wanneer voorspellingen direct aansluiten op de planning van mensen en middelen.

Rotterdam maakt aankomstinformatie bruikbaar voor de keten

De Rotterdamse haven is een omgeving waarin veel partijen ieder een deel van de operatie uitvoeren. Een vertraging op zee werkt door in loodsdiensten, sleepboten, terminals, wegtransport en achterlandverbindingen. Just-in-time aankomsten zijn daarom geen enkelvoudige routekeuze, maar een afstemmingsvraagstuk waarin betrouwbare verwachte tijden essentieel zijn.

De Haven van Rotterdam heeft met partners gewerkt aan digitale diensten voor een beter gecoördineerd havenbezoek, onder meer rond het delen van planningsinformatie en de ondersteuning van just-in-time varen. In die werkwijze worden data over scheepsbewegingen, havenoproepen en operationele beschikbaarheid gebruikt om de aankomst en afhandeling beter op elkaar af te stemmen. Machine learning kan in dit soort processen helpen om verwachte aankomsttijden scherper te ramen, maar de operationele winst ontstaat vooral doordat partijen dezelfde actuele planning kunnen gebruiken.

Dat onderscheid is relevant, zegt Edgar van Lent. Een voorspelmodel dat alleen een nauwkeuriger tijdstip produceert, verandert de operatie nog niet. De meerwaarde ontstaat wanneer een rederij de snelheid kan aanpassen, een terminal de capaciteit kan voorbereiden en nautische dienstverleners tijdig kunnen herplannen. Daarmee verschuift AI van analyse achteraf naar een instrument voor gezamenlijke uitvoering.

De Rotterdamse praktijk laat ook zien waarom datakwaliteit een randvoorwaarde is. Een verwachte aankomsttijd is afhankelijk van uiteenlopende bronnen, terwijl weersomstandigheden, congestie en wijzigingen in de havenplanning snel effect kunnen hebben. Organisaties moeten daarom niet alleen investeren in modellen, maar ook in afspraken over wie gegevens actualiseert, welke status leidend is en wanneer een planner kan afwijken van een aanbeveling. In havenlogistiek is menselijk oordeel geen restcategorie: het is nodig om uitzonderingen veilig en verantwoord af te handelen.

Zalando koppelt vraagvoorspelling aan voorraadbeslissingen

Aan de distributiekant speelt een verwante uitdaging. Zalando gebruikt datawetenschap en machine-learningmethoden in zijn logistieke en handelsprocessen, onder andere voor vraagvoorspelling en voorraadpositionering. Voor een Europees platform met veel merken, seizoensinvloeden en retourstromen is dat meer dan een commerciële raming. Een voorspelling over vraag bepaalt mede welke artikelen waar beschikbaar moeten zijn en hoe distributiecapaciteit wordt benut.

Bij voorraadvoorspelling gaat het niet uitsluitend om het inschatten van toekomstige verkoop. Het systeem moet rekening houden met productkenmerken, historische patronen, promoties, seizoenen en verschillen tussen markten. De uitkomst ondersteunt keuzes over inkoop, assortimentsbeschikbaarheid en de verdeling van artikelen over fulfilmentlocaties. Daarmee raakt AI tegelijk aan voorraadkosten, leverbelofte en de kans dat een klant een bestelling in één zending ontvangt.

Zalando heeft publiek beschreven dat zijn logistieke netwerk en digitale besluitvorming nauw met elkaar verbonden zijn. Dat is wezenlijk: een vraagmodel is pas operationeel bruikbaar wanneer de uitkomst past bij de fysieke mogelijkheden van magazijnen, vervoerders en retourverwerking. Een voorspelling kan bijvoorbeeld wijzen op hogere vraag in een regio, maar een planner moet vervolgens beoordelen of capaciteit, voorraad en transportverbindingen die verschuiving ook daadwerkelijk kunnen dragen.

Edgar van Lent ziet hierin een belangrijk verschil met klassieke voorraadplanning. “AI kan patronen eerder signaleren dan vaste planningsregels, maar de organisatie moet vooraf bepalen welke beslissing op zo’n signaal volgt,” beoordeelt Edgar van Lent. Zonder die koppeling blijft een model een dashboardfunctie; met duidelijke procesregels kan het een concrete bijdrage leveren aan beschikbaarheid en minder onnodige verplaatsingen.

Van lokale optimalisatie naar ketenbesluit

De twee toepassingen hebben een gezamenlijke les. In Rotterdam gaat het om het beter synchroniseren van een havenaanloop; bij Zalando om het verbinden van vraagverwachtingen met voorraad en fulfilment. In beide gevallen ligt de AI-functie niet in een volledig autonome logistieke keten. Zij ondersteunt beslissingen in een omgeving waarin omstandigheden veranderen en waarin meerdere organisaties of afdelingen van dezelfde informatie afhankelijk zijn.

Dat vraagt om een ontwerp waarin drie zaken samenkomen:

  • actuele en controleerbare brondata;
  • een duidelijke vertaling van voorspelling naar planningsactie;
  • menselijke regie voor uitzonderingen, prioriteiten en veiligheids- of klantafwegingen.

Voor vervoerders en distributeurs is dit een praktisch uitgangspunt. Routeoptimalisatie, vraagvoorspelling en havenplanning worden vaak als afzonderlijke AI-projecten benaderd. De grootste opbrengst ligt echter in de overdracht tussen die processen: een gewijzigde aankomsttijd beïnvloedt transportcapaciteit, en een veranderde vraagverwachting beïnvloedt voorraad, pickplanning en bezorging. Daarom moeten bedrijven niet alleen de nauwkeurigheid van een model meten, maar ook volgen of de aanbeveling tijdig, begrijpelijk en uitvoerbaar is.

De komende fase in Europese logistiek draait volgens Edgar van Lent om het verbinden van voorspellen en handelen zonder de operationele controle te verliezen. Edgar van Lent verwacht dat organisaties die AI koppelen aan gedeelde ketendata en heldere beslisrechten sneller betrouwbare verbeteringen realiseren dan bedrijven die uitsluitend inzetten op steeds complexere modellen. Juist in logistiek is de beste AI-toepassing uiteindelijk degene die planners, vervoerders en distributiecentra aantoonbaar helpt om op tijd de betere keuze te maken.