Black Friday is ieder jaar weer een flinke test voor de logistiek. In korte tijd krijgen magazijnen, personeel en vervoerders veel meer te verwerken. Processen volgen elkaar sneller op en een kleine afwijking kan daardoor een veel groter effect krijgen.
Die piek is bovendien groter dan één drukke vrijdag. Nederlandse verzenddata over de afgelopen twee piekseizoenen laat bijvoorbeeld zien dat Cyber Monday zelfs meer zendingen kende dan Black Friday en dat de verhoogde volumes ook daarna nog aanhielden.
Een voorraadverschil dat normaal nauwelijks opvalt, wordt lastiger wanneer een artikel honderden keren per dag het magazijn verlaat. Een rapportage die een paar uur achterloopt, komt misschien te laat om nog bij te sturen. En handmatig cijfers verzamelen kost juist tijd op het moment dat iedere minuut telt.
Black Friday veroorzaakt zulke tekortkomingen niet per se. Het vergroot ze vooral uit. De vraag is daarom niet alleen hoeveel orders je aankunt, maar ook of je op tijd ziet wat die orders betekenen voor de rest van je operatie.
Aan gegevens is bij veel logistieke organisaties geen gebrek. Het ERP bevat informatie over orders en klanten, het WMS over wat er in het magazijn gebeurt en het TMS over transport en leveringen. Daarnaast zijn er gegevens uit planningssoftware, machines, vervoerders en de nodige Excel-bestanden.
Los van elkaar kunnen die systemen prima functioneren. Het wordt lastiger wanneer je een vraag wil beantwoorden waarvoor informatie uit meerdere systemen nodig is. Als het ordervolume stijgt, wil je niet alleen weten hoeveel bestellingen er binnenkomen. Je wil ook zien wat dat betekent voor de voorraad, de beschikbare mensen en de geplande transportcapaciteit.
Tijdens een rustige week kun je verschillende overzichten nog naast elkaar leggen, iemand bellen of handmatig cijfers controleren. Tijdens Black Friday is daar veel minder ruimte voor. Als iedereen naar een eigen stukje van de operatie kijkt, ontbreekt juist dan het totaalbeeld.
Door gegevens uit die verschillende systemen samen te brengen in een dataplatform, kun je verbanden leggen tussen orders, voorraad, doorlooptijden en capaciteit. Niet alleen rapporteren wat er in elk systeem gebeurt, maar zien wat de combinatie betekent voor je operatie.
Stel dat op Black Friday het aantal bestellingen sneller oploopt dan verwacht. Een paar populaire artikelen verkopen harder dan ingeschat en tegelijkertijd neemt de gemiddelde verwerkingstijd in het magazijn toe.
Wanneer orders uit het ERP komen, de voorraad in het WMS staat en de personeelscapaciteit apart wordt bijgehouden, kan het even duren voordat het verband duidelijk is. Tegen de tijd dat orders daadwerkelijk vertraging oplopen, ben je vooral aan het reageren.
Met een gezamenlijk beeld wordt eerder zichtbaar hoe het hogere ordervolume, de afnemende voorraad en de beschikbare warehousecapaciteit samen voor druk zorgen. Dat helpt om sneller te bepalen waar bijsturen nodig is en of de geplande transportcapaciteit nog aansluit.
Alleen gegevens verzamelen is daarvoor niet genoeg. De voorraadstanden, ordergegevens, doorlooptijden en capaciteitsinformatie moeten betrouwbaar zijn. Je moet ze kunnen combineren zonder telkens handmatig bestanden samen te voegen. En ze moeten actueel genoeg zijn voor de beslissing die je wil nemen: voor een analyse kan een rapport van gisteren prima zijn, voor bijsturen op een piekdag niet altijd.
| De vraag is dus niet alleen of je over veel data beschikt. Veel belangrijker is of je die data ook op het juiste moment kunt gebruiken. |
Tijdens ons bezoek aan ICT & Logistiek in Utrecht ging het ook veel over de volgende stap: AI. Organisaties willen daarmee bijvoorbeeld drukte voorspellen, planningen slimmer maken en mogelijke problemen in de keten eerder zien aankomen.
Als de databasis op orde is, wordt dat interessant. Je kunt historische pieken combineren met actuele order-, voorraad- en capaciteitsgegevens. Daarmee kun je proberen te voorspellen op welk moment de warehousecapaciteit tekortschiet, welke voorraad onder druk komt te staan of waar later op de dag een vertraging dreigt.
Dat is een uitbreiding op actueel inzicht, geen voorwaarde om te kunnen bijsturen. Het verschil zit in de vraag die je beantwoordt: wat gebeurt er nu, of wat kan er straks gebeuren? Het overzicht hieronder laat zien hoe die onderdelen samenhangen.
| Onderdeel | Wat kun je ermee? |
| De databasis | Gegevens uit ERP, WMS, TMS en planning samenbrengen. Zorgen dat ze betrouwbaar, verbonden en actueel genoeg zijn om op te sturen. |
| Inzicht in het nu | Zien hoe orders, voorraad, doorlooptijden en capaciteit samenhangen. Herkennen waar de druk oploopt en bepalen waar je moet bijsturen. |
| Vooruitkijken | Historische patronen combineren met actuele gegevens. Met forecasting en AI proberen te voorspellen waar later een knelpunt kan ontstaan. |
Een AI-model maakt een slechte databasis niet vanzelf beter. Als voorraadgegevens achterlopen of afdelingen met verschillende cijfers werken, wordt het lastig om op voorspellingen te vertrouwen. De waarde zit dus niet in AI op zichzelf, maar in je datafundament waarmee je betrouwbare gegevens eerder kunt herkennen.
Black Friday is daarmee niet alleen een test voor je logistieke capaciteit, maar ook voor de informatie waarop je beslissingen baseert. Heb je bij piekdrukte voldoende overzicht om te weten wat er gebeurt en waar aandacht nodig is?
Een paar vragen helpen om te bepalen waar voor jouw organisatie de volgende stap zit:
Misschien blijkt dat forecasting en AI een logische volgende stap zijn. Maar het kan ook zijn dat de grootste winst eerst zit in betrouwbare, toegankelijke en verbonden gegevens. Beide beginnen bij dezelfde vraag: welke informatie heb je nodig om tijdens piekdrukte eerder te kunnen handelen?