Op weg naar betere forecasting voor huurauto’s optimalisatie
Door Maxim Ivashkov
Voorwoord Plansis wil iedereen bedanken die aan dit onderzoek hebben meegewerkt: Charles Koks, Leun Pronk, Johan Tisscher, Kris van Drooge, Bauke de Boer, Brydel Miguel,
Samenvatting De huidige “forecast” omgeving biedt meerdere mogelijkheden tot verbeteringen. De uitkomst van het huidige planningsproces wordt rechtstreeks geprognosticeerd d.m.v. het aantal transporten per week. In dit onderzoek worden de risico’s en consequenties van de huidige omgeving toegelicht. Op basis van deze analyse wordt geadviseerd voor een geïntegreerde planning en “forecasting” cyclus. Door een bredere inzet van beschikbare management informatie en aanwezige forecasting technieken kan een geautomatiseerde forecasting gerealiseerd worden op de middellange termijn. Verder hebben wij twee scenario’s vergeleken met de huidige omgeving. Een essentieel verschil is dat de benodigde capaciteit van huurauto’s berekend wordt. Wij verwachten dat met deze benadering een tussen vijf en tien procent hogere bezettingsgraad haalbaar is. Doorvertaalt per jaar zijn dit besparingen tussen €200.000 en €400.000.
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 2 van 12 ____________________________________________________________________________________________
Introductie ............................................................................................................ 3 De bestaande situatie .......................................................................................... 3 Risico’s ................................................................................................................. 3 Advies voor proces ............................................................................................... 4 Advies voor forecasting en planning methodiek ................................................... 5 Advies voor de tooling .......................................................................................... 6 Vergelijking van drie scenario’s ............................................................................ 7 Appendix A Totaal bezettingsgraad 2009............................................................. 8 Appendix B. Analyse van historische data .......................................................... 9 Appendix C Forecast algorithm .......................................................................... 10 Appendix D Reforecast ...................................................................................... 12
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 3 van 12 ____________________________________________________________________________________________
Introductie Plansis is een bureau dat zich specialiseert in: 1. Advies 2. Maatwerk planning 3. Forecasting. Sinds 2010 gebruikt de ANWB een Variant forecast applicatie voor de Alarmcentrale en sinds 2011 ook voor twee andere afdelingen. Onze kennis van forecast processen en de opgebouwde ervaring met de ANWB informatie was de aanleiding voor het verzoek naar dit onderzoek. Binnen het programma FIT en zijn onderdeel “Huurauto’s optimalisatie” is er behoefte om op de middellange termijn de bezettingsgraad van huurauto’s te vergroten. De focus van dit onderzoek lag op de processen forecast en planning. In drie dagen tijd werd door middel van gebruikte databronnen het uitleningproces van huurauto’s kwantitatief en kwalitatief onderzocht. Belangrijke input voor dit onderzoek waren de interviews met de medewerkers die betrokken zijn bij de planning. De bestaande situatie Het succes van het huidige planningsproces wordt bepaald door de bezettingsgraad van huurauto’s van Logicx. Als basis voor de forecast methodiek wordt wekelijks de voorgeschiedenis van transporten van de huurauto’s naar de punten van uitgifte gebruikt. Deze forecast wordt één keer per jaar gedaan. De uitkomst van deze forecast is het aantal benodigde transporten per week. Het aantal verwachte transporten wordt verder handmatig bijgesteld in verband met de wisselende begin en eindtijden van vakantie periodes van jaar tot jaar. Tijdens het hoogseizoen wordt het aantal transporten vervolgens wekelijks handmatig aangepast door de regionale planners. Hier wordt rekening gehouden met de actuele bezetting en plaatselijke factoren. Belangrijk is de constatering dat de benodigde aantalen niet berekend worden maar handmatig worden voorspeld en bijgesteld. De daadwerkelijke vraag naar vervangend vervoer wordt daarbij niet geforecast. Een analyse van de bezettingsgraad (Appendix A) laat wekelijks per locatie zien dat met de bestaande forecast techniek de bezettingsgraad een sterke variatie heeft. Dit leid tot een relatief lage bezettingsgraad in vergelijking met de in de literatuur opgenomen bezettingsgraad van huurauto’s in Nederland van rond 75%. Risico’s Het aantal benodigde transporten wordt in de bestaande situatie beschouwd als iets wat je direct zou willen voorspellen terwijl het een resultaat zou moeten zijn van een planningsproces. Door forecasting van de uitkomst van het planningsproces loopt de ANWB onnodige risico’s:
Stochastische risico’s. o Huurauto’s aanvragen is een stochastisch proces. o Een betere forecasting- en plannings-methodiek zou rekening moeten houden met kansverdeling van de aanvragen en de verwerking daarvan Financiele risico’s. o Financiele belangen van de stakeholders zijn niet expliciet opgenomen in het planning proces; het is niet inzichtelijk wat de financiele impact is van de keuzes van het huidige planningsproces en ook niet van de alternatieven Leer en groei risico’s. o De resulteerde bezetting van beschikbare auto’s is niet het resultaat van een gestructureerd planninsproces. o Zonder bewaking van onderliggende factoren is de analyse problematisch en procesverbeteringen moeilijk te realiseren. Efficiëntie risico’s. o Extra kosten door handmatige en fout gevoelige processen binnen de Excel omgeving o Het niet optimaal gebruiken van beschikbare actuele informatie binnen de ANWB o Het niet tijdig reageren op veranderingen in de markt.
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 4 van 12 ____________________________________________________________________________________________
Advies voor proces Forecasting maakt deel uit van een planningsproces en dit moet goed aansluiten op de overige operationele processen, zodat waarde wordt toegevoegd. Als inspiratie gebruiken wij de planningsmethodiek voor contact centers. Bij deze geldt een vergelijkbare doelstelling – hoge service en bezettingsgraad door een optimale match tussen de benodigde capaciteit en de aanwezige capaciteit. Binnen de contact centers is het planning proces verdeeld in subprocessen: routing, forecast, planning, roostering, traffic management, reporting en eventuele business performance management processen. Het woord “planning” wordt vaak gebruikt als de paraplu naam voor alle processen of voor een onderdeel van het proces. © Plansis vervoer binnen SLA
Servicelevel % Vervangend-
Occupancy Bezettingsgraad Aantal medewerkers Aantal auto’s “Een gestructureerd forecasting proces met duidelijke stappen, rollen en verantwoordelijkheden is wezenlijk van belang naast teamwork en goede communicatie. Zij dragen bij aan de primaire doelstelling van de vraagvoorspelling en het plan: het ondersteunen van adequate besluit vorming!” (ControllersMagazine, sept 2006) .
Forecasting. De input voor het forecasting-proces is het routingsproces dat resulteert in historische data over de werkstromen. In de huidige context betreft dit de werkverdeling tussen regio’s / uitgifte punten. Het doel van het forecasting-proces is de voorspelling van het aantal aanvragen voor huurauto’s per dag/week per regio / uitgiftepunt per auto type. Over het algemeen moet met het forecast proces gekeken worden naar de externe (onafhankelijke) variabelen van een bepaalde gebeurtenis, bijv. de vraag naar vervangend vervoer Het aantal benodigde transporten per week is een variabele die voor een deel afhankelijk is van beslissingen, regels en meerdere externe of interne factoren. Alleen wanneer onderliggende keuzes en factoren hetzelfde blijven kunnen wij de historie van transporten gebruiken voor de toekomst. Het is van belang dat forecasting-fouten gemeten worden. Hier worden vaak percentages van het afwijken van actuele en geforecaste aantallen gebruikt. Voorbeelden van factoren. Bij een uitgifte punt worden huurauto’s vaker terug gebracht dan bij de andere; of er wordt een categorie van auto’s vaker gevraagd dan de andere; of moeten huurauto’s van derden voor een bepaald percentage ingezet worden.
Met de bestaande methodiek zijn de actuele aantallen (benodigde transporten) onbekend. Daardoor is de forecast fout ook niet te meten. Planning. Het forecast proces wordt gevolgd door het planning proces. Tijdens het planningsproces wordt de
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 5 van 12 ____________________________________________________________________________________________
forecast van het aantal aanvragen vertaald naar de benodigde capaciteit van huurauto’s per locatie. Dit zal moeten gebeuren op basis van nog te ontwikkelen rekenkundige modellen. Bijvoorbeeld, stel dat er iedere dag een aanvraag voor een huurauto binnenkomt met een gemiddelde uitgifte-tijd van 3 dagen. In dit scenario kunnen wij ons met drie huurauto’s redden omdat op de vierde dag de eerste auto wordt terug gebracht. Voor goede capaciteitsberekeningen moeten wij ook rekening gehouden met statistische onzekerheden. Een voorbeeld uit de contact centers branche is de ErlangC formule. Deze formule vertaalt de hoeveelheid werkaanbod naar de benodigde bezetting. Tijdens de planning moet er ook rekening gehouden worden met regionale verschillen, typen capaciteit, gemiddelde uitgifte tijd, economische belangen, businessregels en het stochastisch karakter van het proces. Zodra de benodigde capaciteit is bepaald kan het roostering proces worden uitgevoerd. Roostering. Tijdens het roostering proces wordt de benodigde capaciteit doorvertaald naar de reeds aanwezige soorten capaciteit zoals huurauto’s van Logicx en van derden. Hier worden eventuele tekorten in kaart gebracht wat de input levert voor het benodigde transport schema. Traffic management. Routing, forecast, planning en roostering processen gebeuren lang van tevoren zodat roosters reëel kunnen zijn. Het doel van het traffic management proces is de correctie van fouten of het verminderen van de invloed 1 van alle onverwachte factoren. Dit proces maakt aanpassingen van de roosters kort van te voeren of op de dag zelf. Hoe beter de roosters bij de actuele situatie aansluiten hoe minder aanpassingen traffic heeft te doen. Advies voor forecasting en planning methodiek Voor een betere keuze van de forecasting methodiek is het karakter van het aanvraagproces van huurauto’s belangrijk. Een analyse van de historie van aanvragen (Appendix B) laat de volgende eigenschappen zien:
Seizoensinvloeden Langere termijn (jaar) trends Invloed van meerdere factoren b.v. het weer
Voor bovenstaande kenmerken wordt geadviseerd om hybride forecasting technieken te gebruiken. Het gaat bij hybride forecastingtechnieken om een combinatie van tijdrekalgoritmes en oorzaak-gevolgmodellen. Je kunt hiemee de kracht van algoritmes combineren met proceskennis van experts binnen en buiten de organisatie. Voor de forecast van het aantal transporten op basis van tijdrekanalyses hebben we gebruik gemaakt van een algoritme van CCMATH (zie Appendix C). Dit algoritme wordt nu al gebruikt binnen een ANWB forecast omgeving. Door meerdere instellingen kan dit algoritme flexibel worden ingezet voor de forecast van aanvragen van huurauto’s. Wij hebben een simpele versie van instellingen gebruikt puur op basis van tijdreeks analyse en regressie om zo de acties met huurauto’s te voorspellen. De kwaliteit van de forecast is met twee tests gemeten: U test en DW test. De algoritme scoorde gemiddeld rond 0.6 op de U statistiek test. Wanneer de waarde van de U- test <1 is, is er sprake van betere forecasting dan met simpele technieken. Op de Durbin-Watson test scoorde de CCMATH algoritme rond 0.63. Deze uitkomst betekende dat forecast fouten niet willekeurig zijn. Op een aantal perioden is systematische afwijking duidelijk te zien. Dit versterkt de conclusie over de aanwezigheid van extra factoren dat met hybride modellen gestuurd kan worden. Na aanleiding van de analyse en interviews werden een aantal factoren in kaart gebracht. Deze factoren kunnen in twee soorten verdeeld worden: Forecast proces factoren (invloed op het aantal aanvragen) o Het weer (pech risico is afhankelijk van het weer ) o De verkeersdrukte (meer reizigers leid tot meer pech gevallen. Ook is verkeersdrukte afhankelijk van weersomstandigheden. 1
Het woord “rooster” is vaker gebruikt in de context van contact centers. Het betekent hier een logistiek rooster voor de huurauto’s.
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 6 van 12 ____________________________________________________________________________________________
Vakantie trends (mensen gaan richting de nieuwe EU staten in plaats van populaire bestemmingen.), o Langere termijn economische trends (meer mensen gaan per vliegtuig als benzine prijzen verder stijgen). Planning factoren (invloed op capaciteitsberekeningen) o Business regels voor het gebruik van de huurauto’s van derden (in een aantal regio’s zijn afspraken over de inzet van huurauto’s van derden.) o Locatie specifieke vakanties die invloed hebben op transport tijden in dagen (in Frankrijk zijn een aantal wegen gesloten tijdens vakanties) o Gemiddelde uitgifte in dagen o Kans dat de auto wordt terug gebracht op de plaats van uitgifte in plaats van in Nederland o transporttijd (shipment tijd) o Garanties per type huurauto per uitgifte punt. o Flexibiliteit factoren (hoe makkelijk/mogelijk is om capaciteit verhogen/verlagen) o
De forecast methodiek kan verder versterkt worden door een bredere inzet van de bestaande management informatie en regelmatige herziening van forecasting proces. Advies voor de tooling Met het breder inzetten van management informatie en van berekeningen heeft het proces rekenkundige steun nodig. Binnen ANWB ALC was een forecasting tool van CCMATH-Plansis al in 2010 geïntroduceerd. Recent waren er capaciteitsberekeningen voor PHV en VHV ingebouwd. Tijdens dit onderzoek keken wij naar de reeds aanwezige informatie in de tool en de benodigde aanpassingen. Dit leidde tot de conclusie dat de tool ingezet kan worden voor de planning van huurauto’s. Hiervoor zijn een enkele uitbreidingen nodig (zie de scenario’s hieronder). De capaciteitsberekening maakt essentieel verschil tussen scenario’s 1 en 2. Met scenario 1 is het resultaat van de tool de voorspelling van het aantal aanvragen. Dit kan verder geëxporteerd worden naar Excel voor de capaciteitsberekeningen. Met scenario 2 worden de berekeningen binnen de tool uitgevoerd. Dit heeft als extra voordeel automatisering van management informatie. Door beter inzicht in management informatie heeft een planner betere controle zodat dit leidt tot een beter resultaat.
Tabel 1. Forecasting tool criteria en de scenario’s
Criteria Software platform Forecast basis
Gebruik van geautomatiseerde forecasting Capaciteit berekeningen Aantal factoren
Forecast aggregatie
Nu, door ANWB Excel
Scenario 1, Plansis advies
Scenario 2, Plansis advies
MS Access ANWB forecasting tool Aanvragen huuraanvragen (onafhankelijk variabel)
MS Access ANWB forecasting tool Aanvragen huuraanvragen (onafhankelijk variabel)
Ja, CCMATH
Ja, CCMATH
Geen
Geen
Ja, expliciet
Beperkt tot vakanties en regionale handmatige wijzigingen
Langere trends, kortere trends (met re-forecast optie voor de recente trends), drukte factoren, seizoen invloeden, “dayofweek” factor. ) Maanden, weken, dagen, steunpunt, cluster, land, auto categorie
Langere trends, kortere trends (met reforecast optie voor de recente trends), dag drukte factoren, seizoen invloeden, “dayofweek” factor. Maanden, weken, dagen, steunpunt, cluster, land, auto categorie
Benodigde transporten (afhankelijk variabel) Nee
Week, Steunpunt
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 7 van 12 ____________________________________________________________________________________________
Breedte van input
Breedte van output
Gebruikers gemak
Forecasting afwijking
Plan van transporten uit voortgaande jaren, vakanties Wekelijks transport planning Laag
Informatie uit ALIAS, LOGICX Rentpro, vakantie trends, het weer
Informatie uit ALIAS, LOGICX Rentpro, vakantie trends, het weer
Aanvragen per locatie per dag per auto’s type
Niet te meten, naar inschatting >20%
<10 % totaal op week basis
Aanvragen per locatie per dag, capaciteit plan, wekelijks transporten Grafische weergave van aanvragen, jaar, week, dag overzicht per locatie, capaciteit planning MI <10 % totaal op week basis
Indicatie van Implementatie tijd
Grafische weergave van aanvragen, jaar, week, dag overzicht per locatie
10 dagen
2
20 dagen
Vergelijking van drie scenario’s Hier onder vergelijken wij de drie scenario’s met elkaar op de verwachte uitkomst van eerder genoemde risico’s. Tabel 2. Vergelijking van de scenario’s Criteria Nu, door ANWB Stochastische 6 (handmatig, risico’s. veel aanpassingen op het laatste moment) Economische 6 (handmatig risico’s door eigen rapporten) Efficiëntie risico’s Leer en groei risico’s Eind resultaat over twee jaar termijn
5 (Handmatig) 6 (Totaal Bezettingsgraa d) 3 -5%
Scenario 1, Plansis advies 8 (Jaar forecast, 6 of 4 weken reforecast), gedeeltelijk traffic management steun
6 ( geautomatiseerd door export van data)
9 (Geautomatiseerd) 8 (Bezettingsgraad per week, forecast fout, transport inefficiency) >3% eerste jaar, >5% tweede jaar
Scenario 2, Plansis advies 9 (Jaar forecast, 6 of 4 weken reforecast, uitgebreid traffic management steun 9 ( geautomatiseerd door inzicht van onderliggende factoren en consequenties 9 (Geautomatiseerd) 8 (Bezettingsgraad per week, forecast fout, transport inefficiency) >7% eerste jaar, >10% tweede jaar
2
Inschatting op basis van eisen opgenomen in dit document Door snellere ontwikkelingen op de markt wordt verwacht dat vorige jaar transporten schema gaat steeds minder kloppen 3
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 8 van 12 ____________________________________________________________________________________________
Appendix A Totaal bezettingsgraad 2009 Grafiek A-1. Analyse van totale bezetting van huurauto’s van Logix op basis van Prorent data. In 2009 was het wagenpark van huur auto’s vanaf week 23 verhoogd tot het maximum in week 31. De verhoging begon eerder dan de stijging van aanvragen. Dit resulteerde in de groei van het aantal stil
staande auto’s met de maximum piek in week 28.
Grafiek A-2. De totale bezettinggraad per week. De bezettinggraad varieert tussen 20% tijdens het begin van het hoogseizoen en 60% tijdens het einde van het hoogseizoen met het maximum rond week 31 (70%).
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 9 van 12 ____________________________________________________________________________________________
Appendix B. Analyse van historische data Grafiek B-1 Garanderen vervangend vervoer actie (totaal per week) Actuele aanvragen hebben een sterk seizoen karakter met drie pieken in het voorjaar (weken 1-3, weken 6 - 10, weken 17-19) , een scherpe piek tijdens het hoog seizoen (weken 22 - 38) en een piek in het najaar (weken 42- 43). Het toppunt van het hoogseizoen ligt tussen de weken 29 en 33. Deze piek heeft een asymmetrische vorm met de scheefheid naar de rechts. De waarde van deze piek komt elk jaar rond 1700 acties per week. De verschillen tussen de jaren zijn goed te zien op de voorjaarspieken.
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 10 van 12 ____________________________________________________________________________________________
Grafiek C-1. Forecast van totaal aantal acties vanaf 1 mei 2010 tot 31 december 2011. Forecasting algoritme bepaald een linieer dalende trend en voorspelt minder acties voor 2011 dan voorheen (dit is wel op basis van data uit 2007-2008). Bij deze forecast gebruiken wij management informatie van voorafhande acties tot 1 mei 2010.
Appendix C Forecast met CCMATH algorithm Grafiek C-2. Forecast van aantal acties in Frankrijk
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 11 van 12 ____________________________________________________________________________________________
Grafiek C-3. Forecast van aantal acties in Italie
_______________________________________________________________________ © 2011
Op weg naar beter forecasting voor huurauto’s optimalisatie Pagina 12 van 12 ____________________________________________________________________________________________
Appendix D Reforecast
Grafiek D-1. Reforecast van totaal aantal acties op basis van meer historische informatie op basis van data tot 9 mei 2011. Forecast in de periode van 9 mei tot 31 december 2011. De reforecast laat zien nog sterkere dalende trend en voorspelt nog lagere piek in 2011 (ruim 1500 per week in plaat van 1600)
_______________________________________________________________________ © 2011