Voortgangspresentatie Discovery of the Impact of Container Data Changes for Efficient Container...
-
Upload
dirk-mertens -
Category
Documents
-
view
218 -
download
0
Transcript of Voortgangspresentatie Discovery of the Impact of Container Data Changes for Efficient Container...
Voortgangspresentatie
Discovery of the Impact of Container Data Changes
for Efficient Container Terminal Operations
1
Even voorstellen
• Martijn Westbroek• 32 jaar, samenwonend in Spijkenisse• Supervisor bij Europe Container Terminals• Vooropleiding: HBO Logistiek en Economie• Studie BPMIT• Afstudeerrichting Business Intelligence• Afstudeerbegeleider: dr.E.E. Roubtsova• Onderwerp Quality of Container Data
2
Inhoud
• Domein: Container Terminal Operations• Probleem- en doelstelling• Onderzoeksmodel• Business Intelligence & Knowledge Discovery• Case Study• Data-Analyse: Eerste resultaten• Reflectie• Afsluiting
3
Doelstellingen• Service level: klanten zijn rederijen, en indirect
de klanten van de rederijen• On-time performance 100% voor zeeschepen
(betrouwbaarheid)• Verbeteren QC-rate (handelingen per kraan per
uur)• Minimaliseren operationele kosten (inzet
resources)• Minimaliseren onproductieve, onbetaalde
handelingen4
Europe Container Terminals
5
Euromax Terminal
6
Container Terminal Operations
7
Container YardsBay
Stack
Tier
ASC – Automatic Stacking Crane
8
Literatuur• Steenken (2004): “At European terminals 30–40 %
of the export containers arrive at the terminal lacking accurate data for the respective vessel, the discharge port, or container weight – data which are necessary to make a good storage decision. Even after arrival, vessel and discharge port can be changed by the shipping line.”
• Er worden geen percentages genoemd over data changes na binnenkomst van een container.
9
Gevolgen data changes
• ASC reageert op veranderingen en gaat yard ‘herinrichten’ op basis van nieuwe gegevens.
• Container staat mogelijk op verkeerde locatie op terminal
• Container staat tussen andere soort containers (bovenop/onderop)
10
Probleemstelling
• Weinig kennis van omvang en impact onproductieve handelingen
• Onproductieve handelingen kunnen ontstaan door verkeerde of ontbrekende container data.
• Weinig kennis van gevolgen van veranderingen in container data
11
HoofdvraagWat is de impact van veranderingen in containerdata op de operationele efficiency?
Deelvragen:•Resulteert een dataverandering altijd in een extra (onproductieve) handeling?•Is er een verschil tussen het aantal handelingen van containers met en zonder dataveranderingen?•Is er een verband tussen het aantal dataveranderingen en het aantal handelingen?
12
Doelstelling• Inzicht krijgen in de kwaliteit van container data.• Kwaliteit = container data blijft gelijk gedurende
het gehele bezoek• Verbeteren van kwaliteit kan leiden tot het verder
minimaliseren van onproductieve handelingen.• Mogelijk verband vinden tussen data-
veranderingen en aantal handelingen per container
• Het verkrijgen van nieuwe, interessante informatie / kennis (business intelligence)
13
Onderzoeksmodel
14
Business Intelligence
• Ruwe data omzetten in gebruikbare, interessante informatie.
• Datamining is een manier om nieuwe kennis te halen uit een grote verzameling gegevens
• Datamining is de analystische stap in het Knowledge Discovery in Databases proces.
15
Knowledge Discovery in Databases• Doel: het identificeren van nieuwe, valide, bruikbare en begrijpbare patronen in data.• Met andere woorden: van (ruwe) data naar informatie/kennis• KDP model: iteratief stappenplan
16
Six-step KDP Model
Cios et al. (2007)
1.Understanding of the problem domain
2.Understanding of the data and the data collection and selection
3.Preparation of the data
4.Data Mining
5.Evaluation: understanding of the results and checking of novelty and interestingness
6.Implementation and use of the discovered knowledge
17
Case Study
• Stap 1: Business Case
• Stap 2: Het selecteren, verzamelen en analyseren van container data
• Stap 3: Het prepareren van de dataset voor het vervolgonderzoek
18
Case Study
• Stap 4: Het zoeken naar en ontdekken van patronen in de dataset die normaal niet inzichtelijk zijn
• Stap 5: Wat is de waarde van deze gevonden patronen? Geeft dit nieuwe inzichten?
• Stap 6: Hoe gaan we deze nieuwe inzichten implementeren?
19
Data Changes
• Relevante veranderingen voor de ASC:
• Category change: wijze van vervoer
• Vessel change: naam van het schip
• Destination change: bestemming
• Weight change: gewicht van de container
• ASC’s worden geactiveerd (reshuffling) door data changes
20
Stap 2: Verzamelen data• Dataset bestaat uit 2 tabellen uit een
datawarehouse (verzameling uit de operationele systemen)
• 1 tabel met alle containers: ‘equipment uses’• 1 tabel met alle veranderingen: ‘service events’• 1 tabel met alle scheepsreizen: ‘ships’ • Service events zijn alle administratieve en
fysieke handelingen • Sample: Alle containerbezoeken van Q2 2011
21
Stap 2: Selectie Data
• Query van de 3 tabellen
• Alleen containers die zijn vertrokken in Q2.
• Alle attributen van de 3 tabellen geselecteerd voor analysedoeleinden
• Resultaat: lijst met container visits met een count per soort ‘event’.
22
Stap 2: Analyse
• 177.388 containers geladen
• 175.258 yard moves
• 336.739 data changes
• 9% zonder dataverandering: 91% met dataverandering(en).
23
Stap 2: Analyse
• 160.796 containers (91%) met 1 of meer data change(s)
Yard Moves / Container % of Containers Impact#
Containers
# YARD MOVES / Contrs CATEGORY CHANGE 1,73
% Contrs Loaded CATEGORY CHANGE 9% 0,2 15.872
# YARD MOVES / Contrs DESTINATION CHANGE 1,51
% Contrs Loaded DESTINATION CHANGE 49% 0,7 86.242
# YARD MOVES / Contrs VESSEL CHANGE 1,54
% Contrs Loaded VESSEL CHANGE 65% 1,0 115.139
# YARD MOVES / Contrs WEIGHT CHANGE 1,49
% Contrs Loaded WEIGHT CHANGE 44% 0,6 77.371
24
Afsluiting
• Bedankt voor uw aandacht.
• Vragen?
25