HomeNLNieuws Onderzoek voorspelbaarheid van data bij VolkerWessels Bouwmaterieel

Onderzoek voorspelbaarheid van data bij VolkerWessels Bouwmaterieel

Actueel | Carrière

De fase van het afstuderen is een belangrijke fase. Een student wil zo snel mogelijk afstuderen en het beste resultaat behalen. Bij VolkerWessels Bouwmaterieel werken veel professionals, die hier soms óók zelf zijn afgestudeerd. Zij weten dus als geen ander hoe belangrijk deze fase van de studie is. Innovatie is voor ons belangrijk en onze afstudeerders dragen dan ook bij aan innovatieve oplossingen. Dit kan zijn “in het veld”, op de Bouwhub, op de werf of bij ons op kantoor. Frans Bouwmans, student TU Eindhoven, onderzocht  bij Volkerwessels Bouwmaterieel de voorspelbaarheid van data.

foto Frans.JPG

Frans, ondertussen afgestudeerd Bachelor aan de TU in Eindhoven met een 8, heeft vandaag bij ons zijn bevindingen van zijn eindopdracht gepresenteerd. Een interessant verhaal over de voorspeltechnieken van data. Deze voorspellingen kunnen van grote invloed zijn op het voorraadsysteem. 


Lees hieronder zijn eigen verhaal.

Optimizing an inventory system with returns using forecasting

Een belangrijk onderdeel van de bachelor Industrial Engineering aan de Technische Universiteit Eindhoven (TU/e), is het doen van een Bachelor Eindproject. Ik had het geluk aan mijn zijde toen ik VolkerWessels Bouwmaterieel via een stagevacature van werkenbij4ps trof. Voor ik het wist kwam ik in contact met Ron Frazer, directeur van VolkerWessels Bouwmaterieel, wie mij naast mijn begeleiders van de TU/e (Jason Rhuggenaath en dr. Yingqian Zhang) enorm veel geholpen heeft gedurende mijn onderzoek. Samen met Niels Odermatt gaf Ron mij een introductie in het bedrijf; dit bleek later een belangrijk onderdeel te zijn van het toegepaste CRISP-DM procesmodel. Het doel van mijn onderzoek was om de onderstaande hoofdvraag te beantwoorden.

 

“Given a material type and location, how to optimize its inventories to minimize inventory related costs, while meeting a certain service level?”

 

Het CRISP-DM procesmodel is een model waarbij data, iteratie van onderzoeksfases en de link tussen de theorie en de praktijk, centraal staat. De data van VolkerWessels Bouwmaterieel is zorgvuldig en compleet weergegeven in NAV2016 en kan eenvoudig geëxtraheert worden naar Excel. Voordat ik simpelweg data ging extraheren, moest ik natuurlijk eerst het voorraadsysteem van VolkerWessels Bouwmaterieel en de manier van data filteren en prepareren eigen maken. Uit een uitgebreid literatuuronderzoek bleek dat het optimaliseren van een voorraadsysteem met terugkomst van verschillende verhuurde producten (materiëlen), een relatief nieuw concept is in de literatuur. Dit maakte mijn onderzoek complexer maar deze uitdaging maakte het wel heel erg interessant.

 

Nadat ik de “feasiblity” met betrekking tot de aannames van het voorraadmodel van Muckstadt en Isaac (1981) had onderbouwd en de (belangrijkste) aannames met betrekking tot de fit van de verdelingen van de input parameters had bewezen met een Kolmogorov Smirnovv test, kon er een voorraadmodel toegepast worden. Met behulp van het toegepaste voorraadmodel kan men per materieel en per locatie bepalen wat de optimale voorraadpositie en bestelgrootte is. Daarnaast kan men inzichten verkrijgen in verwachtte voorraadniveaus, backorders en aantal bestellingen. Om de beperkingen van het model en het verschil in voorraadsysteem te compenseren, werd een belangrijk deel van mijn onderzoek het maken van voorspellingen. Behalve het gebruik van eenvoudige (zoals Moving Average) maar ook complexe (zoals SARIMA) time series forecasting technieken, heb ik ook machine learning technieken toegepast (zoals LSTM). Aan de hand van de kwantitatieve performance maatstaf RMSE, kon ik bepalen welke voorspeltechniek optimaal was voor een specifiek materieel op een specifieke locatie.

 

De grootste uitdaging gedurende mijn Bachelor Eindproject kwam naar voren bij de uiteenlopende belangen met betrekking tot de academische en praktische doeleinden. Natuurlijk was het voor mij belangrijk dat ik mijn project goed zou afronden voor mijn diploma, maar bovendien wilde ik ook graag iets ontwikkelen wat een toegevoegde waarde zou zijn in de praktijk. In hoeverre ik erover kan oordelen met mijn (levens/werk)ervaring, ligt de nadruk te weinig op de praktische toepassing bij veel onderzoeken. Met regelmaat hoor ik mensen in mijn eigen leefomgeving zelfs vaak klagen over te weinig theoretisch ingestelde studenten en/of werknemers. Het verschil tussen de theorie en de praktijk is in veel gevallen natuurlijk ook enorm en de vertaalslag maken kost vaak ook veel tijd. Toch heb ik dit zo goed mogelijk proberen te doen door mezelf bezig te houden met vier zaken. Allereerst door een voorraadbeheersingstool te maken in Excel, die vrij eenvoudig toe te passen is in de praktijk en het voorraadmodel van Muckstadt en Isaac (1981) vertegenwoordigt. Daarnaast door van de vijftig langst verhuurde materieeltypes voorspellingen te maken voor de twee belangrijkste leverancierslocaties: Rijssen en Oosterhout. Bovendien heb ik vastgesteld welke voorspeltechnieken praktisch toepasbaar zijn, welke daarvan optimaal is per materieel en locatie en wat de optimale inputwaarden zijn voor toekomstig gebruik. Dit brengt me tot de tweede grootste uitdaging van mijn project. Zoals afgeleid kan worden uit mijn onderzoeksvraag, doelt mijn onderzoek op het optimaliseren van de voorraden van één materieel per locatie. Om dit proces praktisch te maken, heb ik het fitten van de beste verdelingen, de significantietest van de best fittende verdelingen en het toepassen van voorspeltechnieken geprogrammeerd in Python. Met de juiste kennis, kan het analyseproces nu gesimuleerd worden, nadat de data op de juiste manier is geprepareerd voor alle materieeltypes. Zo zijn de geprogrammeerde bestanden ook gebruikt om de vijftig voorspellingen te maken voor beide locaties.

 

Tot slot wil ik VolkerWessels Bouwmaterieel bedanken voor het beschikbaar stellen van de data en voor de vriendelijke hulp die ik altijd heb gekregen. Ik wil graag van deze gelegenheid gebruik maken om Ron Frazer, Yingqian Zhang en Jason Rhuggenaath in het bijzonder te bedanken.

+