Voortgangspresentatie

1. Voortgangspresentatie Discovery of the Impact of Container Data Changes for Efficient Container Terminal Operations

2. 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

3. Inhoud • Domein: Container Terminal Operations • Probleem- en doelstelling • Onderzoeksmodel • Business Intelligence & Knowledge Discovery • Case Study • Data-Analyse: Eerste resultaten • Reflectie • Afsluiting

4. 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 handelingen

5. Europe Container Terminals

6. Euromax Terminal

7. Container Terminal Operations

8. Container Yards Bay Stack Tier ASC – Automatic Stacking Crane

9. 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.

10. 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)

11. 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

12. Hoofdvraag Wat is de impact van veranderingen in containerdata op de operationele efficiency? Deelvragen: • Resulteerteendataveranderingaltijd in een extra (onproductieve) handeling? • Is ereenverschiltussen het aantalhandelingenvan containers met en zonderdataveranderingen? • Is ereenverbandtussen het aantaldataveranderingen en het aantalhandelingen?

13. 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)

14. Onderzoeksmodel

15. 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.

16. 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

17. Six-step KDP Model Cios et al. (2007) • Understanding of the problem domain • Understanding of the data and the data collection and selection • Preparation of the data • Data Mining • Evaluation: understanding of the results and checking of novelty and interestingness • Implementation and use of the discovered knowledge

18. 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

19. 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?

20. 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

21. 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

22. 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’.

23. Stap 2: Analyse • 177.388 containers geladen • 175.258 yard moves • 336.739 data changes • 9% zonder dataverandering: 91% met dataverandering(en).

24. Stap 2: Analyse • 160.796 containers (91%) met 1 of meer data change(s)

25. Afsluiting • Bedankt voor uw aandacht. • Vragen?