Transcript Container Terminal Operations

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
handelingen
4
Europe Container Terminals
5
Euromax Terminal
6
Container Terminal Operations
7
Container Yards
Bay
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
Hoofdvraag
Wat 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 dataveranderingen 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
# YARD MOVES / Contrs
CATEGORY CHANGE
# YARD MOVES / Contrs
DESTINATION CHANGE
# YARD MOVES / Contrs
VESSEL CHANGE
# YARD MOVES / Contrs
WEIGHT CHANGE
#
Impact Containers
% of Containers
1,73
1,51
% Contrs Loaded
CATEGORY CHANGE
9%
0,2
15.872
% Contrs Loaded
DESTINATION CHANGE 49%
0,7
86.242
1,54
% Contrs Loaded
VESSEL CHANGE
65%
1,0
115.139
1,49
% Contrs Loaded
WEIGHT CHANGE
44%
0,6
77.371
24
Afsluiting
• Bedankt voor uw aandacht.
• Vragen?
25