De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

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

Verwante presentaties


Presentatie over: "Voortgangspresentatie Discovery of the Impact of Container Data Changes for Efficient Container Terminal Operations 1."— Transcript van de presentatie:

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

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 2

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

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 4

5 Europe Container Terminals 5

6 Euromax Terminal 6

7 Container Terminal Operations 7

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

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. 9

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) 10

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 11

12 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

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) 13

14 Onderzoeksmodel 14

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. 15

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 16

17 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

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 18

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? 19

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 20

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 Q

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’. 22

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

24 Stap 2: Analyse containers (91%) met 1 of meer data change(s) Yard Moves / Container % of Containers Impact # Containers # YARD MOVES / Contrs CATEGORY CHANGE1,73 % Contrs Loaded CATEGORY CHANGE9%0, # YARD MOVES / Contrs DESTINATION CHANGE1,51 % Contrs Loaded DESTINATION CHANGE49%0, # YARD MOVES / Contrs VESSEL CHANGE1,54 % Contrs Loaded VESSEL CHANGE65%1, # YARD MOVES / Contrs WEIGHT CHANGE1,49 % Contrs Loaded WEIGHT CHANGE44%0,

25 Afsluiting Bedankt voor uw aandacht. Vragen? 25


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

Verwante presentaties


Ads door Google