Minder verspilling bij de voedselproductie
Context en doelstellingen
Een gemeenschappelijk doel voor bijna elk voedselproductiebedrijf is het minimaliseren van afval. Of het nu is om een duurzaam bedrijf op te bouwen met een minimale impact op het milieu of om de overheadkosten te verlagen, het lijdt geen twijfel dat bedrijven veel kunnen winnen door hun afval te verminderen. Dit was niet anders voor een groot voedselproductiebedrijf in Frankrijk.
Om dit te doen, zagen ze in dat ze een gegevensgestuurde aanpak nodig hadden. Maar waar begin je? Als jij je in een vergelijkbare situatie bevindt, heb je misschien grote hoeveelheden gegevens uit elke fase van je supply chain-proces die zich in veel verschillende databases en magazijnen bevinden. Op een gegeven moment zorgen het volume en de complexiteit van de gegevens ervoor dat dit onderzoek meer moeite kost dan het waard is, toch? Nou, dat is waar datawetenschap en het Agilytic-team om de hoek komen kijken.
De belangrijkste doelstellingen zijn:
Consolideer de verschillende gegevensbronnen en krijg inzicht in het hele ecosysteem van gegevens.
Inzicht verschaffen in welke factoren verantwoordelijk zijn voor het grootste deel van het afval in het productieproces.
Ontwikkel een stappenplan met de acties die ondernomen moeten worden om beter met afval om te gaan.
Benadering
Voordat er analyses konden worden uitgevoerd, moesten ongeveer een dozijn verschillende gegevensbronnen worden samengevoegd en opgeschoond. Gegevensecosystemen van deze omvang gaan meestal gepaard met veel uitdagingen. Een van de grootste uitdagingen hier is de onjuiste classificatie van afval in verschillende stadia van de toeleveringsketen. Dit veroorzaakte duplicaties en overschatte de werkelijke hoeveelheden geproduceerd afval.
Inzicht in het data-ecosysteem door middel van de activiteiten in deze eerste stap alleen al is genoeg om een licht te schijnen op mogelijke tekortkomingen in het supply chain-proces, en dit bedrijf kan onmiddellijk actie ondernemen om deze te verhelpen.
Vervolgens gebruiken we machine learning om de factoren te identificeren die verantwoordelijk zijn voor het meeste afval in het productieproces. Door deze analyse krijgen we inzicht in de invloed van verschillende factoren op de hoeveelheid geproduceerd afval, zoals
Het merk en type van het geproduceerde product.
De levensduur van elk type product.
De tijd die nodig is om een product te verkopen.
Veel factoren die in de analyse werden gebruikt, moesten zorgvuldig worden samengesteld op basis van de beschikbare informatie. Vaak zijn de beste indicatoren van ons resultaat (in dit geval, afval) niet zichtbaar of beschikbaar en moeten ze worden geconstrueerd.
Resultaten
Door de analyses die we uitvoerden, was dit voedselproductiebedrijf in staat om:
Een beter begrip krijgen van hun data-ecosysteem om een betrouwbaardere basis te leggen voor toekomstige analyses en voorspellingen.
Hun afval nauwkeuriger kwantificeren, zodat er op de juiste plaats en op het juiste moment actie kan worden ondernomen.
De factoren identificeren die het meest bijdragen aan hun afval, zodat ze actie kunnen ondernemen om deze aan te pakken.
Bepalen welke producten en processen ze prioriteit moeten geven en verbeteren om verspilling te minimaliseren.
-
Geschreven voor Agilytic door Joleen Bothma.
