Een geautomatiseerd proces voor data-analyse bij GDB Logistics
De Boer Group Logistics
Service
Solution
Sector
Wij hebben voor GDB Logistics een gedegen data-analysesysteem ontwikkeld dat volledig is geïntegreerd in het klantenportaal. Data uit de verschillende systemen waar dit portaal aan gekoppeld is, worden verzameld, opgeschoond en gepresenteerd in overzichtelijke Power BI-dashboards. Hiermee krijgen klanten van GDB op één plaats duidelijke analyses van hun eigen data uit de volledige logistieke keten.
GDB Logistics is een logistiek bedrijf dat wereldwijd supply chain-diensten biedt. Het regelt deze hele leverantieketen, of delen ervan, voor zijn klanten. Die vereisen een gebruiksvriendelijk en gecentraliseerd systeem om de bijbehorende data te kunnen inzien en analyseren, opdat ze waardevolle informatie krijgen over hun leveringsprocedures. Denk aan de optimalisatie van transportmethodes en statistieken over uitstoot of volumes van verscheepte artikelen.
%20_12.jpg)
Het voornaamste probleem was echter dat deze data in vier verschillende systemen werden verwerkt. Wanneer ze samenkwamen, ontbrak het overzicht wat bij wat hoorde en hoe de data met elkaar moesten worden vergeleken. Overkoepelende vragen als ‘hoe efficiënt is de hele transportroute’ waren eigenlijk niet te beantwoorden.
Het gevolg was dus dat klanten slecht inzicht hadden in hun eigen leverantieketens. Wat was winstgevend, wat kon efficiënter?
Quatronic was al bezig om een centraal klantenportaal te ontwikkelen voor GDB. Hierin zouden allerlei verschillende systemen aan elkaar worden geschakeld. Dankzij deze koppelingen konden data uit de héle leverantieketen worden geanalyseerd. Ons eerste doel was dan ook om de data overal op te vragen en centraal op te slaan. Vervolgens is er een vertaalslag gemaakt tussen de semantiek in de verschillende systemen. Met andere woorden: de verschillende betekenissen van de data zijn met elkaar verbonden. Als twee systemen bijvoorbeeld beide dezelfde orderstatus onder verschillende noemers bewaren, moeten die natuurlijk worden gekoppeld. Dit ligt aan de basis van datagedreven bedrijfsvoering. Zonder behoorlijke datakwaliteit en semantische samenhang zijn data-analyses namelijk niet zinvol.
We hebben de vier databronnen ieder op een eigen manier aan Microsoft Fabric gekoppeld. De data werden daar in een data warehouse op één plek opgeslagen. De voorbereiding op de analyse volgde daarna een medallionarchitectuur, een drielaagsstructuur die de data via geautomatiseerde Pythoncode verwerkt. De ruwe data liggen in de bronzen laag; vervolgens worden ze opgeschoond in de zilveren laag en ten slotte geïnterpreteerd in de gouden laag, waar ze gebruiksklaar werden gemaakt. Om alle data intern op de juiste manier semantisch te koppelen hebben we met hulp van domeinexperts van de verschillende systemen een semantisch model vervaardigd; daarin worden alle relaties duidelijk weergegeven. Op basis van deze ‘gouden data’ biedt Power BI ten slotte inzichtelijke rapporten die de klant eenvoudig kan raadplegen.
Verantwoordelijkheid voor betere kwaliteit
Daarnaast hebben we GDB geholpen de kwaliteit van alle gegevens in kaart te brengen. Hierbij hebben we ook duidelijk gemaakt waar de verantwoordelijkheden van GDB zelf liggen in de dataverwerking. De bronzen datalaag wordt bijvoorbeeld voortdurend en automatisch gecontroleerd op kwaliteit en consistentie. Zodoende krijgt GDB directe terugkoppeling over eventuele problemen. De medewerkers weten dan precies hoe de data-invoer kan worden verbeterd om betrouwbaarheid van de analyses te garanderen.
Op deze manier krijgen niet alleen de klanten van GDB maar ook het bedrijf zélf diepere inzichten in het gebruik van hun data. Dankzij de robuuste, overkoepelende analyses kan GDB haar eigen databeheer optimaliseren om de klanten daarmee nog beter van dienst te kunnen zijn. Dankzij de samengebrachte analyses wordt nu duidelijk waar kosten bespaard kunnen worden op transport of opslag, en welke logistieke operaties de beste winstmarges garanderen.
.avif)
.avif)
