Port of Amsterdam
De haven van Amsterdam is een groot logistiek knooppunt. Data Science Lab helpt Port of Amsterdam met data-gedreven beslissingen: hoeveel ligplaatsen zijn er nodig, hoe kunnen ze havengelden het beste incasseren? Onze analyses helpen om routes van schepen beter te volgen en kunnen het transport voorspellen, om zo de inkomsten voor het volgende jaar in te schatten. Ook hebben we een bijdrage geleverd aan de cloud-omgeving waar machine learning modellen automatisch getraind en ingezet worden. Zo kan de haven voorspellingen direct gebruiken in rapportages en Power BI dashboards.
DATA SCIENCE VOOR EEN SLIMMERE HAVEN.
Hoe kan data worden ingezet om bij te dragen aan een schonere, slimmere en snellere haven? Port of Amsterdam heeft heel veel data beschikbaar. Denk bijvoorbeeld aan data over bezoeken van zeeschepen aan de haven, overslag in de haven of de havengelden die door rederijen moeten worden betaald. Om de processen binnen de haven te optimaliseren is het van groot belang dat de haven inzicht heeft in de reizen die schepen hebben afgelegd in de haven.
Een aantal vragen die relevant zijn, zijn bijvoorbeeld: Wat is de bezetting op de ligplaatsen in de haven? Is het soms drukker in de haven dan anders? Hebben we voldoende ligplaatscapaciteit? Hoelang verblijven schepen in de haven? Kunnen we het binnenhavengeld voor duwbakken automatisch afrekenen op basis van daadwerkelijke verblijftijd (op dit moment moet een rederij week-, maand- of jaarbrief aanschaffen)? Voor zeeschepen wordt de reis door de haven nauwkeurig vastgelegd, maar voor binnenvaartschepen is dit niet het geval. Het gevolg is dat Port of Amsterdam weinig informatie heeft over de binnenvaart.
PROBLEEM
RESULTAAT
De analyses hebben als resultaat dat Port of Amsterdam meer inzicht heeft in operationele processen in de haven, met name voor de binnenvaart. Beslissingen kunnen nu worden onderbouwd met data waardoor Port of Amsterdam zich beter kan verantwoorden naar haar stakeholders. Daarnaast kunnen de resultaten van de analyses helpen om de klanttevredenheid te verhogen. Zo kunnen er bijvoorbeeld meer wachtplaatsen worden gecreëerd als uit de analyses blijkt dat er te weinig capaciteit is.
Het automatisch incasseren van het binnenhavengeld voor duwbakken vergroot het gemak voor de rederijen: zij hoeven niet steeds handmatig week-, maand- of jaarbrieven aan te schaffen voor hun duwbakken. Daarmee kunnen de analyses bijdragen aan het doel om een schonere, snellere en slimmere haven te realiseren.
AIS (Automatic Identification System) kan hiervoor een uitkomst bieden. AIS is een systeem gebaseerd op transponder-technologie om de veiligheid van scheepvaart op zee en het binnenwater te verhogen. Dit systeem zendt, afhankelijk van de snelheid en de koers van het schip, elke x tijdseenheden een signaal met de positie van het schip. Wanneer een schip snel vaart en vaak van koers verandert, wordt zelfs 1 keer in de 2 seconden een signaal uitgezonden. Vanaf 1 januari 2016 geldt er een AIS-verplichting in de beroepsvaart in Nederland. Als we deze data kunnen verzamelen en analyseren, kunnen we een precies beeld vormen van de scheepsbewegingen in de haven om zo een betere dienstverlening te leveren aan onze klanten.
Een vreemde eend in de bijt zijn echter de duwbakken. Zij zijn bestemd om goederen zoals erts, kolen of graan in bulk maar ook containers, te vervoeren. Duwbakken worden door een ander schip voortgeduwd en hebben daarom geen eigen energievoorziening en ook geen AIS aan boort. Port of Amsterdam is een pilot gestart om duwbakken te voorzien van een eigen tracker om zo ook de duwbakken nauwkeurig te kunnen volgen. Kortom, de AIS-data in combinatie met de tracker data kan antwoord geven op eerdergenoemde vragen!
We hebben hier met Big Data te maken aangezien er 400 AIS-berichten per seconde worden verstuurd. Data science lab heeft geholpen met het analyseren van deze data om een aantal van de vragen te beantwoorden.
Eén van deze analyses richtte zich bijvoorbeeld op de bezetting op wachtplaatsen om de vraag te beantwoorden of er voldoende capaciteit is. Zijn er piekmomenten te zien in de data waarop er een tekort is aan wachtplaatsen? Gelden deze pieken voor alle soorten schepen of bijvoorbeeld alleen voor tankers? Op basis van deze analyse kan Port of Amsterdam beslissingen nemen over het creëren van nieuwe ligplaatsen.
Een andere analyse heeft bijgedragen aan het verbeteren van Poseidon: een platform dat alle trackerdata van de duwbakken verzamelt en check-ins en check-outs in het havengebied gegenereerd. Data science lab heeft bijgedragen aan de ontwikkeling van Poseidon door de betrouwbaarheid van de trackersignalen en de correctheid van de check-ins en check-outs te analyseren. Uiteindelijk is door de samenwerking van Port of Amsterdam met verschillende externe partijen een robuust platform ontstaan dat in de toekomst kan worden gebruikt om automatisch het binnenhavengeld van duwbakken te incasseren.
AANPAK
Gerelateerd artikel
