Case study: Hoe De Hart Temperature Controlled Transport 80% tijd bespaart met AI Order Entry

De Hart Temperature Controlled Transport besteedt nu 80% minder tijd aan het verwerken van transportorders. Waar planners en orderverwerkers vroeger iedere order handmatig overtypten in het TMS, leest AI Order Entry van Adabt de orders automatisch uit en zet ze klaar in het transportmanagementsysteem. In deze case study lees je hoe we dat hebben aangepakt, waarom de koppeling via het Open Trip Model (OTM) loopt en welke resultaten De Hart ermee boekt.

De uitgangssituatie: orders overtypen

In geconditioneerd transport telt elke minuut, maar de orderinvoer bij De Hart was grotendeels handwerk. Verladers en opdrachtgevers sturen hun orders op allerlei manieren aan: als PDF-bijlage, in de tekst van een e-mail of als Excel-lijst. Geen twee klanten gebruiken hetzelfde format.

Dat had duidelijke gevolgen:

• Veel tijd per order. Adressen, laad- en losdata, temperatuureisen en aantallen werden met de hand overgenomen in het TMS.
• Foutgevoelig. Een verkeerd getypte postcode of een gemiste temperatuurinstelling zie je pas terug op de weg.
• Pieken zijn lastig op te vangen. Op drukke momenten loopt de orderinvoer achter, terwijl de planning juist dan snel rond moet zijn.
• Kennis zit in hoofden. Welke klant welke afwijkende notatie gebruikt, wist alleen de vaste orderverwerker.

Klassieke EDI-koppelingen lossen dit maar deels op: niet iedere klant kan of wil een EDI-bericht aanleveren. De Hart zocht daarom een oplossing die werkt met de orders zoals ze nú binnenkomen.

De oplossing: AI Order Entry

AI Order Entry leest binnenkomende orders automatisch uit, ongeacht het format. De orderverwerker controleert alleen nog en hoeft niet meer te typen.

Zo werkt het in de praktijk:

1. Ontvangen. Orders komen binnen in een vaste mailbox, als e-mail, PDF of spreadsheet.
2. Uitlezen. Een AI-model herkent de relevante gegevens: opdrachtgever, laad- en losadressen, tijdvensters, goederen, aantallen en temperatuurbereik.
3. Valideren. De uitgelezen data wordt gecontroleerd op volledigheid en logica, bijvoorbeeld geldige postcodes en een losdatum na de laaddatum. Twijfelgevallen worden gemarkeerd voor een menselijke check.
4. Vertalen naar OTM. De order wordt omgezet naar een gestandaardiseerd OTM-bericht.
5. Aanmaken in het TMS. Het TMS ontvangt de order en zet hem klaar voor de planning.

De verwerking is afgestemd op de orderformats van de klanten van De Hart. Nieuwe klanten of afwijkende formats voegen we toe zonder dat er een nieuwe koppeling gebouwd hoeft te worden.

Kenmerkend: de TMS-koppeling via OTM

Wat deze implementatie bijzonder maakt, is dat de koppeling naar het TMS volledig via het Open Trip Model (OTM) loopt. OTM is een open, gestandaardiseerd datamodel voor het uitwisselen van transportgegevens, zoals zendingen, locaties, ritten en voertuigen.

In plaats van een maatwerkkoppeling tussen de AI-oplossing en het specifieke TMS, spreken beide kanten dezelfde taal. Dat levert drie voordelen op:

• Toekomstbestendig. Wisselt De Hart ooit van TMS, dan blijft de orderverwerking werken zolang het nieuwe systeem OTM ondersteunt.
• Sneller live. Omdat het datamodel al vastligt, hoeven we niet per veld af te stemmen hoe een order eruitziet. De discussie gaat over de inhoud, niet over het format.
• Herbruikbaar. Dezelfde OTM-berichten kunnen ook gebruikt worden voor andere stromen, zoals statusupdates naar verladers of uitwisseling met charters.

Voor ons is dit precies waarom we OTM vanaf het begin hebben gesteund: standaardisatie maakt innovaties zoals AI pas echt schaalbaar in de logistiek.

De implementatie: stap voor stap

We hebben de implementatie gefaseerd aangepakt, zodat De Hart vanaf de eerste week resultaat zag zonder de dagelijkse operatie te verstoren.

1. Inventarisatie. Samen met de orderafdeling brachten we de belangrijkste klanten, hun orderformats en de verplichte velden in het TMS in kaart.
2. Pilot met een paar klanten. We startten met een beperkt aantal opdrachtgevers met een hoog ordervolume. Uitgelezen orders werden eerst naast de handmatige invoer gelegd om de kwaliteit te toetsen.
3. OTM-koppeling live. Toen de kwaliteit op orde was, gingen de orders via OTM rechtstreeks het TMS in.
4. Uitrol naar meer klanten. Per klant voegden we het orderformat toe en stemden we de controles af.
5. Continu verbeteren. Correcties van orderverwerkers gebruiken we om de herkenning verder aan te scherpen.

De resultaten: 80% minder tijd per order

Het belangrijkste resultaat: De Hart besteedt 80% minder tijd aan orderinvoer. Wat overblijft is controle en het afhandelen van uitzonderingen, in plaats van overtypen.

Daarnaast zien we:

• Minder invoerfouten, doordat gegevens niet meer handmatig worden overgenomen en automatisch worden gevalideerd.
• Snellere doorlooptijd van ontvangst tot geplande order, waardoor de planning eerder rond is.
• Pieken opvangen zonder extra mensen, omdat de verwerking meeschaalt met het volume.
• Meer tijd voor klantcontact en planning, het werk waar de orderafdeling echt waarde toevoegt.

Wat we hiervan leren

De case van De Hart laat zien dat AI in orderverwerking pas echt rendeert in combinatie met een open standaard.

• Begin klein en meetbaar. Een pilot met een paar grote klanten levert snel bewijs op en draagvlak bij de orderafdeling.
• Houd de mens in de loop. Laat de AI het typewerk doen en de orderverwerker de uitzonderingen. Dat geeft vertrouwen en betere kwaliteit.
• Kies voor een standaard als OTM. Daarmee is de koppeling naar het TMS niet afhankelijk van één leverancier en is de oplossing herbruikbaar voor andere stromen.

Benieuwd wat AI Order Entry voor jouw orderafdeling kan betekenen? Neem contact met ons op voor een vrijblijvend gesprek. We kijken graag mee naar jouw orderstromen en de mogelijkheden van een OTM-koppeling met jouw TMS.