Van Bonen tot Bytes; Hoe Koffie en Data Science elkaar kunnen verbeteren

Van Zelst is dé duurzame koffiespecialist van Nederland. Ze leveren zowel de koffie als de automaten bij een groot aantal bedrijven in Nederland. Het familiebedrijf heeft service hoog in het vaandel staan. Om die reden heeft van Zelst veel aandacht voor de logistiek en service in de koffiewereld. 

De koffieautomaten registreren dagelijks duizenden gebeurtenissen. Deze worden centraal ontvangen en vormen de basis voor overzichten waarmee van Zelst acties onderneemt zoals onderhoud en bijvullen. Hoe zou deze data kunnen helpen om de dienstverlening nóg efficiënter te maken? Met die vraag kwam van Zelst bij McCoy. Onder het genot van een kop koffie spraken we af te onderzoeken of er meerwaarde zit in de data uit de koffieautomaten. 

Begrijpen we de data?

Het team besluit om een afgebakende periode te gebruiken waarvan alle data wordt gecombineerd. Niet alleen de 'telemetrie' (data van de koffieautomaten), maar ook de onderhoudsplanning en de watertap data worden meegenomen. In gesprekken met van Zelst wordt kennis opgebouwd van de data, van zowel het proces als de gedetailleerde betekenis. Vele codes krijgen betekenis zoals: wat is de locatie, wat is het machinenummer, wat is welk product wat betekenen de events? Door deze kennis op de nemen in programmeercode is het nu mogelijk om dit proces geautomatiseerd te herhalen en ook andere periodes te analyseren. 

Welke inzichten kunnen we halen uit de data?

Door alle data samen te voegen werd het mogelijk correlatieanalyses uit te voeren. Bijvoorbeeld over de consumpties tussen het event 'door open'. Middels visualisaties werd het mogelijk snel uitschieters te zien of interessante aandachtsgebieden te signaleren. Vragen werden beantwoord om te begrijpen of de interpretaties juist waren. 

Welke inzichten hebben waarde?

Inzichten hebben niet altijd direct waarde. Het bleek mogelijk om te zien hoelang een deur van een koffieautomaat open blijft staan bij onderhoud. Of hoelang een product leeg blijft in een automaat. Maar wat is de oorzaak, hoe is die weg te nemen en welke business waarde heeft dat dan? 

Door de analyse te focussen op operationele efficiency, voorraadbeheer en consumptiepatronen was een link met een business case eenvoudig te leggen. 

Verbetermogelijkheden 

Zo kregen we inzicht in het aantal 'inefficiënte' navulmomenten; een tweede navulmoment na minder dan 50 consumpties. Dit toont aan dat vaste onderhoudsroutes niet altijd optimaal zijn. Een data gedreven benadering van onderhoud, gebaseerd op reële consumptiegegevens, zou de efficiëntie aanzienlijk verbeteren. Daarnaast kan het visualiseren van processen en machine-events, gecombineerd met de expertise en interpretatie van specialisten, ook een grote bijdrage leveren aan het identificeren van kansen voor optimalisatie.

Data kan dus helpen om de kosten van operationeel onderhoud te reduceren. Door patronen te herkennen van ontbrekende ingrediënten en volle afvalbakken kan ook de uptime van de machine worden verhoogd. En dat leidt direct tot hogere klanttevredenheid.