Van buikgevoel naar berekening: slimmer plannen in de zuivelsector 

Elke logistieke keten heeft zijn eigen complexiteit. Voor een grote Europese zuivelproducent is dat: dagelijks verse melk ophalen bij honderden boeren en die op exact het juiste moment afleveren bij de juiste fabriek, in de juiste samenstelling. Jarenlang werd die puzzel opgelost met ervaring, Excel en fingerspitzengefühl. Tot KPMG een planningsmodel introduceerde dat die puzzel dagelijks in enkele seconden oplost. 

Transportplanning is in elke sector precisiewerk. Maar in de zuivelindustrie duldt het geen fouten en geen vertraging: verse melk moet binnen 24 uur na ophaling verwerkt zijn, anders is het product verloren. Wat die planning extra complex maakt, is dat de belangrijkste variabelen zich buiten de invloedssfeer van de producent bevinden. Wat een boer op een dag produceert, varieert met het weer, het seizoen, het voer. En de fabrieken die de melk afnemen, hebben elk hun eigen specifieke vraag naar vet- en eiwitgehalten. De planning is daarmee niet alleen complex, maar ook iedere dag anders. ‘Je zit met duizenden randvoorwaarden waaraan de planning moet voldoen’, zegt Redmer Bertens, lead datascientist bij KPMG. Hij was als datascientist nauw betrokken bij een grote Europese zuivelproducent die tegen precies dit vraagstuk aanliep. ‘Sommige boeren hebben contracten waarbij de klant een afnameplicht heeft, andere niet. Vrachtwagens kunnen onderweg kapotgaan. Chauffeurs hebben rusttijden. En wat een boer die dag produceert, weet je slechts bij benadering.’ Een situatie die zich niet laat vatten in een vast schema en die elke dag opnieuw om een oplossing vraagt. 

Onopgemerkte fouten 

Het planningsteam van de zuivelproducent werkte met uitgebreide Excelsheets vol macro’s, opgebouwd over tientallen jaren. ‘Het waren cascades van spreadsheets waarvan de planners zelf eigenlijk ook niet meer precies wisten hoe ze werkten’, vertelt Bertens. ‘Maar ze durfden ook niets te wijzigen of aan te raken; bang dat het anders als een kaartenhuis ineen zou storten.’ Bovendien bleven fouten in de spreadsheets soms jarenlang onopgemerkt, met grote financiële gevolgen. In één geval waren contractwijzigingen niet correct doorgetrokken in de Excelformules, waardoor de werkelijke kosten structureel afweken van wat de planning aangaf. ‘Als buitenstaander zie je soms dingen die intern al zo lang gewoon zijn, dat niemand ze nog opmerkt.’ 

Bereidheid om te veranderen 

Hoewel het systeem dus werkte, was de prijs hoog. Het was tijdrovend, foutgevoelig, arbeidsintensief en de planners leunden elke dag zwaar op hun intuïtie. Die intuïtie – opgebouwd door jarenlange ervaring – was waardevol, maar ook kwetsbaar: het zat opgesloten in de hoofden van een handvol mensen. De bereidheid om het anders te doen was daarom groot, mede omdat de planners zelf dagelijks de druk voelden: elke fout had direct financiële gevolgen en de marges waren smal. ‘Het ging om heel veel geld’, zegt Bertens. ‘Als het goed gaat, kost het al veel. Als het fout gaat, kost het nog meer.’ Voor een organisatie die op die marges opereert, was de vraag niet óf het anders moest, maar hoe snel. 

Van een dag naar een paar seconden 

De samenwerking tussen beide werd bewust ingericht als kennisoverdracht: de klant werkte aan een eigen datascienceteam en KPMG begeleidde dat proces van binnenuit. De oplossing die KPMG vervolgens samen met de klant bouwde, was een optimalisatiealgoritme met slechts één doel: de planning zo kostenefficiënt mogelijk maken. Het houdt daarvoor alle relevante randvoorwaarden tegelijk in de gaten. Waar staan de vrachtwagens aan het begin van de dag? Welke boeren hebben een verplicht afnamecontract? Hoeveel vet en eiwit vraagt elke fabriek vandaag? Welke chauffeur mag nog hoeveel uur rijden? Al die variabelen worden tegelijk meegewogen, waarna het algoritme de meest efficiënte planning berekent. Wat een team van planners voorheen een volledige werkdag kostte, doet het model nu in enkele seconden. Tegen de tijd dat de planners ’s ochtends achter hun bureau zitten, zijn de dashboards al grotendeels ingevuld. Het model presenteert een of meerdere planningsscenario’s, inclusief de onderbouwing: welke keuzes zijn gemaakt, op basis van welke variabelen. De planner beoordeelt, past waar nodig aan en geeft definitieve goedkeuring. De beslissing blijft menselijk, de rekenkundige last niet. 

Géén big bang-aanpak 

De planners omarmden het systeem snel en dat was geen toeval. KPMG stapte het traject niet in met een grand plan, maar met een gerichte vraag: waar zit de grootste dagelijkse belasting? ‘Ons uitgangspunt is altijd om eerst waarde te bewijzen op de plekken waar de pijn het grootst is’, zegt Bertens. ‘Dat schept het vertrouwen om daarna verder te gaan.’ Het nieuwe model draaide eerst parallel naast de bestaande werkwijze, gevalideerd op historische data, en moest aantonen dat het minstens even goed presteerde als de ervaren planners. Pas daarna volgde de definitieve overstap. ‘Een big bang-aanpak, waarbij je van de ene op de andere dag alles omgooit, is zelden verstandig. Je bouwt stap voor stap.’ 

Snelheid, betrouwbaarheid en inzicht 

De impact was direct zichtbaar, op meerdere vlakken tegelijk. De snelheidswinst was evident: een taak die uren duurde, duurt nu seconden. Maar de betrouwbaarheidswinst was misschien nog wezenlijker. Waar het oude systeem gevoelig was voor typefouten, onjuiste formules en onopgemerkte contractwijzigingen, produceert het nieuwe model consistente en traceerbare output. Elke planningsbeslissing is herleidbaar en op elk moment opnieuw op te roepen. 

Dat laatste opende een mogelijkheid die het planningsteam eerder niet had: scenarioanalyse. Wat gebeurt er als er twee vrachtwagens meer worden ingezet? Wat is de optimale verdeling als een fabriek tijdelijk minder capaciteit heeft? ‘Planning wordt daarmee niet alleen een operationeel instrument, maar ook een strategisch stuurmiddel’, zegt Bertens. ‘Dat inzicht in je eigen organisatie had je voorheen simpelweg niet.’  

Instellen op duurzaamheid 

Het model is inmiddels uitgerold in meerdere landen. De architectuur is daarvoor bewust generiek gehouden: dezelfde kern, steeds opnieuw inzetbaar in een nieuwe context. En bovendien aan te passen naar eigen wensen. Zo stond duurzaamheid in dit project niet als primaire doelstelling op de agenda, maar zit het wel degelijk ingebakken in de uitkomsten. Minder kilometers betekent minder dieselverbruik. Minder verspilling van melk – een product met een aanzienlijke CO₂-voetafdruk per liter – is directe winst voor de duurzaamheidsbalans. ‘Het algoritme is inderdaad ook anders in te stellen’, zegt Bertens. ‘Minimaliseer niet op kosten, maar op uitstoot of op een gewogen combinatie van beide. De techniek staat klaar. Het is aan de organisatie om de prioriteiten te bepalen.’ 

Data als asset, niet als bijproduct 

Wat kunnen andere organisaties van deze case leren? Bertens is helder: het gaat niet om het model, maar om de data die eraan ten grondslag ligt. ‘Data is geen administratief bijproduct, maar een strategische asset. Organisaties die dat nog niet zo zien, merken dat zodra ze willen automatiseren.’ Hij illustreert het met een ander transportproject, voor een glastuinder in Nederland, waar de volledige planning via WhatsApp-berichten van enkele woorden verliep. ‘In zo’n situatie kun je niet automatiseren. Je hebt een bepaalde volwassenheid in je datahuishouding nodig voordat optimalisatie überhaupt mogelijk is.’ 

Dat maakt deze case relevant ver buiten de zuivelindustrie. Elke organisatie met een complexe, tijdkritische keten herkent de onderliggende uitdaging: te veel variabelen, te weinig tijd, en cruciale kennis die in de hoofden van een handvol mensen zit in plaats van in een systeem. ‘Het optimalisatiemodel van KPMG laat zien dat die kennis wel degelijk te formaliseren is en dat de winst zit in het combineren van menselijke expertise met de rekenkracht van een algoritme.’ 

Expertise op elk vlak 

Wat KPMG daarbij onderscheidt, is de breedte van de expertise die het inbrengt. ‘De sleutel tot een succesvol traject is dat je op alle facetten van de opdracht met de klant kunt schakelen: sectorkennis, supplychain-expertise, datascience en platformengineering’, aldus Bertens. ‘In verschillende fases van het project schuif je andere specialisten naar voren.’ Daarbij hoort ook de borging van dataveiligheid. In dit project draaide het optimalisatiemodel deels op externe cloudinfrastructuur, wat direct vragen opriep over hoe economisch gevoelige planningsdata de organisatie in en uit kon. Juridische teams van zowel KPMG als de klant hebben dat nauwkeurig getoetst voordat er ook maar één getal werd verstuurd. Voor KPMG is databescherming geen sluitpost, maar het vertrekpunt. 

Plannen zonder last 

De planners van deze zuivelproducent beginnen hun dag nu anders dan voorheen. Niet met een lege spreadsheet en een volle dag doorrekenen voor de boeg, maar met een optimale aanzet, kant-en-klaar op het scherm. Ze brengen nog steeds hun ervaring mee. Maar die ervaring hoeft de last van duizenden variabelen niet langer alleen te dragen.