Axxicom: Intelligent Forecasting voor optimalisatie van dienstverlening aan passagiers op Schiphol

Een belangrijke doelstelling voor Axxicom is het tijdig starten met de assistentie aan passagiers naar hun eindlocatie. Slechts de helft van de passagiers die assistentie nodig heeft, vraagt deze van tevoren aan. Daardoor was één van de grootste obstakels de onzekerheid over het exacte aantal passagiers dat op een dag geholpen moest worden, en de verdeling van deze passagiers over de dag heen. Met ruim 296 mogelijke startlocaties op Schiphol en variabele aankomst- en vertrektijden, was het forecasten van de precieze aantallen een zeer bewerkelijk proces.

Om een voorspelling te doen van het aantal passagiers dat op een dag, en zelfs per kwartier, geholpen moet worden, hanteerde Axxicom een zelfgebouwde voorspellingsmethode. Door vluchtvertragingen en -annuleringen kwamen assistentieaanvragen vaak laat en onregelmatig binnen, waardoor Axxicom afhankelijk was van een forecast op basis van historische data en passagiersaantallen. De ambitie was om deze methode te verrijken met trends, nieuwe vluchten en fluctuaties, waardoor de nauwkeurigheid van de voorspellingen en de kwaliteit van de dienstverlening verder zou verbeteren.

Een accurate inschatting van het aantal passagiers en daarmee de personeelsbehoefte zou leiden tot een efficiëntere operatie en verbeterde kwaliteit van dienstverlening, waardoor de tevredenheid van zowel klanten als medewerkers toeneemt.

Samen met Hot ITem Conclusion en Future Facts Conclusion zette Axxicom de eerste stappen richting een datagedreven forecastingmethode. In de eerste fase hebben onze specialisten via interviews en workshops de operationele processen en datastromen van Axxicom inzichtelijk gemaakt en geanalyseerd. Deze aanpak maakte het mogelijk om het verbeterpotentieel te identificeren en de kernuitdagingen duidelijk vast te stellen. Aan de hand van deze inzichten is zowel de huidige (‘Ist’) als de gewenste (‘Soll’) situatie in kaart gebracht, waarbij de bijbehorende uitdagingen werden belicht.

Vervolgens toonden we met een Proof of Concept de mogelijkheden aan om via AI-technologie de forecastingmethode van Axxicom te verbeteren. Op basis van deze resultaten zijn we overgegaan tot de opzet en verdere inrichting van een Minimum Viable Product (MVP) Machine Learning forecastmodel, waarmee Axxicom direct de voordelen inzichtelijk kon maken. Om de risico’s te beheersen en de voortgang te waarborgen, kozen we voor een tussentijds Go/No Go-moment, waarbij de effectiviteit van de oplossing voor de livegang geëvalueerd werd.

Het AI-model werd geoperationaliseerd binnen een Microsoft Azure-omgeving, ingericht door Hot ITem Conclusion en Future Facts Conclusion. Uiteindelijk zal de doelarchitectuur worden overgedragen naar, en beheerd worden door, Facilicom.

Deze samenwerking heeft geleid tot de ontwikkeling van een geavanceerd AI-model dat nauwkeuriger voorspellingen levert met een lagere foutmarge. Hierdoor is de planning van resources veel effectiever geworden, zelfs tijdens piekperiodes. Het gevolg is een verbetering van de punctualiteit bij het starten van assistentie en het consistent behalen van de afgesproken KPI-prestaties met Schiphol.

De innovatieve aanpak is niet onopgemerkt gebleven en wordt gewaardeerd door de opdrachtgever Schiphol. Bovendien zijn er minder discussies over forecastverschillen, dankzij de eliminatie van fouten en de mogelijkheid om wijzigingen automatisch op te pakken. Dankzij snelle updates kan Axxicom direct inspelen op nieuwe situaties en de personeelsbezetting effectief aan passen. Daarnaast biedt het model Axxicom meer tijd om zich te focussen op andere belangrijke zaken, zoals het verder optimaliseren van het planningsproces, de operatie en de customer journey.

Omdat de personeelsinzet nu beter aansluit op de vraag is de kwaliteit van de dienstverlening verhoogd en de klant- en medewerkerstevredenheid verbeterd.