Hapag-Lloyds udfordring med skibsplanlægning

Skibsplanlægning har altid været en logistisk balancekunst. For Hapag-Lloyd, en af verdens største containerrederier, blev det dog en reel hovedpine i takt med, at globale forsyningskæder blev mere komplekse og uforudsigelige. Med hundredvis af skibe på tværs af verdenshavene og tusindvis af containere, der skal koordineres, blev det tydeligt, at traditionelle planlægningsværktøjer ikke længere slog til. Forsinkelser, uventede vejrforhold og skiftende havneforhold gjorde det svært at levere pålidelige tidsplaner – og det gik ud over både kunder og samarbejdspartnere.

Skibsplanlægning er i dag et kritisk element for moderne supply chains. Hvis et skib ankommer for sent, kan det sætte hele værdikæden i stå – fra lagerstyring til produktion og distribution. Derfor satte Hapag-Lloyd sig for at finde en mere robust og fremtidssikret løsning.

Udfordringer i shipping og supply chain

Shippingbranchen kæmper med en række klassiske problemer: Forsinkelser, usikkerhed og ineffektivitet. Vejr, havnekapacitet, tekniske fejl og uforudsete hændelser kan alle forsinke skibe. Det betyder, at virksomheder ofte må have større lagre for at kompensere for usikkerhed, hvilket binder kapital og øger omkostningerne. Samtidig bliver samarbejdet på tværs af værdikæden udfordret, når planerne hele tiden ændrer sig.

Disse udfordringer forplanter sig direkte til lagerstyring, indkøb og transport. Når forsyningskæden ikke kan stole på skibenes ankomsttider, bliver det svært at optimere processer og minimere spild. Det er en situation, mange danske virksomheder vil nikke genkendende til.

ML-baserede prædiktioner med Amazon SageMaker

Hapag-Lloyd valgte at satse på maskinlæring (ML) og Amazon SageMaker for at løse udfordringen. Løsningen bygger på integration af realtidsdata fra skibe, havne og eksterne datakilder som vejrprognoser og trafikinformation. Ved at kombinere disse datakilder kan ML-modeller forudsige forsinkelser og optimere skibsplanlægningen løbende.

Teknisk set blev der opbygget et MLOps-setup, hvor modellerne kontinuerligt trænes og valideres på nye data. Det sikrer, at prædiktionerne hele tiden er opdaterede og relevante. Modellerne benytter blandt andet tidsserieanalyse, regressionsmodeller og ensemble-metoder for at opnå så høj præcision som muligt.

Implementering og integration i praksis

Implementeringen krævede et tæt samarbejde mellem IT, forretning og eksterne partnere. Løsningen blev rullet ud i flere faser, hvor man startede med pilotprojekter på udvalgte ruter. Teknologivalget faldt på Amazon SageMaker, fordi platformen tilbyder både skalerbarhed, sikkerhed og integration med eksisterende systemer.

En vigtig del af projektet var at sikre, at ML-modellerne kunne integreres med Hapag-Lloyds eksisterende planlægningssystemer. Det blev løst via API’er og automatiserede workflows, så opdaterede prædiktioner kunne bruges direkte i daglig drift. Samtidig blev der sat monitoreringsværktøjer op, så man løbende kunne overvåge modellernes performance og automatisk opdatere dem, når datagrundlaget ændrede sig.

Resultater: Bedre pålidelighed og samarbejde

Resultaterne taler for sig selv. Hapag-Lloyd har opnået markant forbedret schedule reliability – altså evnen til at overholde planlagte ankomsttider. Forsinkelser er reduceret, og usikkerheden i leveringskæden er faldet. Det har ikke kun betydet gladere kunder, men også lavere lageromkostninger og bedre udnyttelse af ressourcer.

I den daglige drift har det ændret samarbejdet mellem shipping, lager og transport. Når alle parter har adgang til mere præcise prædiktioner, kan de planlægge og koordinere langt mere effektivt. Det har givet færre misforståelser, mindre brandslukning og et mere smidigt flow gennem hele værdikæden.

Overførbarhed til andre brancher

Metoden er ikke kun relevant for shipping. Mange supply chain-funktioner – fra indkøb til lager og transport – kan drage nytte af ML-baserede prædiktioner. For eksempel kan indkøbschefer bruge prædiktionerne til at optimere ordreafgivelse, mens logistikchefer kan planlægge transport og lager mere præcist.

Også i brancher som detail, produktion og pharma kan ML-modeller hjælpe med at forudsige forsinkelser, optimere lager og reducere spild. Det handler om at udnytte data på tværs af værdikæden og gøre planlægningen mere agil.

Udfordringer og læringer undervejs

Projektet var ikke uden bump på vejen. En af de største udfordringer var datakvalitet – både i forhold til realtidsdata fra skibe og eksterne kilder. Det krævede en stor indsats at rense data og sikre, at modellerne fik de rigtige input.

En anden udfordring var at sikre, at realtidsinference – altså modellernes evne til at levere prædiktioner hurtigt nok – fungerede i praksis. Her blev der arbejdet med optimering af både infrastruktur og kode. Integration med eksisterende systemer krævede også tilpasning og tæt dialog mellem forretning og IT.

Hvad kan danske virksomheder lære?

For danske virksomheder i supply chain, logistik og indkøb er der meget at hente. Erfaringerne fra Hapag-Lloyd viser, at ML-baseret planlægning kan løfte både pålidelighed, effektivitet og samarbejde. Det kræver dog, at man tør investere i data, teknologi og kompetencer – og at man har en partner, der kan hjælpe med at få det hele til at spille sammen.

Hos Snilld hjælper vi virksomheder med at komme i gang med ML i supply chain. Vi kan rådgive om alt fra dataintegration og modeludvikling til implementering og forandringsledelse. Vores erfaring er, at de største gevinster opnås, når man arbejder tæt sammen på tværs af forretning og IT – og når man tør tænke stort, men starte småt.

Konklusion og næste skridt

Hapag-Lloyds projekt viser, at ML-baseret skibsplanlægning ikke bare er en teknologisk gimmick, men en reel gamechanger for moderne supply chains. Gevinsterne er konkrete: Bedre pålidelighed, lavere omkostninger og mere smidige processer. For virksomheder, der vil i gang, er anbefalingen klar: Start med et konkret problem, byg en solid datainfrastruktur, og vælg en skalerbar ML-platform som Amazon SageMaker. Og husk, at det kræver både teknisk snilde og forretningsforståelse – noget vi i Snilld brænder for at levere.

Kilder:

• https://aws.amazon.com/blogs/machine-learning/how-hapag-lloyd-improved-schedule-reliability-with-ml-powered-vessel-schedule-predictions-using-amazon-sagemaker/
• https://aws.amazon.com/ai/machine-learning/
• https://www.here.com/about/press-releases/hapag-lloyd-partners-with-here-technologies-to-transform-global-supply

Målgruppens mening om artiklen

Anders Mikkelsen, Supply Chain Manager:

Jeg giver artiklen 85. Den er meget relevant for mig, fordi den går i dybden med konkrete udfordringer, jeg selv oplever i supply chain – især omkring forsinkelser og planlægning. Jeg synes, det er stærkt, at der er fokus på både teknologi og forretningsintegration. Dog bliver det lidt for meget reklame til sidst, hvilket trækker lidt ned.

Camilla Sørensen, Indkøbschef:

Jeg giver artiklen 78. Jeg kan godt lide, at den viser, hvordan ML kan bruges i praksis, og at der er fokus på overførbarhed til andre brancher. Men jeg savner mere konkret viden om, hvordan man starter, og hvilke kompetencer der skal til. Det bliver lidt generelt til sidst.

Jonas Kristensen, IT-arkitekt:

Jeg giver den 90. Artiklen rammer plet ift. de tekniske udfordringer og løsninger, især omkring MLOps og integration. Det er sjældent, man ser så konkret beskrivelse af data- og systemintegration i vores branche. Dog kunne jeg godt have ønsket lidt mere om de tekniske valg og alternativer til SageMaker.

Mette Holm, Logistikkoordinator:

Jeg giver artiklen 70. Den er interessant, men meget teknisk. Jeg havde gerne set flere eksempler på, hvordan det påvirker dagligdagen for os, der arbejder med logistik og planlægning. Det bliver lidt abstrakt, selv om det er spændende.

Peter Larsen, Lagerchef:

Jeg giver den 65. Jeg kan godt se pointen i at bruge ML, men artiklen er lidt for fokuseret på de store linjer og ikke nok på de praktiske gevinster på lageret. Jeg savner konkrete cases eller tal, der viser effekten på lagerdriften.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.