Uw Magazijnbeheer Data Template

Dit attribuut registreert de discrete stappen of mijlpalen binnen het magazijnbeheerproces. Voorbeelden zijn 'Goederen gepickt uit opslag', 'Verpakking gestart' en 'Zending verzonden'. Elke activiteit vertegenwoordigt een specifieke actie uitgevoerd op de magazijnorder.

Dit is een cruciaal attribuut voor process mining, omdat het de nodes in de proceskaart definieert. Het analyseren van de volgorde, frequentie en duur van deze activiteiten maakt de visualisatie van processtromen, identificatie van afwijkingen van de standaardprocedure en het aanwijzen van knelpunten waar werk wordt vertraagd mogelijk.

Het definieert de stappen van het proces, vormt de basis van de proceskaart en maakt de analyse van operationele flow en variaties mogelijk.

Afgeleid van transactie codes, event logs of status update tabellen binnen Manhattan SCALE die de voortgang van magazijnorders bijhouden.

De Magazijnorder dient als de primaire case identifier, die alle gerelateerde activiteiten groepeert voor één logistiek proces van begin tot eind. Dit maakt end-to-end tracking van de levenscyclus van een order binnen het magazijn mogelijk, of het nu gaat om het ontvangen van goederen, het opslaan ervan, picken, verpakken of verzenden.

In process mining analyse is dit attribuut fundamenteel voor het reconstrueren van de reis van elke order. Door alle events te koppelen aan een specifieke Magazijnorder kunnen analisten processtromen visualiseren, cyclustijden meten voor individuele orders en variaties of knelpunten identificeren die de fulfilment-efficiëntie beïnvloeden.

Het is de essentiële sleutel voor het koppelen van alle gerelateerde magazijnactiviteiten aan één enkele, coherente procesinstantie, wat end-to-end analyse mogelijk maakt.

Deze identificator wordt doorgaans gevonden in de kern order management tabellen binnen Manhattan SCALE, zoals de orderheader-tabel.

Dit attribuut levert de precieze datum en tijd voor elke activiteit die in het proces is vastgelegd. Het is de chronologische ruggengraat van de event log, en legt de volgorde en timing vast van alle magazijnoperaties voor een gegeven order.

De Event Time is essentieel voor alle tijdgebaseerde process mining analyse. Het wordt gebruikt om cyclustijden tussen activiteiten te berekenen, de totale duur van een proces te meten, vertragingen te identificeren en procesprestaties over verschillende tijdsperioden te analyseren. Nauwkeurige timestamps zijn cruciaal voor het bouwen van een betrouwbare proceskaart en het afleiden van zinvolle prestatiemetrieken.

Deze timestamp is cruciaal voor het correct sequencen van events en het berekenen van alle op duur gebaseerde metrieken, zoals cyclustijden en levertijden.

Gevonden in event log tabellen of transactie records, naast de activiteit informatie in Manhattan SCALE. Velden heten vaak iets als 'created_ts', 'event_timestamp' of 'status_change_date'.

Dit attribuut identificeert de bronapplicatie waar de event data is gegenereerd. Voor dit proces zou de waarde doorgaans 'Manhattan SCALE' zijn.

In een omgeving met meerdere geïntegreerde systemen helpt dit veld bij het onderscheiden van databronnen. Het biedt context voor de herkomst van de data, wat belangrijk kan zijn voor datagovernance, troubleshooting en het begrijpen van potentiële variaties in datacaptatieprocessen over verschillende platforms heen.

Het biedt essentiële context over de oorsprong van de data, wat cruciaal is voor data governance, validatie en integratie-inspanningen in complexe IT-landschappen.

Dit is vaak een statische waarde die wordt toegevoegd tijdens het data-extractie, -transformatie en -laad (ETL) proces om de dataset te labelen.

Dit attribuut geeft de datum en tijd aan waarop de data voor het laatst is geëxtraheerd uit Manhattan SCALE en geladen in de process mining tool. Het reflecteert de actualiteit van de geanalyseerde data.

Deze informatie is essentieel voor gebruikers om de tijdigheid van de analyse te begrijpen. Het helpt hen te weten of ze naar real-time data kijken of naar een momentopname van een specifiek tijdstip, wat cruciaal is voor het nemen van weloverwogen operationele beslissingen en voor rapportagedoeleinden.

Het informeert gebruikers over de actualiteit van de data, waardoor ze het tijdsbestek begrijpen dat door de analyse en rapporten wordt gedekt.

Deze timestamp wordt doorgaans gegenereerd en opgeslagen door de ETL tool of data pipeline tijdens het data laadproces.

De Eindtijd markeert de voltooiing van een activiteit. In combinatie met een Starttijd (EventTime) maakt dit een precieze berekening van de verwerkingstijd voor individuele taken mogelijk. Niet alle events hebben een aparte eindtijd, maar voor degenen die dat wel hebben, zoals 'Picking' of 'Packing', is deze data zeer waardevol.

In analyse wordt Eindtijd gebruikt om de 'ProcessingTime' metric te berekenen, wat cruciaal is voor het begrijpen van resource-efficiëntie en taakduur. Dit helpt te identificeren welke specifieke activiteiten het langst duren, wat bijdraagt aan de totale cyclustijd en potentiële vertragingen.

Het maakt de precieze berekening van de verwerkingstijd voor individuele activiteiten mogelijk, en helpt te identificeren welke taken de meeste tijd en resources verbruiken.

Dit kan beschikbaar zijn in dezelfde transactielogs als de starttijd, in een apart veld zoals 'completed_ts' of 'end_time'. Indien niet direct beschikbaar, kan het soms worden afgeleid uit de starttijd van de daaropvolgende activiteit.

Dit attribuut legt de ID vast van de gebruiker die verantwoordelijk is voor het uitvoeren van een specifieke magazijntaak, zoals picken, verpakken of inslag. Het koppelt procesactiviteiten aan de betrokken human resources.

Het analyseren van prestaties per Gebruikers-/Operator ID is essentieel voor het begrijpen van resource-benutting en individuele of team-efficiëntie. Het helpt top-performers, trainingsbehoeften en werkdrukverdeling te identificeren. Deze data is essentieel voor het 'Resource Utilization by Operator' dashboard en gerelateerde KPI's, waardoor managers de personeelsbezetting en taaktoewijzingen kunnen optimaliseren.

Het koppelt procesprestaties aan specifieke individuen of teams, wat analyse van werkdruk, productiviteit en resourceallocatie mogelijk maakt.

Deze informatie wordt doorgaans geregistreerd in transactielogs in Manhattan SCALE, vaak in velden zoals 'user_id', 'operator' of 'executed_by'.

Dit attribuut vertegenwoordigt de service level agreement (SLA) of de gewenste leveringsdatum voor een uitgaande magazijnorder. Het is de deadline waartegen de magazijnoperaties worden gemeten voor on-time performance.

Deze datum is een cruciale benchmark voor prestatie-evaluatie. Het wordt gebruikt in het 'Shipment On-Time Performance' dashboard en de 'On-Time Shipment Rate' KPI om te bepalen of een order op tijd is afgerond. Het analyseren van orders die deze datum missen, helpt bij het identificeren van systemische oorzaken van vertragingen en het verbeteren van de klanttevredenheid.

Het dient als de primaire benchmark voor het meten van on-time verzendprestaties en naleving van klantenservice level agreements.

Doorgaans opgeslagen in de orderheader-tabel in Manhattan SCALE, vaak gevuld vanuit een upstream ERP of Order Management System.

Dit attribuut, vaak bekend als een SKU (Stock Keeping Unit), identificeert het specifieke artikel dat betrokken is bij een magazijnactiviteit. Eén magazijnorder kan meerdere materialen bevatten, elk afgehandeld in aparte regelitems of taken.

Het analyseren van het proces per Materiaal ID kan product-specifieke problemen onthullen. Zo kunnen bepaalde artikelen gevoeliger zijn voor mislukte kwaliteitsinspecties, pickfouten of langere afhandelingstijden vanwege hun grootte, gewicht of opslagvereisten. Dit helpt bij het optimaliseren van opslagstrategieën en afhandelingsprocedures voor verschillende soorten producten.

Het maakt productniveau-analyse mogelijk om te identificeren of bepaalde items geassocieerd zijn met procesvertragingen, fouten of herbewerking.

Gevonden in de order line item tabellen in Manhattan SCALE, gekoppeld aan de hoofdzakelijke magazijnorder.

Het Order Type definieert het algemene doel van de magazijnorder. Veelvoorkomende types zijn klantzendingen (uitgaand), leveranciersontvangsten (inkomend), voorraadoverdrachten tussen locaties (intern) of retouren.

Dit attribuut maakt segmentatie van de procesanalyse mogelijk. Door te filteren op Order Type kan men de prestaties van verschillende processen vergelijken, zoals het ontvangstproces versus het verzendproces. Dit is cruciaal omdat hun stappen, resources en prestatietargets vaak erg verschillend zijn, en het samen analyseren ervan misleidend kan zijn.

Het maakt de scheiding en vergelijking mogelijk van afzonderlijke processen, zoals inkomend versus uitgaand, die verschillende stromen en prestatieverwachtingen hebben.

Te vinden in de order header data in Manhattan SCALE. Het veld kan 'order_type', 'transaction_type' of iets dergelijks heten.

Dit attribuut registreert de gemeten hoeveelheid goederen bij een belangrijk controlepunt, zoals goederenontvangst of picken. Het vertegenwoordigt wat fysiek is afgehandeld, wat kan afwijken van wat gepland was.

Het vergelijken van de Actual Quantity met de Planned Quantity is essentieel voor het identificeren van verschillen. Dit is de basis voor het 'Order Quantity Discrepancy Trends' dashboard en de gerelateerde KPI. Het volgen van deze verschillen helpt problemen in leveranciersnauwkeurigheid, voorraadregistraties of pickfouten aan te wijzen, die cruciaal zijn voor het handhaven van voorraadin tegriteit.

Het is cruciaal voor het identificeren van discrepanties tussen geplande en uitgevoerde hoeveelheden, en benadrukt potentiële voorraadnauwkeurigheidsproblemen of operationele fouten.

Te vinden in transactie detail records voor activiteiten zoals ontvangst, telling of picking in Manhattan SCALE.

Deze metriek berekent de totale duur voor elke magazijnorder, van de 'Magazijnorder Aangemaakt' event tot de 'Magazijnorder Voltooid' event. Het is een key performance indicator die de end-to-end efficiëntie van het gehele magazijn fulfilmentproces meet.

In dashboards en analyse biedt dit attribuut een high-level overzicht van de algehele prestaties. Het wordt gebruikt om trends te volgen, uitschieters (verlengde cyclustijden) te identificeren en prestaties over tijd te benchmarken. Het ondersteunt direct het 'Overall Order Fulfillment Cycle Time' dashboard en de bijbehorende KPI.

Dit is een kritieke KPI die de end-to-end snelheid en efficiëntie van het magazijn meet, wat direct van invloed is op klanttevredenheid en operationele kosten.

Dit is een berekend veld, afgeleid door het verschil te nemen tussen de timestamps van de eerste en laatste events voor elke Magazijnorder.

Dit attribuut specificeert het stuk materiaalbehandelingsapparatuur (MHE) of technologie dat wordt gebruikt om een magazijntaak uit te voeren. Dit kan specifieke heftruck-ID's, pallettrucknummers of handheld RF-scanner-ID's omvatten.

Deze data is waardevol voor resource-benuttingsanalyse, verder dan alleen menselijke operators. Het helpt bij het begrijpen van de gebruikspatronen van dure apparatuur, planning voor onderhoud en het garanderen dat de juiste tools beschikbaar zijn wanneer nodig. Het ondersteunt direct KPI's zoals 'Resource Utilization (Picking)' door een andere dimensie voor analyse te bieden.

Het maakt analyse van apparatuurutilisatie en de impact daarvan op procesefficiëntie mogelijk, en helpt bij het beheren van onderhoudsschema's en investeringen in MHE.

Raadpleeg de Manhattan SCALE documentatie of systeem logs. Dit kan worden bijgehouden in taakuitvoeringsrecords als het systeem is geconfigureerd om dit vast te leggen.

Dit attribuut geeft de hoeveelheid van een artikel aan die naar verwachting zou worden ontvangen, gepickt of afgehandeld volgens de oorspronkelijke magazijnorder of taakinstructie. Het is de basis waartegen de feitelijke operatie wordt gemeten.

Deze waarde wordt gebruikt in combinatie met 'Actual Quantity' om verschillen te berekenen. Frequente verschillen tussen geplande en feitelijke hoeveelheden kunnen duiden op problemen met leverancierszendingen, voorraadnauwkeurigheid of pickprocessen, waardoor dit een sleutelattribuut is voor kwaliteits- en nauwkeurigheidsanalyse.

Het fungeert als de basislijn voor het meten van de hoeveelheidsnauwkeurigheid, en helpt bij het identificeren van discrepanties die invloed hebben op de voorraad en orderafhandeling.

Gevonden in order line item of taak detail tabellen binnen Manhattan SCALE.

Deze metriek wordt berekend als 'Actual Quantity' minus 'Planned Quantity'. Een niet-nulwaarde duidt op een verschil in de hoeveelheid afgehandelde goederen versus wat verwacht werd. De waarde kan positief (overschot) of negatief (tekort) zijn.

Dit attribuut is de basis van de 'Order Quantity Discrepancy Rate' KPI. Het kwantificeert de omvang van fouten bij ontvangst of picken, en biedt een duidelijke metriek voor dashboards die de voorraadnauwkeurigheid bijhouden. Het analyseren van de trends en oorzaken van deze verschillen is essentieel voor het verbeteren van operationele precisie.

Het kwantificeert direct voorraad- en orderafhandelingsfouten, en biedt een duidelijke metriek voor het bijhouden van nauwkeurigheid en de financiële impact van discrepanties.

Dit is een berekend veld dat in de process mining tool wordt afgeleid door de formule: ActualQuantity - PlannedQuantity.

Dit Booleaanse attribuut identificeert gevallen van herbewerking, zoals een 'Goederen gepickt uit opslag' activiteit die meer dan eens wordt uitgevoerd voor hetzelfde materiaal binnen één order. Het wordt afgeleid door patronen in de processtroom te analyseren.

Het markeren van herbewerking is cruciaal voor het identificeren van procesinefficiënties en fouten. Het helpt de 'Picking Rework Rate' KPI te kwantificeren en stelt analisten in staat gevallen met herhaalde stappen te isoleren en te onderzoeken. Het begrijpen van de oorzaken van herbewerking is essentieel voor het verminderen van operationele kosten en het verbeteren van de proceskwaliteit.

Het signaleert inefficiënte lussen en herhaald werk binnen het proces, die vaak verborgen bronnen zijn van vertragingen en hogere operationele kosten.

Dit is een berekend attribuut, doorgaans afgeleid binnen de process mining tool door regels te definiëren die specifieke herhaalde activiteitspatronen (bijv. self-loops of short loops) detecteren.

Dit Booleaanse attribuut wordt afgeleid door de 'Actual Completion Date' te vergelijken met de 'Requested Completion Date'. Het is waar als de order op tijd is voltooid en onwaar als deze te laat was.

Dit attribuut vereenvoudigt prestatieanalyse door gemakkelijke filtering en aggregatie mogelijk te maken. Het is de basis voor het berekenen van de 'On-Time Shipment Rate' KPI en voedt dashboards die de naleving van klant-SLA's bijhouden. Het scheidt snel conforme orders van niet-conforme orders, waardoor root cause analyse op de late orders mogelijk wordt.

Het vereenvoudigt prestatierapportage door datumvergelijkingen om te zetten in een eenvoudige true/false vlag, waardoor het gemakkelijk wordt om het on-time verzendpercentage te berekenen.

Berekend door 'ActualCompletionDate' <= 'RequestedCompletionDate' te vergelijken. Deze logica wordt toegepast in de process mining tool.

Dit attribuut registreert het resultaat van de activiteit 'Kwaliteitsinspectie Uitgevoerd'. Het geeft aan of de ontvangen goederen voldeden aan de vereiste kwaliteitsnormen of dat verdere actie nodig is.

Dit is een cruciaal attribuut voor kwaliteitsmanagementanalyse. Het helpt bij het bijhouden van de 'Quality Control Compliance Rate', niet alleen in termen van naleving, maar ook in resultaten. Het analyseren van faalpercentages per leverancier of materiaal kan helpen inkoopbeslissingen te verbeteren en de downstream kosten geassocieerd met goederen van slechte kwaliteit te verminderen.

Het geeft het resultaat van kwaliteitscontroles weer, wat analyse van leverancierskwaliteit, productproblemen en de effectiviteit van het inspectieproces mogelijk maakt.

Raadpleeg de Manhattan SCALE documentatie. Dit zou waarschijnlijk worden opgeslagen in tabellen gerelateerd aan kwaliteitsmanagement of ontvangsttaken.

Dit attribuut identificeert de fysieke locatie (bijv. Gangpad 5, Vak 3, Niveau C) die betrokken is bij een opslag- of ophaalactiviteit. Het geeft ruimtelijke context aan het magazijnproces.

Het analyseren van activiteiten per opslaglocatie is cruciaal voor het optimaliseren van magazijnlay-out en materiaalstroom. Het kan helpen bij het identificeren van veelvuldig bezochte locaties, inefficiënte reispaden tijdens het picken, of gebieden die gevoelig zijn voor opstoppingen. Deze data ondersteunt de analyse van inslag- en pick-efficiëntie, en onthult mogelijkheden om opslagstrategieën te verbeteren.

Het biedt ruimtelijke context aan magazijnverplaatsingen, wat analyse van lay-out efficiëntie, reistijden en pickpadoptimalisatie mogelijk maakt.

Bevat in taakniveau data voor putaway en picking activiteiten in Manhattan SCALE, in velden zoals 'location_id', 'bin_code' of 'source_location'.

Deze berekende metriek meet de duur van een cruciaal onderdeel van het inbound proces: de tijd tussen de activiteit 'Goederen Ontvangen en Geteld' en de activiteit 'Goederen In Opslag Geplaatst'. Het kwantificeert de efficiëntie van het ontvangstgebied en de inslagoperaties.

Deze duur is een belangrijke input voor het 'Goods Receipt to Putaway Cycle' dashboard en de bijbehorende KPI. Hoge waarden voor deze metriek kunnen duiden op knelpunten bij het ontvangstgebied, vertragingen bij het aanmaken van inslagtaken, of inefficiënte reispaden, die allemaal de beschikbaarheid van de voorraad vertragen.

Het isoleert en meet de efficiëntie van een kritieke inkomende processtap, en belicht knelpunten die de beschikbaarheid van voorraad vertragen.

Dit is een berekend veld, afgeleid door het tijdsverschil te vinden tussen de events 'Goederen Ontvangen en Geteld' en 'Goederen In Opslag Geplaatst' voor een gegeven case.

Dit attribuut identificeert de logistieke partner of vervoerder (bijv. FedEx, UPS, DHL) die is toegewezen aan een uitgaande zending. Het koppelt het magazijnproces aan de daaropvolgende transportfase.

Het analyseren van prestaties per vervoerder kan belangrijke inzichten opleveren in de supply chain. Het helpt te bepalen of bepaalde vervoerders geassocieerd zijn met langere klaarzettijden, frequente vertragingen of specifieke afhandelingsvereisten. Deze informatie kan worden gebruikt om de prestaties van vervoerders te evalueren en logistieke partnerschappen te optimaliseren.

Het verbindt magazijnoperaties met logistieke partners, waardoor prestatieanalyse per vervoerder mogelijk is om potentiële transportgerelateerde knelpunten te identificeren.

Te vinden in de shipment- of transportplanning tabellen binnen Manhattan SCALE, vaak gekoppeld aan de order header.

Dit attribuut is de timestamp die de laatste stap van het magazijnproces voor een order markeert, zoals 'Shipment Dispatched'. Het vertegenwoordigt de feitelijke voltooiingstijd van het fulfilmentproces.

Deze datum wordt direct vergeleken met de 'Requested Completion Date' om de on-time verzendprestaties te berekenen. Het is het feitelijke data punt dat bevestigt wanneer de verantwoordelijkheid van het magazijn voor de order eindigde. Het analyseren van dit attribuut helpt bij het nauwkeurig meten van fulfilment cyclustijden en prestaties ten opzichte van SLA's.

Het biedt de feitelijke timestamp van order voltooiing, gebruikt om werkelijke doorlooptijden te berekenen en prestaties te meten tegen aangevraagde data.

Dit komt overeen met de timestamp van de laatste activiteit in het proces, zoals 'Zending verzonden' of 'Magazijnorder voltooid'.

Het Shipment ID is een hoger niveau identificator die één of meerdere magazijnorders consolideert die samen op hetzelfde voertuig of als onderdeel van dezelfde zending worden vervoerd. Het koppelt individuele orders aan een specifieke transportgebeurtenis.

In analyse maakt het Shipment ID een breder beeld van logistieke operaties mogelijk. Het kan worden gebruikt om de efficiëntie van het consolidatieproces in de staging- en laadfasen te analyseren, de on-time performance op zendingsniveau te meten, en te begrijpen hoe orderconsolidatie de totale levertijden beïnvloedt.

Het groepeert meerdere orders in één enkele verzendevent, wat analyse van de consolidatie-, staging- en laadprocessen mogelijk maakt.

Te vinden in transport- of shipment management tabellen binnen Manhattan SCALE. Deze ID verwijst doorgaans terug naar meerdere magazijnorders.