Datatemplate voor magazijnbeheer

Dit attribuut legt de afzonderlijke stappen of mijlpalen in het magazijnbeheerproces vast. Voorbeelden zijn ‘Goederen uit opslag gepickt’, ‘Inpakken gestart’ en ‘Zending verzonden’. Elke activiteit staat voor een specifieke handeling op de magazijnorder.

Dit attribuut is belangrijk voor process mining, omdat het de knooppunten in de proceskaart bepaalt. Door de volgorde, frequentie en duur van activiteiten te analyseren, kun je processtromen visualiseren, afwijkingen van de standaardprocedure opsporen en bottlenecks vinden waar werk vertraging oploopt.

Dit attribuut bepaalt de processtappen en vormt de basis voor de proceskaart. Zo kun je de processtroom en afwijkingen analyseren.

Afgeleid van transactiecodes, event logs of statustabellen in Manhattan SCALE die de voortgang van magazijnorders bijhouden.

De magazijnorder is de belangrijkste case-ID. Hiermee worden alle activiteiten voor één logistiek proces van begin tot eind gegroepeerd. Zo kun je een order in het magazijn volgen, van goederenontvangst en inslag tot picken, inpakken en verzenden.

Bij process mining is dit attribuut essentieel om het verloop van elke order te reconstrueren. Door alle gebeurtenissen aan een specifieke magazijnorder te koppelen, kunnen analisten processtromen visualiseren, doorlooptijden per order meten en afwijkingen of bottlenecks opsporen die de efficiëntie van de orderafhandeling beïnvloeden.

Dit is de sleutel waarmee je alle bijbehorende magazijnactiviteiten koppelt tot één samenhangende procesinstantie, zodat je het proces van begin tot eind kunt analyseren.

Deze identificatiecode staat meestal in de belangrijkste orderbeheertabellen van Manhattan SCALE, zoals de tabel met orderkoppen.

Dit attribuut bevat de exacte datum en tijd van elke vastgelegde procesactiviteit. Het vormt de chronologische basis van het event log en bepaalt de volgorde en timing van alle magazijnactiviteiten voor een order.

Het tijdstip van de gebeurtenis is nodig voor alle tijdsanalyses met process mining. Je gebruikt het om doorlooptijden tussen activiteiten en de totale procesduur te berekenen, vertragingen op te sporen en de procesprestaties over verschillende perioden te analyseren. Nauwkeurige timestamps zijn belangrijk voor een betrouwbare proceskaart en bruikbare prestatiemaatstaven.

Dit timestamp is belangrijk om gebeurtenissen in de juiste volgorde te zetten en alle tijdsgebonden maatstaven te berekenen, zoals doorlooptijden.

Te vinden in eventlogtabellen of transactieregistraties naast de activiteitsgegevens in Manhattan SCALE. Velden heten vaak bijvoorbeeld ‘created_ts’, ‘event_timestamp’ of ‘status_change_date’.

Dit attribuut geeft aan uit welke brontoepassing de gebeurtenisdata afkomstig is. Voor dit proces is de waarde meestal ‘Manhattan SCALE’.

In een omgeving met meerdere gekoppelde systemen helpt dit veld om databronnen van elkaar te onderscheiden. Het geeft context over de herkomst van de data. Dat kan van belang zijn voor datagovernance, het oplossen van problemen en het begrijpen van verschillen in de manier waarop verschillende platforms data vastleggen.

Dit geeft belangrijke context over de herkomst van de data. Die informatie is nodig voor datagovernance, validatie en integratie in complexe IT-omgevingen.

Dit is vaak een vaste waarde die tijdens het proces voor extractie, transformatie en laden (ETL) wordt toegevoegd om de dataset te labelen.

Dit attribuut geeft aan wanneer de data voor het laatst uit Manhattan SCALE is gehaald en in de process mining-tool is geladen. Zo zie je hoe actueel de geanalyseerde data is.

Met deze informatie kunnen gebruikers beoordelen hoe recent de analyse is. Je ziet of je naar realtime data kijkt of naar een momentopname. Dat is belangrijk voor onderbouwde beslissingen over de bedrijfsvoering en voor rapportages.

Dit laat gebruikers zien hoe actueel de data is en welke periode de analyse en rapporten bestrijken.

Dit timestamp wordt meestal tijdens het laden van de data aangemaakt en opgeslagen door de ETL-tool of datapijplijn.

De eindtijd markeert het einde van een activiteit. In combinatie met een starttijd (EventTime) kun je de verwerkingstijd van afzonderlijke taken nauwkeurig berekenen. Niet elke gebeurtenis heeft een aparte eindtijd, maar voor activiteiten zoals ‘Picken’ of ‘Inpakken’ is deze data erg waardevol.

In analyses gebruik je de eindtijd om de metriek ‘ProcessingTime’ te berekenen. Die is belangrijk om de efficiëntie van de inzet van middelen en de taakduur te begrijpen. Zo zie je welke activiteiten de meeste tijd kosten en bijdragen aan de totale doorlooptijd en mogelijke vertragingen.

Hiermee kun je de verwerkingstijd van afzonderlijke activiteiten nauwkeurig berekenen en zien welke taken de meeste tijd en middelen kosten.

Deze informatie staat mogelijk in dezelfde transactielogboeken als de starttijd, in een apart veld zoals ‘completed_ts’ of ‘end_time’. Als de eindtijd niet rechtstreeks beschikbaar is, kan die soms worden afgeleid van de starttijd van de volgende activiteit.

Dit attribuut bevat de ID van de gebruiker die verantwoordelijk is voor een specifieke magazijntaak, zoals picken, inpakken of inslag. Het koppelt procesactiviteiten aan de betrokken medewerkers.

Door prestaties per gebruikers-ID of medewerker-ID te analyseren, krijg je inzicht in de inzet van middelen en de efficiëntie van individuele medewerkers en teams. Je kunt zien wie goed presteert, waar training nodig is en hoe het werk is verdeeld. Deze data is belangrijk voor het dashboard ‘Inzet van middelen per medewerker’ en bijbehorende KPI’s. Managers kunnen hiermee de personeelsbezetting en taakverdeling verbeteren.

Dit koppelt procesprestaties aan specifieke medewerkers of teams, zodat je werkdruk, productiviteit en de verdeling van middelen kunt analyseren.

Deze informatie wordt meestal vastgelegd in transactielogboeken in Manhattan SCALE, vaak in velden zoals ‘user_id’, ‘operator’ of ‘executed_by’.

Dit attribuut geeft de service level agreement (SLA) of beoogde leverdatum voor een uitgaande magazijnorder weer. Het is de deadline waartegen de prestaties van de magazijnactiviteiten worden afgezet.

Deze datum is een belangrijke maatstaf voor de prestaties. In het dashboard ‘Op tijd verzonden zendingen’ en de KPI ‘Percentage zendingen op tijd’ wordt deze gebruikt om te bepalen of een order op tijd is afgehandeld. Door orders te analyseren die deze datum niet halen, kun je structurele oorzaken van vertraging opsporen en de klanttevredenheid verbeteren.

Dit is de belangrijkste maatstaf om te bepalen of zendingen op tijd vertrekken en of de afspraken over het serviceniveau met klanten worden nagekomen.

Meestal opgeslagen in de orderkop in Manhattan SCALE. De datum wordt vaak overgenomen uit een bovenliggend ERP- of orderbeheersysteem.

Dit attribuut, vaak aangeduid als SKU (Stock Keeping Unit), identificeert het specifieke artikel bij een magazijnactiviteit. Een magazijnorder kan meerdere materialen bevatten, die elk als afzonderlijke orderregels of taken worden verwerkt.

Door het proces per materiaal-ID te analyseren, kun je problemen met specifieke producten opsporen. Sommige artikelen worden bijvoorbeeld vaker afgekeurd bij kwaliteitscontroles, verkeerd gepickt of langer verwerkt vanwege hun formaat, gewicht of opslagvereisten. Zo kun je de opslagstrategie en werkwijze afstemmen op verschillende producttypen.

Hiermee kun je per product analyseren of bepaalde artikelen samenhangen met procesvertragingen, fouten of herstelwerk.

Te vinden in de orderregeltabellen in Manhattan SCALE, gekoppeld aan de hoofdmagazijnorder.

Het ordertype geeft aan wat het doel van de magazijnorder is. Veelvoorkomende typen zijn klantzendingen (uitgaand), goederenontvangsten van leveranciers (inkomend), voorraadverplaatsingen tussen locaties (intern) en retouren.

Met dit attribuut kun je de procesanalyse opdelen. Filter op ordertype om bijvoorbeeld het ontvangstproces met het verzendproces te vergelijken. Dat is belangrijk omdat de stappen, middelen en prestatiedoelen vaak sterk verschillen. Als je deze processen samen analyseert, kan dat een vertekend beeld geven.

Hiermee kun je verschillende processen, zoals inkomend en uitgaand, afzonderlijk analyseren en vergelijken. Ze hebben immers andere processtromen en prestatiedoelen.

Te vinden in de orderkopgegevens in Manhattan SCALE. Het veld kan ‘order_type’, ‘transaction_type’ of iets vergelijkbaars heten.

Dit attribuut legt de gemeten hoeveelheid goederen vast bij een belangrijk controlepunt, zoals de goederenontvangst of het picken. Het geeft aan wat er fysiek is verwerkt. Dat kan afwijken van de geplande hoeveelheid.

Door de werkelijke hoeveelheid met de geplande hoeveelheid te vergelijken, kun je verschillen opsporen. Dit vormt de basis voor het dashboard ‘Trends in afwijkingen van orderhoeveelheden’ en de bijbehorende KPI. Door deze verschillen bij te houden, kun je problemen met de nauwkeurigheid van leveranciers, voorraadregistraties of pickfouten opsporen. Dat helpt de voorraadgegevens betrouwbaar te houden.

Dit attribuut helpt verschillen tussen geplande en werkelijke hoeveelheden op te sporen en mogelijke problemen met voorraadnauwkeurigheid of fouten in de bedrijfsvoering aan het licht te brengen.

Te vinden in transactiedetails van activiteiten zoals ontvangst, tellen of picken in Manhattan SCALE.

Deze metriek berekent de totale doorlooptijd van elke magazijnorder, vanaf de gebeurtenis 'Magazijnorder aangemaakt' tot 'Magazijnorder afgerond'. Dit is een belangrijke prestatie-indicator voor de efficiëntie van het volledige magazijnproces, van begin tot eind.

In dashboards en analyses geeft dit attribuut een overzicht van de algehele prestaties. Je gebruikt het om trends te volgen, uitschieters te vinden, zoals lange doorlooptijden, en prestaties door de tijd heen te vergelijken. De metriek ondersteunt het dashboard 'Totale doorlooptijd van orderafhandeling' en de bijbehorende KPI.

Deze KPI meet hoe snel en efficiënt het magazijn orders van begin tot eind afhandelt. Dat heeft direct invloed op de klanttevredenheid en de bedrijfskosten.

Dit berekende veld is het verschil tussen de timestamps van de eerste en laatste gebeurtenis voor elke magazijnorder.

Dit attribuut geeft aan welk intern transportmiddel of welke technologie is gebruikt voor een magazijntaak. Denk aan specifieke heftruck-ID’s, palletwagen­nummers of ID’s van handheld RF-scanners.

Deze data is waardevol voor analyses van de inzet van middelen, ook buiten de medewerkers om. Je krijgt inzicht in het gebruik van dure apparatuur, kunt onderhoud plannen en ervoor zorgen dat de juiste hulpmiddelen beschikbaar zijn wanneer ze nodig zijn. De data ondersteunt KPI’s zoals ‘Inzet van middelen (picken)’ en biedt een extra dimensie voor analyse.

Hiermee kun je het gebruik van apparatuur en de invloed daarvan op de procesefficiëntie analyseren. Dat helpt bij het plannen van onderhoud en investeringen in intern transportmaterieel.

Raadpleeg de documentatie van Manhattan SCALE of de systeemlogboeken. Als het systeem zo is ingesteld dat deze informatie wordt vastgelegd, staat die mogelijk in de uitvoeringsgegevens van taken.

Dit attribuut geeft aan hoeveel artikelen volgens de oorspronkelijke magazijnorder of taakinstructie ontvangen, gepickt of verwerkt moesten worden. Het is de basis waarmee je de werkelijke uitvoering vergelijkt.

Je gebruikt deze waarde samen met de ‘Werkelijke hoeveelheid’ om verschillen te berekenen. Regelmatige afwijkingen tussen geplande en werkelijke hoeveelheden kunnen wijzen op problemen met leveringen van leveranciers, voorraadnauwkeurigheid of pickprocessen. Daarom is dit een belangrijk attribuut voor kwaliteits- en nauwkeurigheidsanalyses.

Dit is de basis om de nauwkeurigheid van hoeveelheden te meten en afwijkingen op te sporen die invloed hebben op de voorraad en orderafhandeling.

Te vinden in de orderregel- of taakdetailtabellen in Manhattan SCALE.

Dit booleaanse attribuut herkent herstelwerk, bijvoorbeeld wanneer de activiteit 'Goederen uit opslag gepickt' binnen één order meerdere keren voor hetzelfde materiaal wordt uitgevoerd. De waarde wordt afgeleid door patronen in de processtroom te analyseren.

Door herstelwerk te markeren, kun je inefficiënties en fouten in het proces opsporen. Het attribuut helpt de KPI 'Percentage herstelwerk bij orderpicken' te berekenen en cases met herhaalde stappen te onderzoeken. Als je weet waardoor herstelwerk ontstaat, kun je de bedrijfskosten verlagen en de proceskwaliteit verbeteren.

Het markeert inefficiënte lussen en herhaald werk in het proces. Die zijn vaak een verborgen oorzaak van vertragingen en hogere bedrijfskosten.

Dit berekende attribuut wordt meestal in de process mining-tool afgeleid met regels die specifieke patronen van herhaalde activiteiten herkennen, zoals zelflussen of korte lussen.

Deze metriek is het verschil tussen de 'Werkelijke hoeveelheid' en de 'Geplande hoeveelheid'. Een waarde anders dan nul betekent dat de hoeveelheid verwerkte goederen afwijkt van wat was verwacht. De waarde kan positief zijn bij een overschot of negatief bij een tekort.

Dit attribuut vormt de basis voor de KPI 'Percentage orders met een hoeveelheidsverschil'. Het maakt de omvang van fouten bij ontvangst of orderpicken meetbaar en geeft dashboards een duidelijke metriek voor de voorraadnauwkeurigheid. Door trends en oorzaken van deze verschillen te analyseren, kun je nauwkeuriger werken.

Het maakt fouten in de voorraad en orderafhandeling meetbaar. Zo kun je de nauwkeurigheid volgen en zien wat de financiële gevolgen van afwijkingen zijn.

Dit berekende veld wordt in de process mining-tool afgeleid met de formule: ActualQuantity - PlannedQuantity.

Dit attribuut geeft aan welke logistieke partner of vervoerder, zoals FedEx, UPS of DHL, aan een uitgaande zending is toegewezen. Het koppelt het magazijnproces aan het daaropvolgende transport.

Door prestaties per vervoerder te analyseren, kun je belangrijke informatie over de toeleveringsketen vinden. Zo zie je of bepaalde vervoerders samenhangen met langere wachttijden in de verzamelzone, regelmatige vertragingen of specifieke vereisten voor de afhandeling. Deze informatie helpt vervoerders te beoordelen en logistieke samenwerkingen te verbeteren.

Dit koppelt magazijnactiviteiten aan logistieke partners. Zo kun je prestaties per vervoerder analyseren en mogelijke bottlenecks in het transport opsporen.

Te vinden in de verzend- of transportplanningstabellen in Manhattan SCALE, vaak gekoppeld aan de orderkop.

Dit booleaanse attribuut wordt afgeleid door de 'Werkelijke einddatum' te vergelijken met de 'Gevraagde einddatum'. De waarde is waar als de order op tijd is afgerond en onwaar als dat te laat gebeurde.

Met dit attribuut kun je prestaties eenvoudig filteren en samenvatten. Het vormt de basis voor de KPI 'Percentage op tijd verzonden' en voedt dashboards die bijhouden of je de SLA’s met klanten nakomt. Zo zie je snel welke orders wel en niet aan de afspraken voldoen en kun je de oorzaken van vertragingen onderzoeken.

Het maakt prestatierapportages eenvoudiger: datumvergelijkingen worden omgezet in een eenvoudige waar/onwaar-indicator, waarmee je makkelijk het percentage op tijd verzonden orders berekent.

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

Dit attribuut geeft de fysieke locatie aan, bijvoorbeeld gangpad 5, vak 3 of niveau C, die bij een opslag- of ophaalactiviteit hoort. Zo krijg je inzicht in de locatie van de activiteit in het magazijn.

Door activiteiten per opslaglocatie te analyseren, kun je de magazijnindeling en goederenstroom verbeteren. Je ziet welke locaties vaak worden bezocht, welke looproutes tijdens het picken inefficiënt zijn en waar opstoppingen ontstaan. Deze data helpt de efficiëntie van inslag en picken te analyseren en laat zien waar de opslagstrategie beter kan.

Dit geeft inzicht in de locatie van goederenverplaatsingen in het magazijn. Zo kun je de efficiëntie van de indeling, reistijden en pickroutes analyseren.

Te vinden in taakgegevens voor inslag- en pickactiviteiten in Manhattan SCALE, in velden zoals ‘location_id’, ‘bin_code’ of ‘source_location’.

Dit attribuut legt het resultaat van de activiteit ‘Kwaliteitscontrole uitgevoerd’ vast. Het geeft aan of de ontvangen goederen aan de vereiste kwaliteitsnormen voldeden of dat er vervolgactie nodig is.

Dit attribuut is belangrijk voor analyses van kwaliteitsbeheer. Je kunt er het ‘Nalevingspercentage kwaliteitscontrole’ mee volgen, zowel op basis van naleving als van de resultaten. Door afkeurpercentages per leverancier of materiaal te analyseren, kun je inkoopbeslissingen verbeteren en de vervolgkosten van goederen van slechte kwaliteit verlagen.

Dit geeft de uitkomst van kwaliteitscontroles weer. Zo kun je de kwaliteit van leveranciers, productproblemen en de effectiviteit van het inspectieproces analyseren.

Raadpleeg de documentatie van Manhattan SCALE. Deze informatie staat waarschijnlijk in tabellen voor kwaliteitsbeheer of ontvangsttaken.

Deze berekende metriek meet de doorlooptijd van een belangrijk deel van het inkomende proces: de tijd tussen de activiteit 'Goederen ontvangen en geteld' en 'Goederen opgeslagen'. Zo wordt de efficiëntie van de loskade en het opslaan van goederen meetbaar.

Deze doorlooptijd is een belangrijke invoer voor het dashboard 'Doorlooptijd van goederenontvangst tot opslag' en de bijbehorende KPI. Een hoge waarde kan wijzen op knelpunten bij de loskade, vertraging bij het aanmaken van opslagopdrachten of inefficiënte looproutes. Daardoor zijn goederen later beschikbaar.

Deze metriek meet de efficiëntie van een belangrijke stap in het inkomende proces en maakt knelpunten zichtbaar die de beschikbaarheid van voorraad vertragen.

Dit berekende veld is het tijdsverschil tussen de gebeurtenissen 'Goederen ontvangen en geteld' en 'Goederen opgeslagen' voor een bepaalde case.

Dit attribuut bevat het timestamp van de laatste stap in het magazijnproces voor een order, zoals ‘Zending verzonden’. Het geeft aan wanneer de orderafhandeling daadwerkelijk is afgerond.

Je vergelijkt deze datum rechtstreeks met de ‘Gevraagde afrondingsdatum’ om te bepalen of de zending op tijd is verstuurd. Dit is het feitelijke datapunt dat bevestigt wanneer de verantwoordelijkheid van het magazijn voor de order eindigde. Met dit attribuut kun je de doorlooptijden van de orderafhandeling en de prestaties ten opzichte van SLA’s nauwkeurig meten.

Dit geeft het feitelijke tijdstip waarop de order is afgerond. Je gebruikt het om de werkelijke doorlooptijden te berekenen en de prestaties met de gevraagde datums te vergelijken.

Dit komt overeen met het timestamp van de laatste activiteit in het proces, zoals ‘Zending verzonden’ of ‘Magazijnorder afgerond’.

De zending-ID is een identificatiecode op een hoger niveau. Hiermee worden een of meer magazijnorders gegroepeerd die samen in hetzelfde voertuig of als onderdeel van dezelfde vracht worden vervoerd. De ID koppelt afzonderlijke orders aan een specifieke transportgebeurtenis.

Met de zending-ID kun je logistieke processen op een hoger niveau analyseren. Je kunt de efficiëntie van het samenvoegen van orders tijdens het klaarzetten en laden onderzoeken, de prestaties op tijd per zending meten en zien hoe het samenvoegen van orders de totale doorlooptijden beïnvloedt.

Hiermee groepeer je meerdere orders in één verzendgebeurtenis, zodat je het samenvoegen, klaarzetten en laden kunt analyseren.

Te vinden in de transport- of zendingbeheertabellen in Manhattan SCALE. Deze ID is meestal gekoppeld aan meerdere magazijnorders.