PostNL wilde consumenten meer mogelijkheden bieden om de bezorgwijze van het pakket te wijzigen zodat het beter aansluit bij hun wensen. Ieder pakket dat via PostNL verstuurd wordt, wordt door de verzender voorgemeld. Dit is het moment dat een verzender aangeeft een pakket te willen versturen van verzender naar ontvanger. Vervolgens wordt het pakket dezelfde dag of op een later moment aan PostNL geleverd, waarna het door PostNL wordt gesorteerd en het pakket de volgende dag bij de ontvanger wordt bezorgd. Het project ‘Voorspellen van aanleverdag van een pakket’ van PostNL, Amazon Web Services, Python, Cape Groep en Mendix is genomineerd voor de Computable Awards 2020 in de categorie Partnerproject.
Met dit project is PostNL in staat om van elk individueel pakket te voorspellen of het pakket op dezelfde dag aangeleverd wordt bij PostNL, direct nadat het pakket is voorgemeld. Hierdoor kan PostNL de ontvanger de mogelijkheid geven om de bezorgwijze op een eerder moment op de dag te wijzigen, wat ook wel herrouteren). Om dit mogelijk te maken heeft het data science-team een machine learning-algoritme ontwikkeld dat voorspelt of een pakket dezelfde dag bij PostNL wordt aangeleverd. Het ontwikkelde model is door een multidisciplinair team geïmplementeerd in een bedrijfskritische applicatie. Door de bredere tijdsvensters om de bezorgmethode te wijzigen wordt onder andere de klanttevredenheid verhoogd en tegelijkertijd worden de kosten verlaagd door efficiëntere bezorging.
Het was een uitdaging om een juiste technische implementatie te vinden voor het algoritme, aangezien dit de eerste keer dat een machine learning algoritme op een bedrijfskritisch proces werd geïmplementeerd. Hier was geen blauwdruk voor, waardoor er naar een unieke oplossing gezocht moest worden. De samenwerking gebeurde met vijf verschillende afdelingen en twee verschillende leveranciers: data scientists, data engineers, developers van het platform dat de voormeldingen ontvangt, developers van het platform dat de herroutering uitoefent en de commerciële afdeling. De complexiteit ontstond doordat het platform dat de voormeldingen ontvangt bedrijfskritisch is dat zowel een 100 procent uptime als een hoge snelheid om berichten te ontvangen moet garanderen. Hierdoor was het ongewenst om het machine learning algoritme buiten dit platform te implementeren. Aangezien dit productieplatform Java based en kritisch is, zorgde dit al voor de nodige complexiteit met als resultaat dat er een duplicaat van het platform in een lab-omgeving werd gecreëerd om het algoritme te testen. Daarnaast werd het algoritme ontwikkeld en hertraind op een AWS-omgeving in Python-code. De additionele complexiteit bestond uit het garanderen dat het algoritme van Python op dezelfde manier presteert als het algoritme in Java.
