Hago Rail Services en machine learning: nachtelijke schoonmaakcapaciteit voorspellen voor NS-treinen

Honderden medewerkers van Hago Rail Services zorgen er dagelijks voor dat reizigers in schone NS-treinen reizen. Maar het inplannen van schoonmakers was altijd een uitdaging. Hoeveel schoonmakers zijn er aan het einde van iedere dag nodig op welke plek in Nederland? Riviq hielp Hago Rail Services die capaciteit te voorspellen met behulp van machine learning.

logo Hago Rail Services

Hago Rail Services maakt alle binnenlandse treinen van de Nederlandse Spoorwegen (NS) schoon. Daarvoor zijn er grofweg drie processen. “Er is een maandelijkse grote schoonmaak”, vertelt Olaf Knoop, Manager Continu Verbeteren Samenwerking en Innovatie (CSI) bij Hago Rail Services. “Daarnaast reinigen we tijdens de dienstregeling. En we maken iedere nacht het interieur van de treinen schoon. Voor dat laatste proces zochten we een manier om onze medewerkers beter in te plannen.”

Van onderbuik naar voorspellen

De NS maakt een dienstregeling die aangeeft welke type trein aan het einde van de dag op welke plek staat. Op basis daarvan plant Hago Rail Services schoonmaakploegen in. Dat gebeurde voorheen altijd op onderbuikgevoel. “Dat klopte zeventig tot tachtig procent van de tijd”, stelt Olaf. “Daar zat dus ruimte voor verbetering. Hoe beter we onze capaciteit kunnen aansluiten op de hoeveelheid treinen per locatie, hoe beter we de werkdruk kunnen verdelen. Dat is belangrijk voor de kwaliteit die we willen leveren. Omdat we al veel datagedreven werken, wilden we het optimaliseren van onze planning ook benaderen als een datavraagstuk. Enkele jaren geleden had Riviq al een datawarehouse voor ons gemaakt. Daarom vroegen we Riviq om ons ook met deze uitdaging te helpen.”

Machine learning model trainen

Riviq maakte samen met Hago Rail Services een machine learning model. Dit model moest kunnen voorspellen hoeveel treinen er aan het einde van een dag op welke locatie staan. Olaf: “We vulden het model met allerlei historische data, onder andere dienstregelingsdata, diverse eigenschappen van treinen, de ligging van stations in Nederland, de afstand die de treinen afleggen en de dagen van de week. Daarna was het een kwestie van testen. Na een aantal iteraties om het model goed te trainen, slaagde Riviq erin om het model voorspellingen te laten doen.”  

“Traditioneel zijn schoonmaakbedrijven vooral operationeel en reactief. Maar dankzij Riviq zijn we nu ook verbeterd op tactisch niveau.”

Olaf Knoop

Manager CSI, Hago Rail Services

Correctiefactor voor planning

Het model voorspelde de verwachte hoeveelheid schoonmaakwerk per locatie zo nauwkeurig mogelijk. Maar wat bleek in de praktijk? “Er gebeuren op een dag te veel dingen die impact hebben op de uiteindelijke eindstations van treinen, dingen die niet te voorspellen zijn”, vertelt Olaf. “Is er een trein kapot? Of werkt een overweg niet meer? Dan gaat de hele dienstregeling op de schop. Zo kunnen er aan het einde van de dag bijvoorbeeld niet dertig treinen op een bepaald station verschijnen, maar zestig. Of juist maar tien. Wij moeten onze planning echter wel enkele dagen van tevoren maken, omdat onze schoonmakers op tijd moeten weten op welke plek in Nederland ze aan de slag moeten. Op de dag van de schoonmaak kunnen ze niet op het laatste moment van Deventer naar Maastricht. Alle onzekerheden op de dag zelf zorgen er dus voor dat het accuraat voorspellen van onze capaciteit niet mogelijk is.” Is al het werk dan voor niets geweest? “Zeker niet”, laat Olaf weten. “Met de kennis en ervaring uit het machine learning model hebben we een manier bedacht om een correctiefactor te berekenen. Die laten we nu los op iedere planning die we maken, zodat ze accurater zijn dan voorheen.”

Soepele samenwerking

Dankzij het traject heeft Hago een volgende stap gemaakt in datagedreven werken. Olaf: “Traditioneel zijn schoonmaakbedrijven vooral operationeel en reactief. Maar dankzij Riviq zijn we nu ook verbeterd op tactisch niveau. Dat is tevens een mooi signaal naar onze opdrachtgever, de NS. We laten namelijk zien dat we proactief en continu zoeken naar hoe we ons werk nóg beter kunnen doen. Daarbij verloopt de samenwerking met Riviq altijd heel soepel. Ook in dit machine learning traject begrepen ze snel hoe onze business in elkaar zit en zagen direct waar onze uitdagingen zaten. Dat is fijn, want dan hoef je alles maar één keer uit te leggen.”

Fundament voor de toekomst

Hago Rail Services blijft zoeken naar manieren om data optimaal in te zetten. “Dat is onderdeel van onze dagelijkse praktijk geworden”, licht Olaf toe. “Het volgende project wordt het voorspellen van de schoonmaakcapaciteit voor treinen die met graffiti zijn besmeurd. Die treinen worden uit de dienstregeling genomen, dus de kans op een accurate voorspelling is daarbij groter. Het voorspelmodel van Riviq vormt daarin een onmisbaar fundament.”

andere klantcases

Send this to a friend