Hoe data Taxi Dorenbos helpt slimmer te plannen

Dagelijks plant Taxi Dorenbos ritten voor leerlingen- en zorgvervoer. Dat klinkt misschien eenvoudig, maar achter iedere rit zit een flinke puzzel. Er zijn vaste tijdvensters, verschillende capaciteitseisen per voertuig en routes die niet alleen efficiënt moeten zijn, maar ook logisch en praktisch voor chauffeurs en reizigers.

Tot voor kort gebeurde een groot deel van die planning handmatig. Dat leverde goede routes op, maar riep ook een interessante vraag op: kunnen deze ritten slimmer worden gepland, zodat er minder rijtijd nodig is en de planning minder kostbaar wordt?

Voor mij was dit een vraagstuk dat direct herkenbaar was. Vanuit mijn studie Econometrie en Operations Research heb ik veel gewerkt met routeproblemen. Het vraagstuk van Taxi Dorenbos is in de kern precies dat: een routeprobleem met tijdvensters en praktische restricties, toegepast op een dagelijks en concreet probleem.

Omdat het traject begon als een verkennend gesprek, was de eerste stap niet direct het bouwen van een model. Eerst wilde ik inzichtelijk maken wat er mogelijk was.

Voor het eerste kennismakingsgesprek heb ik daarom een korte presentatie opgesteld. Daarin heb ik uitgelegd wat het planningsvraagstuk precies inhoudt, hoe een mogelijke oplossing eruit zou kunnen zien en welke stappen nodig zijn om daar te komen.

De insteek was bewust praktisch: niet meteen de techniek centraal stellen, maar eerst laten zien welke waarde route-optimalisatie in de dagelijkse praktijk kan opleveren.

Dat bleek een goede basis om het traject daadwerkelijk te starten.

Voor de bouw van het model heb ik gekozen voor R en een op maat gemaakte heuristiek. Daarmee kon de oplossing worden afgestemd op de specifieke situatie van Taxi Dorenbos, in plaats van uit te gaan van een generiek routeplanningsprobleem.

Om het traject overzichtelijk en goed controleerbaar te houden, heb ik het proces opgedeeld in vijf stappen:

1. Data-inventarisatie – welke gegevens zijn beschikbaar en welke informatie ontbreekt nog?

2. Reistijd- en afstandsbepaling – de basis voor iedere goede routeplanning.

3. Model – het combineren en in de juiste volgorde zetten van ritten.

4. Parametrische restricties – rekening houden met onder andere tijdvensters, voertuigcapaciteit en andere praktijkregels.

5. Kostenmodel en validatie – bepalen of de nieuwe planning daadwerkelijk beter is en of de uitkomsten aansluiten bij de praktijk.

Die opbouw had een belangrijk voordeel: iedere stap leverde iets concreets op en kon afzonderlijk worden gevalideerd.

De planning was ambitieus, maar tegelijkertijd duidelijk: het bouwtraject moest in ongeveer vier weken worden afgerond.

Dat had een goede reden. De deadline lag vóór de start van het nieuwe schooljaar, precies het moment waarop het leerlingenvervoer weer op gang komt en de druk op de planning toeneemt.

Door het traject vanaf het begin op te delen in duidelijke stappen, konden we snel van een verkennend vraagstuk naar een werkend model.

En dat lukte: het traject werd binnen de geplande vier weken afgerond.

De eerste reactie op de presentatie was nog wat afwachtend. Begrijpelijk, want route-optimalisatie kan al snel abstract klinken. De vraag is uiteindelijk vooral: werkt het ook in de praktijk?

Op de kleinere dataset waarmee is getest, liet het model direct een concreet resultaat zien: 10% minder voertuigen waren nodig.

Dat verschil werkt rechtstreeks door in de operationele kosten. Minder voertuigen betekent immers niet alleen een efficiëntere inzet van capaciteit, maar ook minder kosten rondom het uitvoeren van de ritten.

Voor een eerste test was dat een veelbelovend resultaat.

Hoewel het routeprobleem technisch interessant is, zat een groot deel van het werk uiteindelijk niet alleen in het model zelf.

Het model moest steeds verder worden verfijnd. Technisch betekende dat het aanscherpen van de heuristiek en het toevoegen en aanpassen van restricties. Tegelijkertijd moesten we steeds beter begrijpen wat voor Taxi Dorenbos écht belangrijk is.

Welke routes zijn in de praktijk logisch? Welke keuzes zijn voor planners en chauffeurs acceptabel? Waar moet het model ruimte laten voor praktische uitzonderingen?

Juist dat samenspel tussen data, techniek en praktijk bleek bepalend voor het eindresultaat.

Een theoretisch optimale route is tenslotte niet automatisch een goede route als deze in de dagelijkse praktijk niet werkbaar is.

Een ander voordeel van de gekozen aanpak was de modulariteit van het model. Omdat de verschillende onderdelen afzonderlijk waren opgebouwd, kon binnen het bestaande tijdsbestek al een vervolgstap worden gezet.

Het model is uitgebreid zodat het niet alleen geschikt is voor leerlingenvervoer, maar inzetbaar is voor alle soorten groepsvervoer binnen Taxi Dorenbos.

Daarmee groeide het project tijdens het traject van een specifieke vraag naar een oplossing die breder binnen de organisatie kan worden toegepast.

Wat begon met een eenvoudige vraag — kunnen we onze ritten slimmer plannen? — resulteerde in een werkend model dat laat zien welke mogelijkheden data en operations research in de praktijk bieden.

Het project laat voor mij vooral zien dat optimalisatie niet draait om het bouwen van het meest complexe model. De echte waarde ontstaat wanneer je wiskundige technieken weet te vertalen naar een oplossing die aansluit bij de dagelijkse praktijk.

Door data, techniek en de kennis van de organisatie samen te brengen, ontstaat een planning die niet alleen theoretisch efficiënter is, maar ook daadwerkelijk bruikbaar is.

En misschien is dat wel de interessantste uitkomst van het traject: wat begon als een verkennend gesprek, heeft zich ontwikkeld tot een bredere oplossing voor slimmer en efficiënter groepsvervoer.