Hoe ben je bij KLM begonnen en wat is je huidige rol?

“Bij KLM ben ik begonnen met het ondersteunen van het team dat verantwoordelijk is voor dashboarding en data-analyse. We analyseren historische data om te begrijpen wat er in het verleden is gebeurd en gebruiken deze inzichten om voorspellingen te doen over de toekomst. Ik fungeerde in eerste instantie als mentor voor een aantal junior data scientists die zich wilden specialiseren in data science. KLM zocht iemand die hen kon begeleiden en helpen bij het toepassen van geavanceerdere technieken.”

Wat zie je als de grootste ontwikkeling in voorspellende modellen de afgelopen jaren?

“Toen ik begon lag de focus vooral op het analyseren van wat er was gebeurd en de gevolgen daarvan. Nu verschuift de aandacht steeds meer naar voorspellende en prescriptieve modellen. We kunnen niet alleen voorspellen wat er gaat gebeuren, maar ook aanbevelingen doen over welke acties je moet nemen om specifieke uitkomsten te beïnvloeden. Wat ik interessant vind, is dat je niet altijd supercomplexe technologieën nodig hebt om veel waarde te creëren. Zelfs met traditionele machine learning-technieken kun je al veel impact maken.”

Wat doet jouw team bij KLM?

“Ons team werkt vooral aan het verbeteren van het planningsproces van KLM. KLM maakt zes maanden van tevoren een planning voor het komende winter- of zomerseizoen. Dit schema wordt continu geoptimaliseerd, want elke afdeling – van de commerciële afdeling tot de grondplanning – heeft zijn eigen prioriteiten.” De seizoensplanning doorloopt een aantal stappen, legt Mocking uit. “De commerciële afdeling bepaalt welke bestemmingen ze aanbieden en en hoe vaak daarop wordt gevlogen. Vervolgens kijkt de planningsafdeling naar vertrektijden en landingen, en de grondplanning controleert of er voldoende personeel beschikbaar is. Als er ergens problemen aan het licht komen moet de planning weer terug naar een eerdere afdeling. Dat kost veel tijd en energie. Onze data-analyse helpt om proactief realistische schema’s op te stellen, zodat er minder correcties nodig zijn en de planning soepeler verloopt.”

Voor het ondersteunen van die planning is Flint ontwikkeld, aldus Mocking. “Flint is een tool die de punctualiteit van vluchten tot zes maanden voor vertrek kan voorspellen. Hiermee kunnen planners de beschikbare marge in het schema optimaal benutten en de robuustheid van het rooster vergroten. Dit minimaliseert verstoringen en zorgt voor een efficiëntere operatie. Het succes van de tool ligt niet alleen in de nauwkeurigheid van het model, maar ook in de toepassing van explainable AI en het bieden van inzicht in de onzekerheid rond de voorspellingen. We willen ervoor zorgen dat planners begrijpen wat het model zegt en waarom het dat zegt.”

Het team van Mocking houdt zich echter niet alleen bezig met de punctualiteit van vluchten. “Momenteel werken we aan een project gericht op het voorspellen van brandstofverbruik. Brandstofverbruik hangt sterk samen met vluchtprestaties. Vluchten met een strakke planning hebben bij de minste verstoring vaak de neiging sneller te vliegen om verloren tijd in te halen, wat leidt tot een hoger brandstofverbruik en meer CO2-uitstoot. Door nauwkeuriger in te schatten hoeveel brandstof een vlucht nodig heeft en welke schema’s het beste werken, kunnen we kosten en uitstoot verminderen. Dat is niet alleen goed voor de bedrijfsvoering, maar ook voor het milieu.”

Wat zijn de volgende stappen voor het team?

“We willen nog verder gaan met het voorspellen van de impact van vluchten op operationele kosten. Planners willen niet alleen weten of een vlucht op tijd vertrekt, maar ook wat de brandstofkosten zijn als ze iets veranderen in het schema. Als we precies weten hoe veel brandstof er in verschillende scenario’s wordt verbruikt kunnen we betere beslissingen nemen. Dit soort informatie is heel waardevol, zeker als je bedenkt welke kosten er gemoeid zijn met inefficiënte planning. Daar gaan we de komende tijd verder op inzetten. Verder willen we ook inzichten geven in andere KPI’s van een schema, zoals de zogeheten ‘non-performance costs’. Dat zijn de kosten die gemaakt worden voor passagiers die hun connectie niet halen of die omgeboekt moeten worden, en die bestaan uit bijvoorbeeld compensatie, nieuwe tickets, eten, overnachtingen en dergelijke.”

Volgens Mocking kunnen andere bedrijven of sectoren ook lessen trekken uit de aanpak van KLM. Hij deelt een paar tips. “De belangrijkste les is om klein te beginnen. Vaak willen bedrijven meteen groot denken en grootschalige projecten opzetten, maar het is beter om eerst ervaring op te doen met kleine, afgebakende projecten. Bij KLM zijn we ook begonnen met een proefproject waarbij we data gebruikten om te voorspellen hoe een bepaald vluchtschema in de praktijk zou uitpakken. Begin dus met een pilot om te zien waar je de meeste winst kunt behalen en bouw daarop verder. Het is belangrijk om eerst te begrijpen waar de knelpunten zitten, voordat je grote veranderingen doorvoert. Dat gezegd hebbende: het is ook belangrijk om zo’n pilot uit te voeren met het oog op het einddoel dat je wilt bereiken. Er moet wel een visie achter zitten.”