Når året gøres op, ender fejlraten på bookinger som regel som ét tal i et regneark. Det tal fortæller, hvor ofte noget gik galt, men ikke hvad der gik galt. Og så længe fordelingen mangler, bliver prisen på forkerte forsendelsesdata noget, man accepterer som en del af driften i stedet for noget, man kan gøre mindre.

Det er en forskel, der betyder noget i praksis. En afvist booking koster ikke bare et nyt forsøg. Den koster den tid, en medarbejder bruger på at finde ud af, hvorfor transportøren sagde nej, tiden det tager at rette oplysningerne og booke igen, og i værste fald en afhentning, der ikke sker den dag, den var lovet. Bagefter kommer samtalen med kunden, og måske en fakturalinje, der ikke stemmer med det, der blev bestilt.

De fleste logistikansvarlige kan nævne de fejl, de husker. Pallen der blev målt forkert, adressen uden portnummer, det serviceprodukt der ikke gælder på den rute. Hukommelsen er bare ikke et godt grundlag for at prioritere. Den fremhæver det dramatiske frem for det hyppige, og det er næsten altid det hyppige, der koster mest over et år.

Hvorfor fejlraten som samlet tal ikke kan bruges til ret meget

Et samlet tal på to eller tre procent lyder håndterbart. Problemet er, at det ikke peger på nogen handling. Skal I træne kundeservice bedre? Skal ordredata valideres tidligere? Skal der ryddes op i stamdata på kunder? Skal et bestemt serviceprodukt helt væk fra listen? Alle fire indsatser koster tid, og uden en fordeling vælger man i blinde.

Samtidig skjuler det samlede tal, at fejlene sjældent er jævnt fordelt. Typisk står få fejltyper for størstedelen af de afviste bookinger, og de hænger ofte sammen med ét bestemt sted i flowet. Det kan være en bestemt transportør med strammere krav til adressedata, en bestemt godstype, eller en bestemt kundegruppe, hvor stamdata aldrig er blevet vedligeholdt.

Når fordelingen kommer frem, bliver samtalen en anden. Så handler den ikke længere om, at “der sker fejl”, men om at tre konkrete ting i jeres flow producerer dem.

Sådan gør du året op, fejl for fejl

Øvelsen behøver ikke være stor. Den kræver en liste over afviste bookinger og manglende afhentninger fra året, og en kategorisering af dem.

Start med at trække data ud for hele perioden. Ligger bookingerne spredt på flere transportørportaler, bliver det et manuelt arbejde at samle dem, og det i sig selv er en pointe værd at notere. Hvis I ikke kan trække jeres egne fejldata ud ét sted, kan I heller ikke følge dem løbende.

Kategorisér derefter hver afvisning. Nogle fejltyper går igen i de fleste setups:

Adressefejl, typisk manglende eller forkert postnummer, husnummer eller portnummer
Manglende kontaktoplysninger på modtager, så transportøren ikke kan varsle
Vægt og mål, der ikke stemmer med det faktiske gods
Forkert kolli- eller pallespecifikation, for eksempel en EUR-palle registreret som løs kolli
Serviceprodukter, der ikke er gyldige på den pågældende rute eller til den pågældende godstype
Manglende eller ukorrekte told- og eksportdokumenter på forsendelser uden for EU
Afhentningstidsvinduer, der ikke kan opfyldes af den valgte transportør
Forkerte afsender- eller kontooplysninger
Dubletter, hvor samme forsendelse bookes to gange
Manglende referencer, så forsendelsen ikke kan matches med ordren

Noter for hver fejl, hvor i flowet den opstod. Kom oplysningen fra ordresystemet, fra en kunde, fra en manuel indtastning på lageret, eller fra en stamdatapost, der aldrig blev opdateret? Det er det felt, der gør analysen anvendelig.

Læg til sidst et groft tidsestimat på hver fejltype. Hvor lang tid tager det at opdage, rette og genbooke? Et estimat fra de medarbejdere, der rent faktisk gør det, er godt nok. Ganget med antallet af hændelser får I prisen på forkerte forsendelsesdata i lønkroner, og det tal plejer at overraske mere end fragtomkostningen gør.

Hvad fordelingen fortæller dig

Når listen ligger færdig, falder fejlene som regel i nogle få mønstre.

Fejl, der opstår ved indtastning. Hvis en stor del af afvisningerne skyldes tastefejl i adresser, vægt eller referencer, er problemet ikke medarbejderne. Det er, at de samme oplysninger skal skrives ind flere gange, ofte i forskellige transportørsystemer med forskellige felter og formater. Hver gentagelse er en chance for at ramme forkert. Løsningen ligger i at flytte data automatisk fra ordre til booking, så de kun indtastes ét sted.

Fejl, der opstår i stamdata. Går de samme modtagere igen i fejllisten, er det ikke en indtastningsfejl. Det er en vedligeholdelsesfejl. Her giver det mening at rydde op i en afgrænset gruppe af kunder frem for at træne hele organisationen.

Fejl, der opstår i produktvalg. Afvisninger på grund af ugyldige serviceprodukter betyder som regel, at den, der booker, ikke kan se transportørens regler på bookingtidspunktet. Det er et spørgsmål om, hvad systemet tillader, ikke om hvad medarbejderen ved.

Fejl, der opstår på lageret. Afvigelser i vægt og mål hører ofte hjemme her, og de dukker typisk op igen som efterfakturering fra transportøren. Hvis I også kontrollerer fragtfakturaer manuelt, bør den tid regnes med i prisen for netop denne fejltype.

Fordelingen fortæller samtidig, hvor det ikke kan betale sig at sætte ind. Hvis tolddokumenter står for en håndfuld afvisninger på et år, mens adressedata står for hundredvis, så er prioriteringen afgjort.

Fra fejlliste til indsats næste år

De fleste fejltyper på listen har samme grundårsag. Oplysningen findes allerede i et system, men den rejser ikke selv videre til transportøren. Den bliver skrevet af, kopieret eller gættet undervejs.

Derfor giver det mening at vurdere hver fejltype ud fra ét spørgsmål. Hvor tidligt i flowet kan denne oplysning valideres? Jo tættere på ordren, jo billigere er rettelsen. En adresse, der fanges som ugyldig i ordresystemet, koster sekunder. Den samme adresse, der fanges af transportøren dagen efter, koster en genbooking og en forsinket afhentning.

Det er præcis derfor, integration til egne systemer og til de transportører, I faktisk bruger, vejer tungere end listeprisen pr. forsendelse. Et setup, hvor forsendelsesdata flyder fra ordre til label uden mellemled, fjerner hele kategorier af fejl på én gang i stedet for at reducere dem enkeltvis.

Og det behøver ikke være et stort it-projekt. Med vedligeholdte plugins til gængse systemer og et åbent API til det, der er specielt hos jer, kan flowet tilpasses, som det ser ud i dag, uden at hele bookingprocessen skal bygges om først.

FAQ

Hvor finder jeg data om afviste bookinger, når de ligger spredt hos flere transportører?

Begynd med det, I har. Mange trækker en eksportliste fra hver transportørportal og samler dem i ét regneark for perioden. Det er besværligt, men det skal kun gøres én gang for at få fordelingen frem. Når I ved, hvilke fejltyper der dominerer, er det næste spørgsmål, om de data kan samles ét sted fremadrettet, så opgørelsen bliver løbende i stedet for årlig.

Hvor mange fejlkategorier giver mening at arbejde med?

Nok til at skelne mellem fejl med forskellig årsag, og ikke flere. Otte til ti kategorier er som regel rigeligt. Bliver listen længere, bruger I mere tid på at kategorisere end på at rette. Det vigtigste er, at to fejl i samme kategori kan løses med samme indsats.

Vi har ikke ressourcer til et it-projekt lige nu. Kan vi gøre noget alligevel?

Selve opgørelsen kræver ingen systemændringer. Den kan laves med eksisterende data og et regneark. Derefter kan I tage fejltyperne i den rækkefølge, de fylder, og flere af dem kan ofte håndteres med stamdataoprydning eller en justering af, hvilke serviceprodukter der er tilgængelige. Først når de billige indsatser er brugt, er det relevant at se på integration.

En fejlrate falder sjældent, fordi nogen beslutter, at den skal falde. Den falder, når man kan se, hvilke fejl der er de dyre, og hvor i flowet de bliver skabt. Opgørelsen tager en eftermiddag, og den giver et grundlag, der holder hele næste år.

Vil du have et udgangspunkt til kategoriseringen? Hent tjeklisten “De 10 fejl der får dine bookinger afvist” og brug den som ramme, når du gennemgår årets afvisninger.