Kommentar von Nils Funke, AIM Agile IT Management Diesen Mehrwert bringt Predictive Analytics in der Logistik

Autor / Redakteur: Nils Funke / Nico Litzel

Künstliche Intelligenz hat sich in jüngster Vergangenheit erheblich weiterentwickelt. So sind KI-basierte Technologien mittlerweile in der Lage, präzise Vorhersagen zu unternehmerischen Fragestellungen zu liefern. Dies gilt auch für die Logistik. Welche spannenden Anwendungsfälle es für Predictive Analytics in diesem Bereich gibt, wo die Mehrwerte liegen und welche Hürden vor dem ersten Einsatz noch überwunden werden müssen, beleuchtet dieser Artikel.

Anbieter zum Thema

Der Autor: Nils Funke ist Product Owner im Bereich KI & Machine Learning bei AIM Agile IT Management
Der Autor: Nils Funke ist Product Owner im Bereich KI & Machine Learning bei AIM Agile IT Management
(Bild: AIM Agile IT Management)

Unternehmen vieler Branchen kämpfen mit zunehmend schwierigen Rahmenbedingungen. Einerseits werden Kunden immer anspruchsvoller was die Individualität, Konfigurierbarkeit, den Variantenreichtum, den Preis und die Lieferzeit von Produkten betrifft. Andererseits gilt es, Kosten und Kapitalbindung zu reduzieren, um dem globalen Wettbewerbsdruck standhalten zu können. Erschwerend gesellen sich Themen wie knappe Personalressourcen, fragile Lieferketten und steigende Anforderungen an die Ökobilanz hinzu.

Begegnen lässt sich diesen Herausforderungen nur durch die Nutzung moderner Technologien. Ein wichtiges Betätigungsfeld ist in diesem Kontext der Einsatz von Predictive Analytics in der Logistik. Denn industrielle KI ist mittlerweile in der Lage, auf Basis interner und externer Informationen sehr genaue Vorhersagen zu zukünftigen Entwicklungen zu treffen. Das gilt für die Intralogistik ebenso wie für Entwicklungen entlang der gesamten Supply Chain. Auf dieser Basis lassen sich wiederum Maßnahmen besser planen, Prozesse verbessern, Abläufe automatisieren und neue Erkenntnisse gewinnen.

Greifbar werden die Potenziale am besten anhand konkreter Beispiele. Betrachten wir die Einsatzmöglichkeiten von Predictive Analytics daher im Folgenden genauer – und zwar getrennt nach den Bereichen Handelslogistik, Intralogistik und Transportlogistik.

Predictive Analytics in der Intralogistik

In der Intralogistik haben Unternehmen unter anderem das Ziel, die Durchlaufzeiten vom Auftragseingang bis zum Versand der Ware möglichst kurz zu gestalten. Hierfür setzen sie auf verschiedene organisatorische Konzepte. Gängig ist etwa die zweistufige Kommissionierung. Dabei werden mehrere Aufträge zu einem Gesamtauftrag gebündelt, artikelorientiert kommissioniert und erst in einem zweiten Schritt auftragsorientiert gepackt. Entnahme und Zusammenstellung von Kundenaufträgen sind also voneinander entkoppelt, wodurch sich Laufwege der Mitarbeiter reduzieren lassen.

Um die positive Wirkung des Ansatzes zu maximieren, gibt es grundsätzlich zwei Hebel: Eine noch größere Nähe von Artikeln und eine noch bessere Bündelung von Aufträgen. Nachdem sich aktive Sortimente heute jedoch kontinuierlich verändern und kleinteilige Aufträge an der Tagesordnung sind, reichen klassische ABC-Analysen oftmals nicht mehr aus, um diese Ziele zu erreichen. Weiterhin entsteht nur dann ein Mehrwert, wenn der Aufwand für Umlagerungen den Gewinn der Wegeoptimierung nicht übersteigt. Somit müssen bereits die Einlagerungen möglichst vorausschauend erfolgen. Begegnen lässt sich diesen Herausforderungen mit Predictive Analytics.

Beispiel Wegeoptimierung
Beispiel Wegeoptimierung
(Bild: AIM Agile IT Management)

Handelslogistik: KI-gestützte Absatz- und Bedarfsprognosen als Basis

Die traditionelle ABC-Analyse ist eine reine Vergangenheitsbetrachtung und zudem relativ statisch. Anders stellt sich die Situation beim Einsatz von Predictive Analytics in der Logistik dar. Denn versorgt mit (Echtzeit-)Daten aus mehreren Quellen – etwa aus einem ERP-System, der Lieferkette und den externen Quellen (z. B. Wetter, Ferien, Feiertag) – können entsprechende Algorithmen präzise Vorhersagen zu bevorstehenden Bedarfen und Absatzmengen liefern. Ziel ist es zum einen die manuelle und aufwendige Planung zu automatisieren, da noch häufig händisch mit Excel und dem so genannten Bauchgefühl gearbeitet wird.

Zum anderen kann erfahrungsgemäß die Prognosequalität erheblich verbessert werden, wodurch Engpässe vermieden werden können, die Liefertreue gesichert werden kann sowie Über- und Unterkapazitäten besser eingeplant werden können (z. B. Personaleinsatz, Betriebsmittel). Ebenso kann die KI Muster identifizieren, die darüber Auskunft geben, welche Artikel häufig kombiniert bestellt werden. Mit diesem Wissen lassen sich Produkte intelligenter im Lager positionieren, und zwar bereits bei der Einlagerung. Ebenso kann der Bedarf an Umlagerungen minimiert werden. Vorstellbar ist es sogar, dynamische Artikelmuster aus Teilmengen des Lagerbestandes zu bilden, um zusätzliche Optimierungen zu realisieren.

Ein weiterer Pluspunkt: Wenn Unternehmen analysieren, welche Treiber und Eigenschaften die Muster besitzen, erhalten sie neue Einblicke – etwa zum Bestellverhalten von bestimmten Kundengruppen oder Regionen. Diese Muster erlauben es wiederum, Wege und Zeiten in der Kommissionierung weiter zu verkürzen sowie die Vorkommissionierung und das Batching besser zu steuern.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Prognose durch die automatisierte Nutzung komplexer, historischer Informationen über interne sowie externe Einflussfaktoren wie Ferien/Feiertage, Wetter, usw.
Prognose durch die automatisierte Nutzung komplexer, historischer Informationen über interne sowie externe Einflussfaktoren wie Ferien/Feiertage, Wetter, usw.
(Bild: AIM Agile IT Management)

Predictive Analytics in der Transportlogistik

Ein zweites vielversprechendes Anwendungsgebiet für Predictive Analytics ist die Transportlogistik. Denn entlang der teils komplexen Lieferketten entstehen heute große Mengen von Daten, die mithilfe von Machine Learning sinnvoll genutzt werden können. Die Rede ist hierbei auch von Predictive Supply Chain. Entsprechende Lösungen nutzen interne und auch externe Daten in Echtzeit, um Entwicklungen automatisch vorherzusagen.

Mitunter verbergen sich in den Supply-Chain-Daten Muster, die eine Prognose benötigter Transporte, Transportmittel und Fahrzeuge erlauben. Berücksichtigt werden hierbei nicht nur historische Informationen aus internen Systemen, sondern auch Echtzeitdaten wie das Wetter, Feiertage oder Ferien. Dies hilft Unternehmen dabei, ihre Transportkapazitäten vorausschauend anzupassen und systematische Veränderungen frühzeitig zu erkennen.

Weiterhin unterstützen Predictive-Analytics-Systeme die Automatisierung von Steuerungs- und Planungsprozessen in der Logistik. So können KI-Lösungen etwa mithilfe von Ist-Daten und Entscheidungen von Disponenten trainiert werden, um später eigenständig Vorschläge für die Tourenplanung zu unterbreiten oder Transport- und Standzeiten vorherzusagen.

Predictive Analytics in der Logistik: So überwinden Unternehmen die anfänglichen Hürden

Halten wir als Zwischenfazit fest: Predictive Analytics hat enormes Potenzial in der Logistik. Das haben viele Unternehmen auch bereits erkannt. Doch woran liegt es dann, dass KI-Technologie in der Praxis bisweilen noch selten zum Einsatz kommt?

Oftmals wissen Unternehmen schlicht nicht, wie sie den Einstieg in das Thema finden sollen. Weitere Barrieren sind fehlende Budgets, eine fehlende Datenbasis oder eine zu geringe Rückendeckung der Geschäftsleitung. Glücklicherweise gibt es Methoden, mit denen diese Hürden aus dem Weg geräumt werden können. Empfehlenswert ist etwa folgender Ansatz:

  • Agiles, iteratives Vorgehen wählen: in kleinen Schritten schnelle Zwischenerfolge erzielen
  • Daten-Quick-Check durchführen: vorhandene Daten an erfahrene Dienstleister übergeben, um deren Eignung für mehrwertige Anwendungsfälle prüfen zu lassen
  • Proof of Concept: ein bis zwei erste Use Cases auswählen, Machbarkeit nachweisen
  • Minimum Viable Product (MVPs) erstellen: erste produktive Version mit kleinstmöglichem Funktionsumfang realisieren, die jedoch vollständigen Mehrwert generiert

Sind die ersten Prototypen und MVPs schließlich vielversprechend und erfolgreich, kann das KI-Projekt auf dieser Basis schrittweise weiter ausgebaut werden.

Fazit: wichtiger Schritt in die Zukunft der Logistik

KI ist mittlerweile praxistauglich. Das zeigen auch die konkreten Beispiele für den Einsatz von Predictive Analytics in der Logistik. In Zukunft werden präzise Prognosen immer häufiger dazu beitragen, logistische Prozesse zu verbessern, Kosten zu senken und nachhaltiges Wirtschaften zu unterstützen. Aufgrund der hohen Potenziale sollten Unternehmen jetzt damit beginnen, potenzielle Anwendungsfälle zu identifizieren. Oftmals kann dabei eine Exploration der bereits vorhandenen Daten hilfreich sein. Und dank der zunehmend verfügbaren Standards ist der Weg zum ersten Prototypen dann nicht mehr weit.

(ID:47762477)