Fraunhofer SCS zeigt Potenziale der Datenanalyse

Die Fraunhofer-Arbeitsgruppe für Supply Chain Services (SCS) präsentiert auf dem Deutschen Logistik-Kongress in Berlin Datenanalyse-Verfahren und Methoden, die auf künstlicher Intelligenz (KI) basieren. Die Technik könnte die Supply Chain den Forschern zufolge revolutionieren. Mit Hilfe von Data Analytics könnten zum Beispiel immer mehr Anwendungen in der Lieferkette optimiert werden, beispielsweise im Netzwerkmanagement, bei der Kennzahlenermittlung, der Vorhersage von Kundenbedarfen, notwendigen Lagerbeständen oder kritischen Ereignissen, wie beispielsweise Verspätungen.

Gerade in der Prognose stecken große Potenziale, vor allem wenn die richtigen Verfahren intelligent kombiniert werden. Deshalb werden aktuell in den Forschungsprojekten „KITE“, „PRODAB“ und „BSH-Ersatzteilprognose“ Prognose- und Optimierungsmethoden so miteinander verknüpft, dass Tourenplanungen, logistische Prozesse und Ersatzteilbedarfe besser vorhergesagt und damit effizienter bearbeitet werden können.

Eine der großen Herausforderungen im Umgang mit dem Klimawandel ist die Senkung der Treibhausgasemissionen im Verkehr. Gerade der gewerbliche Güterverkehr hat dabei hohes Potenzial, denn ein beträchtlicher Anteil der Lkw-Fahrten ist nicht optimal ausgelastet. Im Projekt „KITE“ entwickeln die Forscher deshalb ein neues KI-basiertes Verfahren zur Tourenplanung, mit dem Leerfahrten reduziert werden können. Als Projektpartner engagieren sich die Unternehmen Optitool, die BLG Logistics Group sowie Schmahl & Stoepel.

Gezielte Prozessverbesserung

Die Ursachen und Auswirkungen von Einflüssen und Störungen auf logistische Prozesse können Unternehmen bislang nur schwer messen. Im Projekt „PRODAB“ werden diese für spezifische Prozesse nun systematisch erfasst. Eine Software gibt anschließend Empfehlungen zur gezielten Prozessverbesserung oder zur optimalen Allokation von Ressourcen. In einem konkreten Anwendungsfall kommen in „PRODAB“ die Prozesse im innerbetrieblichen Transport auf den Prüfstand, insbesondere die Logistikplanung, die Kommissionierung und der Warenausgang. Mit einem Industriepartner soll ein Tool entwickelt werden, das den Nutzerinnen und Nutzern klar visualisiert, wo, wann und welche Prozessabweichungen zu erwarten sind, damit auf Basis der ergänzend ebenfalls aufgezeigten relevanten Parameter zur Ursachenanalyse schnell die richtigen Maßnahmen ergriffen werden können.

Dafür muss nicht nur klar sein, wie die einzelnen Bereiche zukünftig – hier im Zeithorizont eines Tages – aufgrund des Sendungsaufkommens ausgelastet sein werden, sondern auch welche Lieferungen bis zu welchem Zeitpunkt verladen sein müssen. Nur dann können die kritischen Prozessschritte identifiziert und beispielsweise Mitarbeiterinnen und Mitarbeiter rechtzeitig umbeordert oder Lieferungen anders priorisiert werden.

Prognose Ersatzteilbedarf

Die BSH Hausgeräte GmbH in Fürth ist einer der größten Hausgerätehersteller in Europa. Durch die Zusammenarbeit mit SCS und des ADA Lovelace Centers for Analytics, Data and Applications in Nürnberg wollte BSH Kosten reduzieren, die durch die Lagerung von Ersatzteilen entstehen. Dafür wurde auf Basis von Methoden des maschinellen Lernens ein Langzeitprognose-Tool für den Allzeitbedarf der Ersatzteile entwickelt. Dank der KI-Methode kann das Unternehmen heute Lagerräume besser nutzen, Über- und Unterdeckung reduzieren und Verschrottungskosten minimieren. Das entwickelte Tool wird nun zur Unterstützung von Disponenten weltweit eingesetzt.

Wie die zahlreichen Projekte zeigen, erfährt das Forschungsgebiet Data Analytics im Supply Chain Management eine wachsende Aufmerksamkeit. In den vergangenen Jahren erfassen die Unternehmen in diesen Lieferketten immer durchgängiger die relevanten Prozessdaten, und der verfügbaren Rechenleistung sind kaum noch Grenzen gesetzt. Eine Vision wird also langsam Wirklichkeit: Immer mehr Entscheidungen entlang der Lieferkette können automatisiert oder teilautomatisiert auf Basis von Daten solide getroffen werden. Dabei helfen Analytics-Methoden.

Neues Whitepaper

Ein neues Whitepaper der Arbeitsgruppe gibt eine Übersicht über gängige Analytics-Methoden und betrachtet ihre Anwendungsfälle im Supply Chain Management. In Beispielen aus der Praxis wird der Stand der Technik erläutert und ein Ausblick auf künftige Forschungs- und Entwicklungsfelder entlang der Wertschöpfungsketten gegeben. Bei den Methoden und ihre Anwendungen im Supply Chain Management wird unter Machine Learning und mathematischer Optimierung unterschieden.

Das Whitepaper wird ebenfalls auf dem Deutschen Logistik-Kongress vorgestellt. Die Arbeitsgruppe SCS ist zu finden im Hotel Intercontinental, L.A. Passage Stand LA01. (rok)