KNOW YOUR DATA: PERSONAL ENTLASTEN UND LAGERBESTÄNDE REDUZIEREN

Viele Mittelständler stehen vor dem gleichen Problem: Manufacturing-Unternehmen produzieren eine immer größere Vielfalt an Geräten und Zubehör mit immer mehr Konfigurationen. Das hat ein immer größer werdendes Volumen an Teilen zur Folge. Gleichzeitig spielen der Service und die Reaktionszeit eine immer größere Rolle für die Kunden. Jedoch begegnen viele Unternehmen der Planung von Lagerbeständen und Bestellungen mit klassischen, manchmal sogar verstaubten Prozessen und Methoden. Das führt zu einer immer größeren Belastung der Mitarbeiterinnen und Mitarbeiter, vollen Lagern und letztlich zu einer unnötig hohen Kapitalbindung.

Unser Kunde stellte die klare Anforderung, den Lagerbestand der ca. 75.000 Ersatzteile zu reduzieren. Durch die hohe Anzahl an Teilen war von Anfang an klar, dass eine Optimierung der bestehenden Abläufe nur über eine fortgeschrittene Automatisierung derselbigen erreicht werden kann.

Nachdem sichergestellt war, dass relevante Daten vorhanden sind und am Ende der Auswertung mit hoher Wahrscheinlichkeit ein positiver Return on Investment (ROI) zu erwarten ist, wurde auf Basis existierender Logistik-KPIs im Unternehmen eine datenwissenschaftliche Metrik aufgebaut; diese stellte die Grundlage des Trainings sowie der Evaluierung der Machine Learning Algorithmen dar. Die Algorithmen lernen dabei auf Basis historischer Daten und berücksichtigen saisonale Faktoren, Materialkriterien und weitere Informationen. All das ist essentiell, um die Präzision der Vorhersagen noch genauer zu gestalten. Hierfür wurde von uns ein System erstellt, das moderne Deep Learning Algorithmen mit etablierten statistischen Verfahren kombiniert. Das Ergebnis? Der Algorithmus berechnet zum richtigen Zeitpunkt die Wahrscheinlichkeit, dass eine bestimmte Menge an Teilen an einem bestimmten Ort im Logistiknetzwerk des Unternehmens benötigt werden wird.

Durch unser Verfahren erhielt das Unternehmen neben einer verbesserten Prognose ebenso ein tieferes Verständnis für den Verbrauch von Teilen und die Einflussfaktoren für Abweichungen. All das trägt dazu bei, dass potentielle Brandherde früh erkannt und bekämpft werden können. In der Folge können Probleme in den Abläufen schnell entdeckt und behoben werden; ebenso können potenziell auftretende Negativszenarien dank der eruierten Datenlage proaktiv diagnostiziert werden. Das ermöglicht nicht nur eine höhere Flexibilität, sondern hilft auch dabei, das Lagervolumen und die damit einhergehende Kapitalbindung zu minimieren. 

UPGRADE YOUR DATA: DIE SPRACHE DES KUNDEN IN EINEN ANGEWANDTEN ALGORITHMUS ÜBERSETZEN

Zu Beginn startete unser Team mit der Datensichtung und einer Machbarkeitsanalyse auf Basis des herausgearbeiteten Datensatzes. Hierbei wurde schnell klar, dass im Vergleich zur damals verwendeten Planungsstrategie ein hoher Mehrwert zu erzielen ist. Durchschnittlich werden in Lagern, die der Größe des Kundenlagers entsprechen, pro Tag zirka 50.000 Lagerbewegungen vorgenommen. Teile werden bestellt, verbaut und versandt – alles ist ständig in Bewegung. Die dafür verwendeten Systeme sind oft in die Jahre gekommen. Nichtsdestotrotz stellen sie für das Unternehmen nach wie vor eine Investition dar und können nicht einfach abgeschaltet oder ausgetauscht werden – zumal die meisten Mitarbeiterinnen und Mitarbeiter die Prozesse bereits verinnerlicht haben. Diese Systeme bieten jedoch den Vorteil, dass sie alle benötigten Daten enthalten, um die Lagerprozesse budgetfreundlich zu optimieren.

CODE WITH YOUR DATA: MASSGESCHNEIDERTE DATENANALYSE TRIFFT INDIVIDUELLE CLOUD-LÖSUNG

In mehreren Sprints wurden die erhobenen Datensätze evaluiert und die Verfahren weiter präzisiert, bis ein optimaler Servicelevel bei minimalem Lagerbestand erreicht war. Der Ersatzteilbestand kann mit dieser Lösung bei gleichem Service-Level um bis zu 15% reduziert werden. Im Anschluss wurde die neue Logistikprognose in die beim Kunden vorhandenen SAP ERP und BW Systeme integriert. Dies schützt die Investition mit Bezug auf die bestehenden Systeme und reduziert den Aufwand der Prozessintegration. 

Der über Jahre zurückreichende Trainingsdatensatz und die angewandten Machine Learning Algorithmen benötigen für einen Durchlauf beträchtliche Rechenkapazitäten. Da aber die Planung in wöchentlichen Zyklen stattfindet, bietet die Cloud passende Compute-Ressourcen on demand. Diese sind kostengünstig im Betrieb, skalierbar und serverless verfügbar. Aus diesem Grund läuft unsere Lösung in der Virtual Private Cloud (VPC) des Kunden. Das bedeutet, dass die Unternehmensdaten das Cloud-Rechenzentrum nicht verlassen. Dies entspricht exakt dem Sicherheitsbedürfnis des Kunden hinsichtlich der Verarbeitung schützenswerter kritischer Prozessdaten. Die Implementierung erfolgte in Microsoft Azure. 

Die technische Lösung basiert sowohl auf statistischen Methoden als auch auf Deep Learning für die Zeitreihenanalyse. Die von uns aufgebauten Algorithmen repräsentieren den neuesten Stand der Technik in der Logistikbranche. Ähnliche Methoden werden unter anderen in den Lagerhäusern von Amazon und Zalando entwickelt und eingesetzt. Die Bausteine sind innerhalb moderner Containertechnologie mittels Docker und Kubernetes verpackt und werden auf Serverless-Umgebungen in der Cloud gehostet. Die Algorithmen wurden in Apache MXNet, einem Deep Learning Framework, sowie in den Data Science Tools in Python implementiert.

Wie Prognosealgorithmen bei der Bestandsverwaltung helfen können.

Wie die SAP Systeme und die Datenplattform des Kunden auf Azure zusammenarbeiten.

Der Weg von der Aufbereitung der Daten bis zur endgültigen Lösung.

Oft bieten die bereits verwendeten Systeme wie SAP alle Daten, die gebraucht werden, um die Lagerprozesse weiter budgetfreundlich zu optimieren.

Die von uns aufgebauten Algorithmen ermöglichen in der Lagerwirtschaft nicht nur eine höhere Flexibilität, sondern sie helfen auch dabei, das Lagervolumen und die damit einhergehende Kapitalbindung zu minimieren.