Nachfrageprognose in der Logistik

Wie könnte man die Planung in der Logistik so gestalten, dass sowohl das saisonale Geschäft berücksichtigt wird, als auch die damit einhergehende Ressourcenplanung?  

Wir haben uns bei der Beantwortung dieser Frage mit der Entwicklung eines Prognosetools beschäftigt. Mit diesem kann man die zukünftige Planungsphase vollständig automatisiert und datenbasiert ablaufen lassen. 

Bei Forecasting Modellen (Nachfrageprognose) handelt es sich um Prozesse, die durch Statistik und Mathematik bestimmte betriebsrelevante Kennzahlen vorhersagen. 

Hier konnten wir mit einem Logistikunternehmen zusammenarbeiten und die Probleme dieses, durch unseren innovativen Lösungsansatz beheben. Ihnen möchten wir nun gerne von unseren Erfahrungen erzählen. 

Welche Probleme können bei der Planung der saisonalen Geschäfte auftreten? 

Ein großes Problem in der Logistik sind saisonale Schwankungen. Diese Schwankungen sind nicht immer leicht abzuschätzen. Nicht selten kam es so zu Situationen, in denen der Dienstleister zu viel Personal geplant oder zu wenig Lastkraftwagen geordert hatte. Daraus resultiert ein wütender Endkunde oder Einbußen in der Profitabilität. 

Was beeinflusst die Planung in der Logistik? 

  • Die kurzfristige Nachfrage  
  • Tausend Logistikbewegungen am Tag 
  • Ressourcenplanung (z.B. Personal und Lieferwagen) 

Hinzu kommt die Verantwortung, dem Endkunden gegenüber Abschätzungen zu Lieferzeiten mitzuteilen und diese dann einzuhalten.  

Aus diesem Grund ist eine pflege von vergangenen Erfahrungswerten entscheidend für eine gelungene Planung in der Zukunft. Bisher waren die Daten nicht selten in Excel-Tabellen wiederzufinden. Diese Lösung ist nicht nur in der Erstellung, sondern auch in der Pflege der Daten sehr zeitaufwendig, fehleranfällig und nicht unbedingt treffsicher. 

Daraus entsteht: 

  • Ein hoher manueller Aufwand 
  • Eine schwache Einhaltungsquote 
  • Profitabilitätsverlust 

Wir fragen uns: Wie können wir dieses Problem geschickt lösen und was ist bei der Lösung zu beachten? 

Die KI zur intelligenten Nachfrageprognose in der Logistik 

Gemeinsam mit dem Logistikleiter setzten wir uns an die Entwicklung einer optimalen Lösung. 

Dabei wollen wir vor allem Folgendes berücksichtigen: 

  • Der Logistik- und Standortleiter soll entlastet werden 
  • Die Lösung soll in Echtzeit agieren und neue Schwankungen vorhersagen können 
  • Man soll durch die Lösung eine treffsichere Einhaltungsquote erreichen 

Die Idee: Ein smartes Tool für die Nachfrageprognose – auf Basis von Künstlicher Intelligenz. Mit diesem sollen sich kurzfristige Vorhersagen mit einem Zeitraum von zwei Wochen präzise bestimmen lassen. 

 

Zeitreihenmodell
Zeitreihenmodell.
Zeitreihenprognose in der Logistik.
Zeitreihenprognose in der Logistik.

Wie entwickeln wir so ein intelligentes Modell? 

  1. Zunächst werden die Daten aus vorherigen Logistikprozessen gesammelt, transformiert und ausgewertet. 
  1. Anschließend werden diese Daten in ein Modell, basierend auf Deep Learning, implementiert. 
  1. Um ein präzises Modell präsentieren zu können, lernen wir über hundert Modelle mit Trainingsdaten an. 

Unter anderem berücksichtigen wir bei der Entwicklung des Tools folgende Variablen: 

  • Standort 
  • Jahreszeit 
  • Ferienzeiten der einzelnen Bundesländer 
  • Regionen und regionale Gegebenheiten 
  • Personal 
  • Historische Wetterdaten (wie bspw. durchschnittliche Temperatur der letzten 10 Tage) 
  • u.v.m 

Hier heben wir uns bereits maßgeblich von der bisherigen, manuellen Planung ab.  

KI Lösung für die Logistik
KI Lösung für die Logistik

Das Ergebnis der Nachfrageprognose für den Logistiker 

Die Logistik- und Standortleiter können sich auf ein valides, intelligentes Tool verlassen. 

Dieses liefert ihnen für einen Zeitraum von zwei Wochen die benötigten Daten, um: 

  • Ressourcen passend zu planen  
  • Termine einzuhalten 
  • Rechtzeitig auf äußere Faktoren zu reagieren 

Besonders wichtig war uns dabei, ein Tool zu entwickeln, welches immer wieder in Echtzeit neue Daten auswirft. Deshalb haben wir uns für den Prognosezeitraum von zwei Wochen entschieden. So konnten unter anderem Personaleinsatzpläne passend gestellt werden, als auch genügend LKWs geplant werden.  

Als Outcome erhalten wir: 

  • Zufriedene Kunden 
  • Gesparte Kosten 
  • Gesteigerte Effizienz in vielen Bereichen 

Sollten Sie weitere Fragen zu unserm Nachfrageprognosetool haben, können Sie sich gerne jederzeit an uns wenden. Wenn Sie sich für weitere spannende Fakten rund um das Thema KI interessieren, schauen sie auch gerne auf unserer Lösungsseite vorbei.

 

 

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Weitere KI Use Cases

Interessante Blogbeiträge

Download:

KI Use Cases für Marketing und Vertrieb

Jetzt eintragen und spannende KI-Projektbeispiele aus der Praxis erhalten:

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.