Nachfrageprognose in der Logistik

Wie sieht die KI-basierte Nachfrageprognose in der Logistik aus und welche Vorteile bringt sie? Wie könnte man die Planung in der Logistik so gestalten, dass sowohl das saisonale Geschäft berücksichtigt wird, als auch die damit einhergehende Ressourcenplanung?  

In diesem KI-Use Case beschreiben wir, wie eine Nachfrageprognose in der Logistik funktioniert, warum man sie verwenden sollte und was genau alles durch die Verwendung dieser optimiert wird.

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

Welche Probleme können bei der Planung der saisonalen Geschäfte auftreten? 

Ein großes Problem in der Logistik sind saisonale Schwankungen, denn diese sind nicht immer leicht abzuschätzen. So kommt es nicht selten in dem Logistikunternehmen 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, welches nicht nur in der Erstellung, sondern auch in der Pflege der Daten sehr zeitaufwendig, fehleranfällig und nicht unbedingt treffsicher ist. 

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. 

In der folgenden Grafik ist der Prozess der Prognose abgebildet: Es wird ein Start- und Enddatum gewählt und für diesen Zeitpunkt werden Werte erhoben. Die Werte der Vergangenheit dienen der Vorhersage zukünftiger Ereignisse.

 

Ein Zeitreihenmodell dient der Vorhersage von Werten in der Zukunft auf Basis von Werten der Vergangenheit.
Die Vorhersage mit dem Zeitreihenmodell.

Wie entwickeln wir so ein intelligentes Modell? 

  1. Zunächst werden die Daten aus vorherigen Logistikprozessen gesammelt, transformiert und ausgewertet. 
  2. Anschließend werden diese Daten in ein Modell, basierend auf Deep Learning, implementiert. 
  3. 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.  

Es gibt verschiedene Herausforderung in der Logistik, die durch KI-Lösungen bewältigt werden können.
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