Wie sieht die KI-basierte Nachfrageprognose in der Logistik aus und welche Vorteile bringt sie? Wie können Sie Ihre logistische Planung so gestalten, dass sowohl das saisonale Geschäft berücksichtigt wird, als auch die damit einhergehende Ressourcen?
In diesem KI-Use Case beschreiben wir, wie eine Nachfrageprognose in der Logistik funktioniert, und warum Sie KI in Ihrem Unternehmen brauchen.
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 Logistikunternehmen arbeitete mit uns an einer Lösung zur Vorhersage des saisonalen Geschäfts. Schwer absehbare saisonale Schwankungen bedrohen die Profitabilität eines jeden Logistikunternehmens und so auch unseren Kunden. In dem Fall des deutschlandweit agierenden Unternehmens kommt es nicht selten vor, dass unvorhergesehen Personal entfällt, die Nachfrage die Planung übersteigt oder Routen verschwenderisch geplant werden. Daraus resultiert ein wütender Endkunde oder Einbußen in der Profitabilität.
Was beeinflusst die Planung in der Logistik?
- kurzfristige Nachfragen
- saisonale Schwankungen
- Tausend Logistikbewegungen am Tag
- Ressourcenplanung (z.B. Personal und Lieferwagen)
- Routenplanung
Hinzu kommt die Verantwortung dem Endkunden gegenüber ihm zeitnah Abschätzungen zu Lieferzeiten mitzuteilen und diese dann einzuhalten.
Aus dem 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.
Wie entwickeln wir so ein intelligentes Modell?
- Zunächst sammeln wir die Daten aus vorherigen Logistikprozessen, transformieren diese und werten sie schließlich aus.
- Anschließend implementieren wir diese Daten in ein Modell, basierend auf Deep Learning.
- 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.
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, als auch genügend LKWs geplant werden.
Als Outcome erhalten wir:
- Eine gesteigerte Kundenzufriedenheit
- Die Einsparung von Kosten um bis zu 20%
- Entlastete Mitarbeiter
Sie haben Fragen zu unserem Nachfrageprognosetool? Dann melden Sie sich! Wenn Sie sich für weitere spannende Fakten rund um das Thema KI interessieren, schauen sie auch gerne auf unserer Lösungsseite vorbei.