Optimierte Prognose von Lagerkapazitäten mit KI

Ein führendes Unternehmen im deutschen Textil-Service-Management mit über 150.000 Vertragskunden stand vor einer komplexen Herausforderung: Über 1.000 verschiedene Textilprodukte müssen pünktlich bereitgestellt, geliefert und erneuert werden. Um die Warenverfügbarkeit jederzeit sicherzustellen, haben wir eine KI-Lösung auf Databricks implementiert, die den Produktverschleiß präzise vorhersagt.

Auf einen Blick:

  • Branche: Textil-Management
  • Projektziel: Verschleißprognose (Forecasting) für lagernde Textilprodukte
  • Technologien: Databricks, Delta Live Tables, Unity Catalog, MLFlow 
  • Projektdauer: 6 Monate

Wie plane ich den Produktverschleiß?

Je Lager verfügt unser Kunde über 175.000 Artikel. Dabei müssen über 150.000 Vertragskunden pünktlich mit Waren beliefert und beschädigte Waren schnell ersetzt werden. Für jeden Tag, den ein Kunde zu spät seine Produkte erhält, steigt nicht nur die Unzufriedenheit – gleichzeitig bleibt auch der Umsatz aus. Um das zu vermeiden und den Bedarf rechtzeitig mit passenden Produkten zu decken, sollte der Verschleiß so genau wie möglich vorhergesagt werden.

Vor dem Projekt hing die Vorhersage mit einer komplexen Logistikplanung zusammen, die äußerst fehleranfällig war. Lediglich 70% aller Verschleißfälle wurden pünktlich bedient.

Als Ziel legten wir fest, die Bedienquote deutlich zu erhöhen und gleichzeitig die Lagerkapazität insgesamt um 10%, also 17.500 Teile, zu senken, um Kosten einzusparen. Dazu entwickelten wir eine präzise Verschleißprognose (Demand Forecasting).

Vor diesen Herausforderungen stand unser Kunde

Umsatzverlust

Kunden erhalten ihre Waren nicht schnell genug und das Unternehmen verliert Umsatz.

Unzufriedene Kunden

Die Unzufriedenheit der Kunden steigt pro Tag ohne Ersatz für das verschlissene Produkt. 

Begrenzte Lagerkapazität

Die Lagerkapazität umfasst lediglich eine bestimmte Anzahl an Produkten. Die Vorbestellung muss deswegen gut geplant sein. 

Erfolgreiches Demand Forecasting in der Praxis

Das Datasolut-Team hat einen Machine Learning Use Case mit zwei automatisierten Pipelines auf Databricks implementiert. Die erste Pipeline ermöglicht die Nutzung strukturierter Daten aus einer zentralen Quelle, während die zweite Pipeline die Implementierung von Machine Learning-Projekten in einer sicheren Umgebung gewährleistet. Um den zukünftigen Verschleiß für jeden Kunden vorhersagen zu können, haben wir ein Regressionsmodell entwickelt, das auf historischen Artikeldaten basiert, wie z.B:

  • Artikelnummer
  • Anzahl der Waschgänge
  • Anzahl der Näh-Vorgänge
  • Durchschnittliche Material-Lebenszeit

Als Zielvariable wurde der Gesamtverschleiß pro Stichtag pro Materialnummer ermittelt. Die Materialnummer gibt dabei an, dass der Artikel z.B. aus der Kollektion “X” stammt, die Farbe „rot“ hat und der Größe „M“ entspricht.

Auf diese Weise analysierten wir historische Daten zu Reklamationen, Reparaturen und Schäden, um Muster zu erkennen und diese für das Training mehrerer maschineller Lernmodelle zu verwenden. Nach umfangreichen Tests und Validierungen wurde das genaueste Modell in die reale Umgebung integriert.

Die Ergebnisse unseres Kunden

Mit dem Regressionsmodell erkennt unser Kunde zwei Monate im Voraus, welche Kunden bei welchen Produkten Verschleiß melden werden. Durch die genaue Vorhersage konnten die Planung und der Wareneinkauf deutlich verbessert werden. Innerhalb weniger Wochen nach der Implementierung konnte die Servicerate aller Verschleißfälle von 70% auf 80% gesteigert werden. Gleichzeitig konnte durch die optimierte Planung die Anzahl der Artikel im Lager von 175.000 auf 150.000 reduziert werden. Dies führt zu Einsparungen von mehr als 300.000 € pro Jahr.

Die Datenmigration und -analyse erfolgt vollautomatisch durch die Machine Learning Plattform, so dass sich die Mitarbeiter auf die rechtzeitige Warenbestellung und die personalisierte Kundenbetreuung konzentrieren können. Durch die frühzeitige Erkennung von Verschleißerscheinungen kann der Textile Service Manager die vorbestellte Ware sofort versenden, was zu einer höheren Kundenzufriedenheit führt.

Wie gehen wir dabei vor?

1.

Datenintegration
  • Implementierung einer KI-Lösung auf Databricks zur zentralen Nutzung strukturierter Daten.
  • Nutzung historischer Artikeldaten (z.B. Artikelnummer, Anzahl der Waschgänge, Näh-Vorgänge, durchschnittliche Material-Lebenszeit) zur Erstellung eines Regressionsmodells.

2.

Modelltraining
  • Analyse historischer Daten zu Reklamationen, Reparaturen und Beschädigungen zur Identifizierung von Mustern.
  • Training und Validierung mehrerer Machine Learning-Modelle zur Vorhersage des zukünftigen Verschleißes je Kunde und Materialnummer.
  • Integration des präzisesten Modells in die reale Umgebung nach umfassenden Tests.

3.

Optimierung der Lagerplanung
  • Nutzung der Verschleißprognosen zur Verbesserung der Planung und des Wareneinkaufs.
  • Reduktion der Lagerkapazität von 175.000 auf 150.000 Artikel und Erhöhung der Bedienquote von 70% auf 80%.
  • Einsparung von über 300.000 € jährlich durch optimierte Lagerplanung und schnelle Reaktion auf Kundenanliegen.

Diese Ergebnisse konnten wir erzielen:

+10% Bedienquote

Die Bedienquote aller Verschleißfälle wurde von 70% auf 80% gesteigert, wodurch die rechtzeitige Lieferung und Kundenzufriedenheit deutlich verbessert wurden.

Reduktion der Lagerkapazität

Der Lagerbestand wurde von 175.000 auf 150.000 Artikel reduziert, was zu einer effizienteren Lagerhaltung und Kosteneinsparungen führte.

Jährliche Kosteneinsparungen

Durch die optimierte Planung und die genaue Vorhersage des Verschleißes konnten über 300.000 € pro Jahr eingespart werden.

Welche Probleme konnten durch eine KI-gestützte Segmentierung vermieden werden? 

  • Unpünktliche Lieferung
  • Überfüllte Lagerbestände
  • Sinkende Kundenzufriedenheit

Wollen Sie Ihren Kapazitätsbedarf für eine optimale Planung durch KI vorhersagen lassen? Dann kontaktieren Sie uns!

Profilbild von Vinzent Wuttke Geschäftsführer Datasolut GmbH
Vinzent Wuttke
Geschäftsführer

Lassen Sie uns sprechen und Ihr Potenzial entdecken.

Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.

In diesem Gespräch erfahren Sie:

  • Wie Ihr Use-Case technisch am besten umgesetzt werden kann
  • Wie wir maximal sicher mit Ihren Kundendaten umgehen
  • Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte
Jetzt Erstgespräch vereinbaren
Newsletter und Updates

Sie sehen gerade einen Platzhalterinhalt von HubSpot. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.

Mehr Informationen
Erstgespräch vereinbaren