KI-gestützte dynamische Disposition

Logistikdienstleister, wie das führende Logistikunternehmen der Buch- und Medienbranche Zeitfracht GmbH, stehen vor der Herausforderung, sowohl den Service der Lieferbarkeit zu erfüllen als auch Lagerkosten für Artikel minimal zu halten. Dafür ist die präzise Vorhersage des zukünftigen Bedarfs der im Bestand vorhandenen Artikel essenziell. Im Projekt fokussieren die Zeitfracht GmbH und das Fraunhofer IAO eine dynamische Disposition. Hierfür wurden Methoden des überwachten Maschinellen Lernens für die präzise Vorhersage des zukünftigen Bedarfs eingesetzt und evaluiert. 

Dynamische Disposition mittels KI

Die präzise Vorhersage der Bedarfe auf Artikelebene verbessert die Lieferfähigkeit, reduziert Lager- und Opportunitätskosten in Form von entgangenen Umsätzen sowie Abwanderung von Kund*innen. Somit ermöglicht sie einen optimalen Service und Kapitalbindung. Die Vorhersagegenauigkeit des künftigen Bedarfs soll nun für verschiedene Methoden des überwachten Maschinellen Lernens evaluiert werden. Dafür wurde ein Datensatz mit 600.000 Artikeln und historischen Daten über 3 Jahre (2017 – 2020) von dem Unternehmen Zeitfracht GmbH zur Verfügung gestellt. Besonders herausfordernd sind Artikel, die kurzfristig ein sehr starkes und über einen längeren Zeitraum ein geringes Absatzverhalten zeigen (Long-Tail-Artikel). Hinzu kommen Neuerscheinungen und schwer vorhersehbare externe Einflüsse. Zu letzteren gehören politische, soziale oder mediale Ereignisse, welche die Nachfrage stark beeinflussen.

Projektablauf

Für die Vorhersage des künftigen Bedarfs wurden verschiedene Regressionsmodelle des klassischen Maschinellen Lernens (XGBoosting Trees aus der Familie der Ensemble Lerner) und tiefe Neuronale Netze (z.B., rückgekoppelte neuronale Netze mit Long-Short-Term Memory) exploriert. Informative Informationen wurden in Form von Merkmalen aus den historischen Daten (Bedarfe der Vergangenheit) und Metadaten der einzelnen Artikel extrahiert. Um den Merkmalsraum für die Vorhersage noch weiter anzureichern und die Gruppierung von Artikeln mit ähnlichem Absatzverhalten vorzunehmen, war ein unüberwachter Clusteralgorithmus (Fuzzy C-Means) im Einsatz. Die Clusterzugehörigkeit ist informativ hinsichtlich der Saisonalität und des Absatzverhaltens im Zeitverlauf. Besonders XGBoosting Trees konnten das Nachfrageverhalten einzelner Artikel mit einem geringen Schätzfehler pro Warengruppe vorhersagen. Dabei übertrafen sie die Vorhersagen des bereits implementierten Systems in der Genauigkeit.

Projektnutzen

• Die präzise und verbesserte Vorhersage der Bedarfe auf Artikelebene mittels ML Methoden verbessert die Lieferfähigkeit, reduziert Lager- und Opportunitätskosten in Form von entgangenen Umsätzen sowie Kundenabwanderung und ermöglicht einen optimalen Service und Kapitalbindung
• Augenblicklich manuell durchgeführte Korrekturen können in Zukunft schrittweise automatisiert werden
• Die Vorhersagegenauigkeit der Methoden des Maschinellen Lernens kann mit der des aktuell verwendeten Verfahrens verglichen werden, um mögliche Verbesserungen zu quantifizieren

Beteiligte Industriepartner

• Zeitfracht GmbH
• Kooperationspartner: Cyber Valley