Mit Forecasting-Algorithmen kann der Transporteinkauf modern gesteuert werden. Doch wie funktioniert das? Florian Seffert berichtet über die Erfahrungen der Nagel Group Logistics SE.
Die Nagel-Group ist ein internationaler Logistikanbieter mit Hauptsitz in Deutschland. Mit über 130 Standorten und einem Gesamtumsatz von mehr als 2,2 Mrd. Euro im Jahr 2022 ist die Nagel-Group ein führender Anbieter im Bereich der Lebensmittellogistik in Europa.
Nachhaltige Logistik bringt komplexe Fragen mit sich
Neben der Lagerung ist das Hauptgeschäft der temperaturgeführte Transport von Waren. Ein Großteil der Sendungen wird dabei als sogenanntes Stückgut versendet. Dies bedeutet, dass die Sendung weniger als eine gesamte LKW-Ladung umfasst und folglich mit anderen Sendungen gebündelt wird. Dies ist wirtschaftlicher und nachhaltiger, weil die verfügbaren Ressourcen – wie hier der Laderaum – bestmöglch eingesetzt werden. Um diese komplexe Aufgabe zu bewältigen hat die Nagel-Group ein eigenes Cross-Docking Netzwerk aufgebaut, welches die verschiedenen Standorte und Transportrouten miteinander verbindet.
Planung des Transporteinkaufs
Zentraler Erfolgsfaktor hierfür ist jedoch auch die Planbarkeit der Transportvolumen auf den einzelnen Verbindungen. Im Rahmen der Digitalisierungsinitiative wurden deshalb zwei Advanced Analytics Algorithmen entwickelt, um die Planung des Transporteinkaufs besser steuern zu können.
Automatische Schätzung des benötigten Stellplatzvolumens
Das erste Modul, welches im Rahmen der Initiative entwickelt wurde, ist der "Transport Volume Estimator" (TVE). Dieser kann basierend auf den Sendungsinformationen von Kundenaufträgen automatisch eine Schätzung für das benötigte Stellplatzvolumen einer Sendung erstellen. Dies ist vor allem vor dem Hintergrund wichtig, dass diese Information in den übermittelten Sendungsinformationen oft fehlt, für eine optimale Planung und Auslastung des Laderaums jedoch entscheidend ist.
Basierend auf historischen Sendungsdaten, Kundendaten und genauen Messdaten diverser Sendungen wurde ein Machine Learning Modell trainiert und als Inferenzservice an die interne Softwarelösung angebunden. So wird automatisch nach Eingang eines Kundenavises eine Schätzung für das benötigte Stellplatzvolumen abgegeben und den Disponenten als zusätzliche Information bereitgestellt.
Anzahl der Sendungen
Mithilfe des zweiten implementierten Moduls, dem "Short Term Demand Forecast", wird mittels Künstlicher Intelligenz eine Vorhersage getroffen, wie groß die Anzahl Sendungen der nächsten Tage auf einer bestimmten Verbindung ist. Dies ermöglicht unter anderem eine Erhöhung der Vorlaufzeit für die Planung der Transporte und minimiert Fehleinkäufe. Vollständige Planungsdaten würden außerdem einen vollständig automatisierten Dispositionsprozess ermöglichen.
Ebenso wie beim TVE wurde hierfür ein kombiniertes Machine Learning Modell trainiert, welches zunächst bestimmt, ob eine Sendung auftritt und anschließend wie viele Sendungen auf einer Verbindung erwartet werden. Grundlage für das Training waren dabei vor allem auch vergangene Sendungsstrukturen und weitere Einflussfaktoren, wie beispielsweise das Wetter oder Feiertage.
Digitalisierung der Nagel-Group
Insgesamt konnten mit der Umsetzung der beiden Module die ersten Grundsteine für die Digitalisierung der Nagel-Group geschaffen werden. Während bei dem SDF das angesetzte Ambitionslevel aufgrund einer mangelnden Datenbasis und zu vielen unbekannten Einflüssen zwar noch nicht vollständig erreicht werden konnte, stellt es trotzdem einen wichtigen Baustein für die Vorhersage zukünftiger Sendungen und einen besseren Planungsprozess dar. Beim TVE hingegen kann basierend auf einer ersten Einschätzung bereits jetzt die Auslastung der LKWs um bis zu 10% gesteigert werden. Auch wenn die beiden Module die ersten beiden Bausteine sind, so sind sie jedoch bereits jetzt die Wegbereiter für das langfristige Ziel der weiteren Automatisierung der Disposition und der Digitalisierung der Nagel-Group.
Lesen Sie auch:
Einsatz von Algorithmen in der taktischen Unternehmensplanung bei Mercedes Benz
Einsatz von Machine-Learning-Technologien im Umweltbundesamt