Für einen Kunden im Bereich des Ladungsträgermanagements entwickelte die ProCon-Experts einen Algorithmus, der mittels KI Vorschläge für mögliche Transportwege, zu wählende Partner und Umsatz- sowie Kostenkalkulationen innerhalb Europas erstellt. Mustererkennung und Bedarfsprognosen liefern Ansatzpunkte für Automatisierungen oder Optimierungen. Resultate sind nachhaltige und optimierte Routen, reduzierter Ressourcenaufwand und die Verbesserung des betriebswirtschaftlichen Ergebnisses.

Zielpublikum: Entscheider, Manager, Entwickler, IT-affine
Voraussetzungen: keine
Schwierigkeitsgrad: Basic

Extended Abstract:
Der Kunde bietet umfangreiche Services in den Bereichen der Bereitstellung, Anlieferung, Abholung und Instandsetzung von Ladungsträgern (wie z. B. Europaletten, Gitterboxen, Euro-Plastik-Boxen) im europäischen Raum an. Des Weiteren ermöglicht das Pooling-Konzept des Kunden die mehrfache, branchenübergreifende und wesentlich nachhaltigere Nutzung von Ladungsträgern.

Bislang wurden die Disposition der Ladungsträger und die Organisation der Transporte mittels komplexer und zeitaufwendiger Prozesse manuell vorgenommen. Dies beinhaltete die Benutzung mehrerer, nicht miteinander verbundener Systeme, sowie eine Vielzahl von Abstimmungen mit den Partnern im Netzwerk. Die Qualität des Ergebnisses basierte einzig auf der langjährigen Erfahrung und dem Wissen des jeweiligen Mitarbeiters. Das schränkte die Wachstumsmöglichkeiten der Unternehmensgruppe signifikant ein. Die Gewinnmarge war, auch bei einem Wachstum, nahezu identisch. Skaleneffekte blieben weitestgehend aus.

Hauptgeschäft des Kunden ist die Vermietung von Ladungsträgern. Hierbei werden Bestellungen und Rückführungen von Kunden so miteinander verbunden, dass eine möglichst hohe Wiederverwendung erreicht wird. Die Kombination von Bestellungen und Rückführungen wird als Match bezeichnet und ist aufwendig manuell zu bilden gewesen. Zusätzlich sind noch Transportrouten, Abhol- und Anlieferungszeitpunkte zu planen sowie Verfügbarkeiten mit den Partnern abzustimmen.

Im Best-Match-Projekt wurden alle Planungsschritte inkl. Restriktionen durch eine selbst entwickelte Künstliche Intelligenz (KI) miteinander kombiniert. Ergebnis war die Ausgabe von Vorschlägen für zu bildende Matches, die Auswahl von Transportpartnern und die Berechnung von optimierten Routen, Umsätzen und Kosten basierend auf aktuellen und historischen Daten.

Im Tagesgeschäft bedeutet dieser Umstieg auf KI-unterstützte Prozesse folgende Performancesteigerung: Die KI berechnet aus den vorliegenden Aufträgen ca. 180.000 Match-Vorschläge innerhalb von 5 Minuten, wo die Mitarbeiter vorher nur eine niedrigere dreistellige Anzahl pro Tag erstellten. Die Ergebnisse inkl. Empfehlungen zur Sicherung von Lagerbeständen, Kundenzufriedenheit, Fahrstreckenminimierung, Profit und mehr werden für die Mitarbeiter visuell aufbereitet und können mittels Filtern und Sortierungen für den jeweiligen Zweck einfach eingeschränkt werden. Der ausgewählte Vorschlag wird folgend in das ERP-System übernommen und weiterverarbeitet. Zusätzlich wird das anonymisierte Auswahlverhalten mittels Machine Learning getrackt, um wiederkehrende Transporte zu erkennen, automatisiert im System umzusetzen und den Mitarbeitern Kapazitäten für komplexere und neue Anfragen zu geben.