KI-gestütze dynamische Disposition

Das richtige Buch zur richtigen Zeit am richtigen Ort

Ausgangssituation

Logistikdienstleister 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. Zeitfracht GmbH ist ein führendes Logistikunternehmen der Buch- und Medienbranche mit Zulieferungen an bis zu 6500 Buchhändler. Augenblicklich werden die zukünftigen Bedarfe der Artikel aus den historischen Daten der letzten 30 Tage mit einem regelbasierten Verfahren geschätzt und nachträglich manuell durch Experten im Einkauf adjustiert. Das Verfahren kann jedoch den zukünftigen Bedarf nur für gewisse Artikel vorhersagen und weist einen relativ hohen Schätzfehler für einzelne Warengruppen auf.

Lösungsidee

Die Vorhersage des zukünftigen Bedarfs soll nun mittels Methoden des überwachten Maschinellen Lernens verbessert werden. Dafür bedarf es der Aufbereitung der Daten pro Artikel, um eine Vorhersage auf Artikelebene für den nächsten Zeitschritt (Tages- oder Wochenbasis) zu ermöglichen, sowie der Extraktion von aussagekräftigen Informationen in Form von relevanten Merkmalen für die Vorhersage. Dabei sollen Merkmale aus den historischen Daten (Bedarfe der Vergangenheit) extrahiert (u.a. mittels unüberwachter Clusteranalysen) und mit Metadaten der einzelnen Artikel kombiniert werden. Für die Vorhersage können Regressionsverfahren des klassischen Maschinellen Lernens oder tiefe Neuronale Netze verwendet werden.

Nutzen

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 somit einen optimalen Service und Kapitalbindung. Augenblicklich manuell durchgeführte Korrekturen können in Zukunft schrittweise automatisiert werden. Die Vorhersagegenauigkeit kann mit der des aktuell verwendeten Verfahrens verglichen werden, um mögliche Verbesserungen zu quantifizieren.

Umsetzung der KI-Applikation

Für die Vorhersage wurden verschiedene Regressionsmodelle des klassischen Maschinellen Lernens (ARIMA Modelle sowie XGBoosting Trees aus der Familie der Ensemble Lerner) und tiefe Neuronale Netze (rückgekoppelte neuronale Netze mit Long-Short-Term Memory) exploriert. Dabei wurde ein Datensatz mit 600.000 Artikel und historischen Daten über 3 Jahre (2017 – 2020) verwendet. Zu den größten Herausforderungen des Datensatzes gehören Long-Tail-Artikel, Neuerscheinungen und schwer vorhersehbare externe Einflüsse, die die Nachfrage stark beeinflussen, wie z. B. politische, soziale oder mediale Ereignisse. Um den Merkmalsraum für die Vorhersage anzureichern, wurde ein unüberwachte Clusteralgorithmus (Fuzzy C-Means) verwendet, um Artikel mit ähnlichem Absatzverhalten zu gruppieren. Die Clusterzugehörigkeit kann (a) als weiteres informatives Merkmal zur Erfassung von Saisonalität und des Absatzverhaltens im Zeitverlauf und (b) als wichtiger Indikator für das Unternehmen (Entscheidungshilfe für die Sortiment-Auswahl) verwendet werden. Besonders XGBoosting Trees konnten das Nachfrageverhalten einzelner Artikel mit einem geringen Schätzfehler pro Warengruppen vorhersagen und übertrafen dabei die Vorhersagen des bereits implementierten Systems in der Genauigkeit. Die Ergebnisse des Projektes sollen nun im nächsten Schritt für den Einsatz in einer produktiven Umgebung in Kooperation mit Zeitfracht GmbH weiterentwickelt werden.

 

Ausgangssituation

Als Zulieferer von 6500 Buchhändlern ist die präzise Vorhersage der Nachfrage der im Bestand vorhandenen Artikel essentiell. Augenblicklich verwendete Verfahren basieren auf vergangenen Nachfragen der letzten 30 Tage ohne die Integration von weiteren Parametern und benötigen zudem eine manuelle Adjustierung.

Lösungsidee

Die Nachfrage eines jeden Artikels soll präzise mittels K I- Methoden vorhergesagt werden. Hierbei soll die Natur der Daten adäquat im Modell abgebildet sein und neue Informationen zu den einzelnen Artikeln mittels intelligenter Verfahren aus den Daten geschöpft werden, (z.B., mittels Ähnlichkeitsanalysen oder intelligenter Texterkennung für Freitexte). Durch das stetige Trainieren des Modells mit neuen Datensätzen soll die Vorhersage der Nachfrage laufend verbessert werden. Die Datenexploration zeigte, dass sowohl die Wahl der für das Training verwendeten Zeitfenster als auch die Entscheidung für verschiedene Modelle für Artikelgruppen mit signifikant unterschiedlichem Nachfrageverhalten relevant ist. Die Zuordnung zu den Artikelgruppen kann ebenfalls mittels Clusteranalysen und KI-gestützten Methoden realisiert werden.

© Fraunhofer IAO

Nutzen

Die präzise Vorhersage der Nachfrage mittels KI verbessert die Lieferfähigkeit, reduziert Lagerkosten und Kundenabwanderung und ermöglicht somit einen optimalen Service und Kapitalbindung. Augenblicklich manuell durchgeführte Korrekturen können somit automatisiert werden. Die Vorhersagegenauigkeit kann mit der des aktuell verwendeten Modells verglichen werden, um mögliche Verbesserungen zu quantifizieren. Mittels Integration von betriebswirtschaftlichen Überlegungen, welche die Firmenstrategie beschreiben (u.a. Kosten–Nutzen Funktionen und Kostenoptimierung über verschiedene Parameter) kann die Wirtschaftlichkeit des Unternehmens verbessert werden.

Umsetzung der KI-Applikation 

Sowohl die Datenlage mit historischen Daten über 3 Jahre für 600.000 Artikel als auch die IT-Infrastruktur des Unternehmens erweisen sich als geeignet für KI-Methoden. Für die Vorhersage bedarf es Modelle, die spezialisiert auf Zeitreihen sind. In ersten Explorationen erzielten autoregressive integrierte gleitende Durchschnittsmodelle vielversprechende Ergebnisse. Die Erweiterung dieser Modelle mit exogenen Faktoren (z.B., Einflussvariablen wie der Ladenpreis des Artikels) oder rückgekoppelte neuronale Netze zur Verbesserung der Vorhersage sollen in zukünftigen Schritten exploriert werden. Für die präzise Vorhersage sind allerdings weitere Datenbereinigungs- und aufbereitungsschritte nötig. Schwierigkeiten der Datenlage sind große Unterschiede im Nachfrageverhalten, umsatzleere Zeiträume für eine Vielzahl von Artikeln, das Fehlen von eindeutigen Trends über einen kurzen Zeitraum (Sprunghaftigkeit auf Wochenlevel) und temporäre starke Ausreißer.