Logistics Control Tower

Ausgangssituation

Die LGI-Tochterfirma ITG kümmert sich in München-Schwaig um die logistische Abwicklung der Artikel verschiedener Unternehmen. ITG versorgt dabei stationäre Handelspartner, Online-Plattformen sowie weltweit alle Kund*innen, die im Webshop bestellen. Die jährlich mehr als eine halbe Million Pakete eines Großkunden mit unterschiedlichsten Artikeln werden größtenteils über ein automatisiertes Kleinteilelagersystem (Autostore) abgewickelt. Die Freigabe der Aufträge erfolgt dabei manuell durch den Leitstand. Die Mitarbeitenden müssen priorisiert die Expressaufträge im Blick behalten, die oft direkt verarbeitet werden müssen, um die Cut-Off Zeiten einhalten zu können.

Lösungsidee

Die Auftragseinlastung (Batch-Bildung) der offenen Kundenaufträge sowie die Ressourcendisposition an den Kommissionier-Ports (Ausschleusungsstationen) des Autostores basiert aktuell auf der manuellen Freigabe und Zuteilung durch den Leitstand auf Basis bisheriger Erfahrungswerte. Durch den Aufbau eines Logistics Control Towers soll die Auftragssteuerung zukünftig nicht mehr reaktiv, sondern proaktiv gemanagt werden, um das Gesamtsystem gleichmäßiger auszulasten. KI-basierte Vorhersagen der Batchdurchlaufzeiten bei bestimmten Port-Belegungen unterstützen die Auftragssteuerung in der Logistik.

Nutzen

Der Aufbau des Logistics Control Towers beeinflusst die Logistikabwicklung nachhaltig positiv. Folgender Nutzen ergibt sich aus dem Steuerungsassistenzsystem:

• Proaktive Auftragsteuerung durch einen Batch- und Teamzusammenstellungsassistent für den Leitstand
• Wirtschaftliche Vorteile durch eine effektivere Ressourcenverteilung und ggf. Einsparung von Logistikpersonal
• noch bessere Auftragserfüllung

Umsetzung der KI-Applikation 

Als Datengrundlage für die Umsetzung der KI-Applikation dienen Auftragsdaten aus dem Lagerorganisationssystem, inklusive Zeitstempel zur Berechnung von Durchlaufzeiten von Aufträgen / Batches. Außerdem werden Auslastungsdaten, An- / Abmeldungen an den Terminals sowie Bearbeitungsdauern in bestimmten Auftragskategorien des Autostore-Systems betrachtet.

Im Rahmen des Quick Checks wurden erweiterte Datenanalysen durchgeführt, die Zielsetzung eingegrenzt, Messkriterien erarbeitet sowie mögliche KI-Ansätze und Verfahren identifiziert. Die Projektidee wird im Rahmen eines Exploring Projects weiter detailliert und prototypisch umgesetzt.

Ausgangssituation

Die LGI-Tochterfirma ITG kümmert sich in München-Schwaig um die logistische Abwicklung der Artikel verschiedener Unternehmen. ITG versorgt dabei stationäre Handelspartner, Online-Plattformen sowie weltweit alle Kund*innen, die im Webshop bestellen. Die jährlich mehr als eine halbe Million Pakete eines Großkunden mit unterschiedlichsten Artikeln werden größtenteils über ein automatisiertes Kleinteilelagersystem (Autostore) abgewickelt. Die Auftragseinlastung (Batch-Bildung) der offenen Kundenaufträge sowie die Ressourcendisposition an den Kommissionier-Ports des Autostores basiert aktuell auf der manuellen Freigabe und Zuteilung durch den Leitstand auf Basis bisheriger Erfahrungswerte.

Lösungsidee

Durch den Aufbau eines Logistics Control Towers soll die Auftragssteuerung zukünftig nicht mehr reaktiv, sondern proaktiv gemanagt werden. Ziel des Projektes war die Erstellung einer Autostore-Performance-Matrix, mit der sich abgearbeitete Behälter am Autostore bei bestimmten Bedingungen vorhersagen lassen. Mit dieser Vorhersage kann eine optimale Abstimmung basierend auf der aktuellen Auftragslage, der KPI-Zielvereinbarungen und der verfügbaren Ressourcen erreicht werden. Im Projektwurden ebenfalls intensive Datenanalysen zur Bestätigung oder Widerlegung von Thesen zu Schichtzeiten, Batch-Logik und Port-Belegung durchgeführt.

Nutzen

Der Aufbau des Logistics Control Towers beeinflusst die Logistikabwicklung nachhaltig positiv. Folgender Nutzen ergibt sich aus dem Steuerungsassistenzsystem:

• Proaktive Auftragsteuerung durch einen Batch- und Teamzusammenstellungsassistent für den Leitstand
• Wirtschaftliche Vorteile durch eine effektivere Ressourcenverteilung und ggf. Einsparung von Logistikpersonal
• Noch bessere Auftragserfüllung und Planbarkeit

Umsetzung der KI-Applikation 

Als Datengrundlage für die Umsetzung der KI-Applikation dienten Auftragsdaten aus dem Lagerorganisationssystem. Außerdem werden Auslastungsdaten, An- / Abmeldungen an den Terminals sowie Bearbeitungsdauern in bestimmten Auftragskategorien des Autostore-Systems betrachtet. Die Autostore-Performance-Matrix wurde mit einem ML- Regressionsmodell befüllt. Als Features wurde die Belegung der Autostore-Ports (Mannschaftsaufstellung) verwendet. In einem komplexeren Modell wurde die Belegung der Autostore-Ports ebenfalls einbezogen, was marginale Verbesserung der Prognosen erzielte.

Im Projekt wurden darüber hinaus auch typische Port-Belegungen und typische Auftragseinlastungen mithilfe von Clustering identifiziert.