Zukunft des Lagers

Das Herzstück moderner Unternehmen sind die Daten. Daten gelten als neues Gold des digitalen Zeitalters. In einem datengesteuerten Unternehmen (Data Driven Company) basieren wichtige strategische Entscheidungen auf der Auswertung riesiger Datenmengen (Big Data). Firmen, die es schaffen aus vorhandenen oder neu gewonnen Daten Mehrwert zu ziehen, sichern sich einen wichtigen Wettbewerbsvorteil. Doch dies ist meist einfacher gesagt als getan, denn Daten wollen sinnvoll aufbereitet werden, bevor sie weitere und tiefere Einblicke in Geschäftsprozesse zulassen. 

Unternehmen stehen hier vor großen Herausforderungen, denn einerseits müssen an jeder Stelle im Betrieb alle relevanten Informationen zum richtigen Zeitpunkt, am richtigen Ort und in der für den Verwendungszweck erforderlichen Qualität zur Verfügung stehen. Anderseits müssen für das effektive Data-Handling auch die notwendigen Tools beschafft werden, die Techniken erlernt bzw. ein entsprechender Daten-Spezialist eingestellt oder beauftragt werden. Ziel ist, den eigenen Unternehmenserfolg nachhaltig zu verbessern und Wachstum zu generieren. Dazu ist eine Vielzahl technischer, organisatorischer und konzeptioneller Methoden und Maßnahmen notwendig. Was für das Unternehmen als Ganzes gilt, gilt natürlich auch für die Logistik und das Lager. Daten die zur Analyse genutzt werden sind z. B. Kundendaten, Messdaten, Echtzeitdaten aus Sensoren des Internet der Dinge (IdD), Analysedaten, Monitoring- und Log-Daten aus IT-Systemen, Daten aus bestehenden Datawarehouse-Lösungen oder gar externe Daten aus den Sozialen Netzen, dem Internet oder von Geschäftspartnern. Saubere Daten sind die Grundlage allen Erfolgs für das datengesteuerte Unternehmen. 

Um bessere Einblicke in Logistik- und Lager-Prozesse zu erhalten, müssen Daten aus unterschiedlichen Quellen gesammelt und analysiert werden. Die Analyse von großen Datenmengen (Big Data) erfolgt mit Algorithmen der Künstlichen Intelligenz (KI). Dabei sind die relevanten Teilbereiche Advanced Analytics, Predictive Analytics, Data Mining, Process Mining, Machine Learning und Deep Learning mit neuronalen Netzen. 

Anwendungen des Machine Learning finden sich in der Bestandssenkung und der Minderung von Betriebskosten, der Voraussage der Nachfrage nach Produkten sowie der Verlängerung der Lebensspanne von Maschinen, Fahrzeugen und Anlagen durch vorausschauende Wartung, etc... Durch die Kombination von Maschinellem Lernen mit Advanced Analytics, IdD-Sensoren und Echtzeit-Überwachung kann die komplette Versorgungskette visuell in Echtzeit dargestellt werden. 

Die Advanced Analytics (fortgeschrittene Analytik) ist ein Teilbereich der Datenverarbeitung, der sich im Gegensatz zur sog. Business Intelligence nicht auf rückwärtsgerichtete Datenanalysen fokussiert, sondern auf die von Modellierung unterstützte Vorhersage von zukünftigen Ereignissen. Dabei geht es um das Finden tieferer Einsichten und die Entwicklung von Voraussagen sowie Empfehlungen. Neben Machine Learning und neuronalen Netzwerken kommen hier Mustervergleiche, Vorhersagen, Textanalyse und Stimmungserkennung, Netzwerk- und Clusteranalyse, Visualisierung, etc. zum Einsatz. Es existieren drei Teilbereiche der Advanced Analytics: Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics. Die diagnostische Analyse beschäftigt sich nicht nur mit der Frage “Was” historisch passiert ist, sondern auch mit dem „Warum“. Die Predictive Analytics versucht anhand von aktuellen und historischen Daten Aussagen über Ereignisse und Situationen in der Zukunft zu treffen. In sie fließen verschiedene Techniken aus den Bereichen Statistik, Data Mining, KI, Machine Learning, Datenmodellierung, etc. ein. Bei der Prescriptive Analytics (verordneten Analytik) geht es hauptsächlich darum, einer Firma durch die Analyse von Rohdaten bessere Geschäftsentscheidungen vorzuschlagen. Dazu werden mögliche Situationen und Szenarien, verfügbare Ressourcen und die vergangene und momentane Performanz zugrunde gelegt.  

Der Druck auf die Logistik und das Lager der Zukunft wird immer größer. Enorme Herausforderungen wie eine schwankende saisonale Nachfrage, zu große oder zu kleine Bestände, Lieferrückstände, Rücksendungen, Omni-Channel-Vertrieb und immer kürzer werdende Lieferzeiten verlangen nach optimaleren Lagerprozessen und einem effektiveren Betriebsmanagement. 

Die Predictive Analytics nutzt voraussagende Algorithmen, mit denen anhand von (meist historischen) Daten die Wahrscheinlichkeit des Eintreffens von unterschiedlichen künftigen Ereignissen berechnet werden kann. Auf diese Weise können Risiken (z. B. zu hohe oder zu geringe Bestände) minimiert und auch Chancen (z. B. größerer Absatz eines Produkts) erkannt werden. Durch die Prognose der Nachfrage für bestimmte Produkte aufgrund von historischen saisonalen Daten (Z. B. Festzeiten wie Ostern, Weihnachten, Sommerschlussverkauf, etc.) kann auch der benötigte Bestand ermittelt werden. Die Warenbestände können generell optimiert werden und damit totes Kapital vermieden bzw. Betriebskosten eingespart werden. Die gewonnenen Informationen werden genutzt, um die verfügbaren Ressourcen - sowohl Personal als auch die Infrastruktur - besser zu nutzen. Dies führt zu einem effizienteren Betrieb und zudem zu großen Kosteneinsparungen. Durch die Analyse des Kundenverhaltens und die Anpassung von Kundendaten kann auch ein zunehmend effizienter Service für die Kunden geboten werden. Nicht zuletzt führen alle Maßnahmen zu einer steigenden Kundenzufriedenheit und damit auch zu wiederkehrenden Kunden, einem steigenden Average Order Value (AOV) und damit zu mehr Umsatz. 

Tiefes Lernen mit Neuronalen Netzen (NN) wird in der Logistik neben der Sprach-, Text- und Bilderkennung beispielsweise bei der Wegeoptimierung eingesetzt. Zum Beispiel werden bei einem bekannten Online-Händler für Mode die Laufwege der Mitarbeiter in den Logistikzentren verkürzt und die Pickrouten so optimiert, dass ein möglichst sinnvoller Weg durch die Regalreihen entsteht. Bei der Kombination aus Pickliste und Wegstrecke handelt es sich im Prinzip um eine komplexere Variante des Traveling-Salesman-Problems. Nach wie vor stellt die Rechenzeit der Algorithmen die größte Herausforderung für viele Anwendungen und Lösungen dar. Um diese Zeit auf wenige Millisekunden zu reduzieren, wurden beim E-Commerce-Händler eine Million zufälliger digitaler Picklisten generiert und mit Hilfe des Algorithmus mit der dafür errechneten Kommissionierzeit gelabelt. Die Daten wurden dann in ein NN eingespeist. Anhand dieser Informationen wird es trainiert und die Wegezeitenberechnung erreicht schließlich nur eine Fehlerrate  von etwas über 32 Sekunden pro Stunde. Ein enormer Beschleunigungsfaktor kann durch Grafikprozessoren (GPUs) erreicht werden. 

Besonders auch im Bereich der Lagerverwaltung und -technik wird die Automatisierung mit KI immer weiter Einzug halten. Durch sie wird die Lagerverwaltung agiler und reagiert schneller auf geänderte logistische Anforderungen. Eine wichtige Rolle beim Smart Warehouse der Zukunft spielt dabei das industrielle IdD durch das alle Komponenten miteinander vernetzt werden. KI wird die Kommissionierung durch die Vorberechnung der benötigten Ladungsträger und Packmittel verbessern und die Zeiten verkürzen, Roboter und Fahrerlose Transportsysteme (FTS) steuern, die Bestandsverwaltung optimieren (s. o.), die Kommunikation von Komponenten durch die Vernetzung stark verbessern, die Produktivität erhöhen, u. v. m.. Der effektivere Einsatz von Personal durch KI-gesteuerte Einsatzplanung führt zu geringeren Personalkosten bzw. eine höhere Sicherheit durch Reservenbildungen (z. B für den Krankheitsfall).  

Neue Schlüsseltechnologien der Logistik wie automatische Identifikationsmethoden ("Pick-by-X"), Kommissionier-Roboter, FTS, kollaborative Roboter (Cobots), Datenbrillen, Wearables und auf der strategischen Ebene auch Omni-Channel-Ansätze sowie die Nachhaltigkeit des Logistikbetriebs werden die Arbeitswelt der Beschäftigten bestimmen. Allen Technologien und Methoden gemeinsam ist, dass sie zu einer größeren Effizienz von Lagerprozessen bzw. des Lagers insgesamt und zu einer höheren Kundenzufriedenheit, geringeren Betriebskosten, besserer Ressourcenausnutzung sowie zu steigenden Verkäufen führen sollen. 

Ganze Logistikzentren werden energieeffizient gestaltet. Dazu gehören die CO2-neutrale Energiebereitstellung und die energieeffiziente Gebäudestruktur bzw. Förder- und Gebäudetechnik. Viele Prozesse im Warenlager und der Logistik können nachhaltig gestaltet werden. Der Materialfluss bzw. Transport werden zunehmend digitalisiert, automatisiert und durch Künstliche Intelligenz gesteuert. Durch die leistungsstarken LVS können Transportwege von Flurförderzeugen minimiert werden. Je mehr Lagerprozesse automatisiert ablaufen, kann auch auf energiefressendes künstliches Licht verzichtet werden. Der Strom für die benötigte Restbeleuchtung wird durch eine effiziente Beleuchtungstechnik (effiziente Tageslichtnutzung, LED-Lampen, Bewegungsmelder und Fotosensoren, etc.) geringgehalten. Natürlich werden eingesetzte Flurförderzeuge mit alternativen Antrieben ausgestattet und alle Fördermittel energieeffizient designt. Dazu wird entsprechende Infrastruktur wie Ladestationen für elektrobetriebene Fahrzeuge benötigt. 

Wenn Sie sich mehr für das Thema interessieren, lesen Sie bitte auch das BITO-Whitepaper "Wie sieht das Lager der Zukunft aus?". 

Literatur:

Radovic Milos, Head of Marketing Strategy & Development at Swisscom, Die 3 wichtigsten Merkmale des Data Driven Business - Von Insights über Relevanz hin zu Wachstum, Daten sind nur der Rohstoff. Verwerten muss man ihn trotzdem, April 2018, Link 

Semmelmann, Dr. Kilian, Head of Data Science bei der Website-Qualitätsplattform Ryte, Data Driven Company, Was ist Advanced Analytics? Definition und Beispiele, Link 

BITO Fachwissen, Wie Künstliche Intelligenz die Logistik revolutioniert, Link 

BITO Fachwissen, Whitepaper "Wie sieht das Lager der Zukunft aus?"