Bis vor einigen Jahren haben sich viele Unternehmen auf Forschungs- und Analyseteams verlassen, um erhobene Daten zu verarbeiten und gewinnbringend zu nutzen. Heute bietet Künstliche Intelligenz ein enormes Potenzial, diese Prozesse zu optimieren und automatisieren, um durch die Anwendungen datenbasierter Entscheidungsprozesse deutliche Wertsteigerungen zu erzielen. Da immer mehr Unternehmen auf digitale Technologien setzen, um wettbewerbsfähig zu bleiben, erwartet Camelot einen starken Anstieg der AI-Nutzung.

Dies gilt insbesondere für die Logistik, den Schwerpunkt dieses Blogbeitrags. Da AI eine breite Palette von Themen und Disziplinen umfasst, werden wir uns hier auf ausgewählte Methoden und den Data-Science-Prozessablauf beschränken.

Anwendungsfälle

Logistikmanager sehen sich ständig mit Unsicherheiten in Bezug auf Planung, Lade-/Entladezeiten, Frachtkosten, Spediteure usw. konfrontiert. Wäre es nicht eine große Erleichterung, wenn sie notwendige Anpassungen entsprechend der sich verändernden Rahmenbedingungen sofort umsetzen könnten? AI bietet praktikable Lösungen zur Vorhersage von Nachfragemustern, zur Ermittlung der besten Ladezeiten und Auswahl kosteneffizienter Frachtwege und Transportunternehmen.

Eine datenbasierte Entscheidungsfindung unterstützt Unternehmen dabei, schneller und besser als der Wettbewerb zu sein. So konnte beispielsweise Kunden in Camelot-Projekten zu einem deutlich reibungsloseren Prozessablauf in der Logistikabwicklung und Frachtabrechnung verholfen werden. AI wurde u.a. für bessere Lademeterschätzungen, die intelligente Angebotsabgabe und die Frachtkonsolidierung eingesetzt.

Dennoch muss festgehalten werden, dass AI nicht für alle Situationen geeignet ist – nicht für alle Anwendungsfälle und nicht für alle Branchen. Es gilt sowohl technische als auch geschäftliche Fragen sowie die Datenverfügbarkeit zu berücksichtigen. Der Ansatz von Camelot besteht darin, jede Business-Herausforderung individuell zu bewerten, die Durchführbarkeit für den Data-Science-Prozess zu prüfen und einen geeigneten Ansatz für die individuellen Geschäftsanforderungen zu finden.

Abbildung 1: Der Camelot Data-Science-Prozess gewährleistet einen systematischen und überprüfbaren Wertnachweis (Proof of Value = PoV)

Worum geht es bei AI?

Bei Künstlicher Intelligenz handelt es sich weder um eine Technik noch um ein Programm, das installiert werden kann. Camelot versteht AI als einen Weg, die Wertschöpfungskette innerhalb einer Organisation zu transformieren. Dieser besteht immer aus drei Schritten: deskriptive Analyse, prädiktive Analyse und präskriptive Analyse (siehe Abbildung 1).

Der erste Aspekt einer AI-bezogenen Aufgabe gehört immer zur deskriptiven Analysekategorie. Hier beantworten wir die Frage „Was ist passiert und warum?“ Als nächstes können wir uns der prädiktiven Analyse zuwenden, die statistische Modelle und Vorhersagetechniken einsetzt, um die Zukunft zu verstehen und die Frage „Was wird passieren?“ zu beantworten. Nach Beantwortung dieser Frage unterscheiden wir zwei AI-Richtungen – die kognitive AI und die prozessbezogene AI. Als Beispiel für kognitive AI kann das von IBM Watson angebotenes Chatbot-Design dienen. Es ermöglicht die Erstellung von AI-gestützten, dialogorientierten Benutzeroberflächen und wird bereits von Unternehmen aus verschiedenen Branchen (Banken, Telekommunikation usw.) eingesetzt. Im Gegensatz dazu wird die prozessbezogene AI eingesetzt, um Geschäftsentscheidungen zu automatisieren. Ein Beispiel ist eine mittels Warnsignal ausgelöste, automatisierte Wiederauffüllung. Kurzum, AI ist eine unterstützende Technologie, die entweder durch Automatisierung von Prozessaufgaben und/oder durch eine bessere Benutzererfahrung (kognitive Schnittstellen) einen Mehrwert liefert. Meistens ist es eine Kombination aus vielen verschiedenen Techniken. In jedem Fall müssen wir jedoch auf viele Datenschichten zugreifen, um AI-Techniken anzuwenden und schließlich die Geschäftsabläufe zu transformieren.

Wie startet man ein AI-Projekt in der Logistik?

Der erste Schritt besteht immer darin, die Geschäftsziele zu formulieren. Dies wird mit einer ersten Machbarkeitsschätzung von erfahrenen Datenwissenschaftlern kombiniert. Anschließend hilft ein festgelegter Data-Science-Prozess, mittels Datenarbeit Mehrwert zu generieren.

Abbildung 2: CRISP

Einer der bekanntesten Abläufe ist der CRISP-Prozess (Cross-Industry Standard Process für Data Mining), der ursprünglich für Data-Mining-Projekte entwickelt wurde. Der auf das Value Chain Management zugeschnittene Data-Science-Prozess von Camelot ist ebenfalls von diesem Grundprinzip abgeleitet. Unsere Erfahrung hat gezeigt, dass der CRISP-Flow für den Anfang eines AI-Projekts sehr gut geeignet ist.

Bevor eine AI-Technik implementiert wird, müssen die Rohdaten bereinigt werden. Dieser Prozess der Bereinigung und Normalisierung der Daten ist zeit- und kostenintensiver als es die meisten Unternehmen erwarten.

Eine effektive AI-Implementierung ist immer ein Prozess, in dem Anwendungsfälle individuell betrachtet werden, Methoden der Datenanalyse (z. B. maschinelles Lernen) angewandt werden und das Unternehmen letztlich in Richtung Digitalisierung transformiert wird.

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Empfohlene Artikel

MDG

Auf Machine Learning basierte Überprüfung kritischer Stammdaten

Passen nicht alle Paletten in den LKW oder fährt der LKW nur halbvoll vom Hof, dann sind oft die entsprechenden …

weiterlesen
Future Value Chain

Chemieparks: Was China von Europa lernen kann – Teil I

In Europa wie in China sind die wichtigsten Produktionsanlagen der Chemiebranche in Chemieparks angesiedelt. Obwohl sie aus unterschiedlichen Gründen entstanden …

weiterlesen
Supply Chain Management

Flow Metrics – Supply Chain Performance intelligent messen (Teil V)

Teil V: Wie klettert man höher auf der Reifeleiter der Flow Metrics? Wie setzt man Flow Metrics um? Flow Metrics …

weiterlesen