Passen nicht alle Paletten in den LKW oder fährt der LKW nur halbvoll vom Hof, dann sind oft die entsprechenden Stammdaten nicht richtig gepflegt. Fehlerfreie Datensätze sind unabdinglich für reibungslose Prozessabläufe, so auch in der Logistik.

Wie aber sollen Unternehmen mit Daten-Qualitätsproblemen umgehen, für die sich keine exakten Regeln definieren lassen? Eine innovative Herangehensweise an dieses altbekannte Problem bietet der Einsatz von künstlicher Intelligenz (KI) bzw. maschinellem Lernen.

Maschinelles Lernen: Aus Daten Erkenntnis generieren

Maschinelles Lernen ist ein Teilbereich des aktuellen Forschungsthemas künstlicher Intelligenz. Machine-Learning-Algorithmen sind in der Lage, auf Basis vorhandener Daten Muster und Gesetzmäßigkeiten zu entdecken. Aus diesen Erkenntnissen können Lösungen, quasi neues Wissen aus bisher unbekannten Daten generiert werden.

Um einen Algorithmus initial aufzusetzen, wird dieser mit Beispieldaten „trainiert“. Diese Daten sollten fehlerfrei und in ausreichender Anzahl vorhanden sein. Nach dem abgeschlossenen Training kann der Algorithmus die erkannten Muster auf neuen Daten suchen und eine entsprechende Lösung vorschlagen.

Initiale Datenanalyse: Wie gut sind Ihre Daten wirklich?

Wendet man maschinelles Lernen auf das Problem potentiell fehlerhafter Logistik-Daten an, dann lässt sich eine sogenannte Daten-Plausibilität-Überprüfung realisieren, die nicht auf Basis von festen Regeln arbeitet. Beispielsweise wird ein Algorithmus angelernt zu überprüfen, ob die Kombination von Höhe, Länge, Breite plausibel ist. Ähnlich wie auch eine menschliche Überprüfung stattfinden würde.

Von Falsch zu Richtig: zukünftig keine fehlerhaften Daten mehr eingeben

Bevor ein Algorithmus angelernt wird, werden statistische Verfahren benutzt, um fehlerhafte Produkte zu finden und menschlich zu korrigieren. Dies verhindert, dass der Algorithmus inkorrekte Daten lernt.

Der korrigierte Datensatz dient als Grundlage für den Algorithmus, der eigenständig Regeln und Abhängigkeiten findet, bspw. das Verhältnis zwischen Höhe, Länge, Breite mit Volumen oder Gewicht.

Fortan werden alle neuen Produkteinträge mit diesem Algorithmus überprüft. Treffen alle bestehenden Regeln zu, gibt es keine Bedenken bei diesem neuen Produkt. Ist eine Regel nicht erfüllt, erhält die Nutzerin eine Warnung, die eingegebenen Werte erneut zu überprüfen.

Langfristig die Qualität verbessern

Profitieren auch Sie vom Einsatz innovativer Machine-Learning-Technologie in Ihrem SAP System. Wir unterstützen Sie gerne dabei, angefangen mit initialer Prüfung der Datenqualität, Vorbereitung durch Trainieren des Machine-Learning-Modells sowie die Integration in Ihr SAP MDG System. Langfristig verbessert sich so die Datenqualität, indem fehlerhafte Einträge verhindert werden. Dafür bieten wir regelmäßige Aktualisierungen des Algorithmus, sodass auch neue Produktkategorien erfasst werden.

Empfohlene Artikel

Logistics

KI-gestützte Vorhersagen im Lagerhaus

Die moderne Logistik, und somit auch die Lagerhaltung, sind immer stärker geprägt durch Portfoliodiversifizierung und fortschreitende Liefergrößenminimierung. Wä…

weiterlesen
Future Value Chain

Predictive Analytics: Erfolg im Business mit genauen Prognosen

Jeder von Ihnen kennt es – jetzt schon wissen zu wollen, wie die Zukunft aussieht. Genau das soll nun mit Hilfe von …

weiterlesen
Procurement

Digitale Transformation im Einkauf: wie sich Unternehmen selbst sehen

Wie weit sind Einkaufsorganisationen auf ihrem Weg zur Digitalisierung? Was sind ihre Prioritäten, Herausforderungen und Erkenntnisse? Die aktuelle Studie „Digitale …

weiterlesen

Denken Sie Ihre Value Chain neu mit uns

Kontaktieren Sie uns