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.

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Empfohlene Artikel

Data & Analytics

Robotic Process Automation für MDM

Die meisten Unternehmen führen Stammdatenmanagement (Master Data Management, MDM) aus zwei Gründen ein. Erstens wollen sie eine hohe Datenqualitä…

weiterlesen
Supply Chain Management

Demand-Driven SCM: Kick für die digitale Supply Chain

Digitale Supply-Chain-Initiativen führen oftmals nicht zu den gewünschten Ergebnissen. Der Grund: veraltete Prozesse. Eine aktuelle Studie zeigt, wie Demand-Driven …

weiterlesen
Supply Chain Management

Flow Metrics – Supply Chain Performance intelligent messen

Teil I: Wenn die Supply-Chain-Performance-Indikatoren den falschen Weg weisen Was alle unsere CAMELOT-Kunden gemeinsam haben, ist das generelle Unternehmensziel, den Return …

weiterlesen