Entwicklung eines KI-Prototyps für die Berechnung von Liefertermin-Vorhersagen

Das in Böblingen ansässige IT-Beratungsunternehmen Omniwise entwickelt Lösungen für Kunden im Bereich B2B und B2C. Für einen B2B-Kunden realisierte Omniwise eine algorithmische IT-Lösung, die Lieferdaten bereits beim Bestellprozess und präzise für seinen Endkunden vorhersagen sollte.

Die derzeitige Vorhersage allerdings ist statisch und lässt sich während des Order-Life-Cycles (Auftragslebenszyklus von Bestellung bis Auslieferung) nicht ohne weiteres aktualisieren. Das wird für den Endkunden zunehmend zum Problem. Nicht nur vertreibt er hochkomplexe Produkte wie beispielsweise ganze Serverfarmen, deren Komponenten in verschiedenen Teilen der Welt gebaut werden. Auch ändern sich nicht selten während des Liefervorgangs Parameter wie Preise oder sogar Lieferanten – und diese Änderungen können Auswirkungen auf das Lieferdatum haben.

Lösungsansatz war, mithilfe von Modellen des „Machine Learnings“, die Vorhersage des Liefertermins bis zur Auslieferung des Produkts zu verfeinern.

Mehrwert für Kunden

In einem ersten Schritt wurden die vielen Eingangsdaten des Order-Life-Cycles auf ihren Einfluss auf das Lieferdatum hin untersucht, um herauszufinden, welche Parameter für den Prozess relevant sind. Außerdem war wichtig auszumachen, wann Datenupdates innerhalb der verschiedenen Phasen des Order-Life-Cycles stattfanden. In einem zweiten Schritt wurden verschiedene Machine Learning Modelle auf diese historischen Daten trainiert und die dabei neu berechneten Lieferdaten mit den tatsächlichen verglichen.

So entstand letztendlich ein Prototyp, der auf Grund seiner Berechnungen einen grafischen Überblick über die Anzahl der betrachteten Bestellungen und relevanten Parameter gibt. Auch konnte aufgezeigt werden, welches berechnete Lieferdatum dem eigentlichen am nächsten kommt.

Weitere Verbesserungspotentiale sind beispielsweise folgende: Die Berücksichtigung anderer Kalenderdaten wie Feiertage oder die Möglichkeit für Mitarbeiter vor Ort, Updates zu Aufträgen per Screenshot ins System hochzuladen.

Fazit: Die Vorhersagegenauigkeit der Lieferdaten wurde trotz komplexem Order-Life-Cycle und sich stets ändernden Parametern verbessert. Daraus ergeben sich folgende Benefits:

• Für Omniwise: Die komplexe Kundenanforderung wurde nicht nur erfüllt – auch konnten weitere Verbesserungspotentiale aufgezeigt werden

• Für den Kunden von Omniwise: Stärkere Kundenbindung durch zufriedene Endkunden

• Für den Endkunden: Aufträge lassen sich zuverlässiger planen und das Kauferlebnis ist positiv und zufriedenstellend

Projektdetails

Entwicklungszeitraum:
3 Monate

Produkte/Technologien:
Balluff Data Analytics / Forecasting (Programme/Entwickler-Tools: Python, Anaconda, Jupyter Lab, KI-Modelle: Random forests und Boosted Decision Trees (XGBoost, LightGBM, H2O), Neuronale Netz Keras/Tensorflow, Andere Python-Tools: Flask (REST Service), Dask)

Technische Anforderungen:
Keine

Service blocks:
Data Management