KontaktReferenzen

Mit Advanced Analytics einen Schritt voraus

Wer heute noch nicht an Verfahren der intelligenten Datenanalyse denkt, kann schnell den Anschluss verlieren. Vor dem Hintergrund progressiver Entwicklungen im Bereich Data Analytics kommt es immer mehr darauf an, die nötigen Weichen zu stellen. Integrationsfähige Logistik-IT als Antwort eröffnet weitreichende Möglichkeiten. Zudem offenbaren Verfahren des maschinellen Lernens und neuronale Netze erste konkrete Anwendungsfälle für die Logistik.

2017 prägte das US-amerikanische Marktforschungsunternehmen Gartner den Begriff „Augmented Analytics“ und verwies damit auf das enorme Potenzial automatisierter, intelligenter Datenanalysen. Die Technologie dahinter unterstützt bei der Zusammenführung unternehmerischer Kennzahlen, deckt Kausalitäten auf und schafft nicht zuletzt einen zentralen Daten- und Informationspool für ganz unterschiedliche Verwendungszwecke. Die dafür notwendige Grundlagenarbeit wird 2020 prekärer denn je, um auch in der Logistik verbesserte Entscheidungsgrundlagen bereitzustellen. Das Fulfillment-Versprechen reicht in vielen Fällen nicht mehr aus: Noch schneller, flexibler und effizienter muss Logistik-IT auf die stetig wachsenden Anforderungen reagieren – bestenfalls gespickt mit intelligenten Prognoseverfahren, um Kunden und Endverbrauchern sogar einen Schritt voraus zu sein.

Status quo in der Logistik
In der Praxis wirkt vor diesem Hintergrund eine ganze Reihe progressiver Entwicklungen im Umfeld Advanced Analytics (AA) ein. Da wären fortgeschrittene Analysemethoden im Umfeld der künstlichen Intelligenz (KI). Auch die Robotik macht, gerade in Korrelation mit Entwicklungen der KI-Maschinerie, enorme Fortschritte. Dabei hängt der fortschreitende Reifegrad neuer Verfahren und Technologien mit dem wachsenden Automatisierungsgrad in der Logistik unmittelbar zusammen. Denn angesichts weiter steigender Kunden- und Serviceanforderungen fehlt es vielen bestehenden Automatisierungslösungen an der nötigen Anpassungsfähigkeit. Zwischen unflexiblen Automatisierungskomponenten auf der einen Seite oder auch rein manuellen Prozessen auf der anderen bilden intelligente Datenanalysen das Bindeglied, um beim Aufbau automatisierter Lösungsansätze über selbständig agierende Lösungen das nötige Maß an Flexibilität zu schaffen.

Die Weichen sind in vielen Fällen schon gestellt. Unternehmen investieren weiterhin massiv in die Schaffung orchestrierter IT-Systemlandschaften, über die ganzheitliche Maßnahmen greifen können. Das Zusammenspiel sämtlicher Systemkomponenten schafft die notwendige Infrastruktur für das Sammeln, Aufbereiten und Auswerten holistischer Datensätze. Gleichzeitig werden verbesserte Möglichkeiten für die Prozessintegration eingesetzt, um Abläufe aufeinander abzustimmen oder involvierte Partner einzubinden. Schon heute können Echtzeitinformationen zum Status der einzelnen Warenstücke mit wenig Aufwand zum Einsatz gebracht werden. Die Crux besteht darin, diese Daten nutzbringend zu verarbeiten und entsprechende Prozessoptimierungen umzusetzen.

Wege der Datenintegration
Ein erster Schritt in diese Richtung heißt Datenintegration. Sie bildet die Basis, um mit den aktuellen Entwicklungen im Umfeld Data Analytics mithalten zu können. Ein gutes Beispiel liefern etwa Verfahren der Mustererkennung, um aus großen Datenmengen (Big Data) planungs- und steuerungsrelevante Informationen zu gewinnen. Das maschinelle Lernen (ML) verwendet solche mathematischen Methoden der Mustererkennung und bildet eine Reihe potenzieller Anwendungsbereiche heraus. Speziell für die Verteilung von Beständen auf die im Lager verfügbaren Flächen und Plätze liefern Muster Rückschluss auf eine effizientere Belegung der Plätze und Warenabwicklung. Unter Berücksichtigung diverser Kombinatoriken sind solche Szenarien auch bei der Auftragssteuerung in Wellen bzw. Batches oder der Auftragsvergabe an involvierte Logistikdienstleister vorstellbar. Es liegt nahe, dass intelligente Algorithmen sogar deutlich tiefer in Bereiche eines intelligenten Ressourcenmanagements vorrücken werden.

Das maschinelle Lernen bildet dabei aber nur einen Teilbereich unter vielen. Daran gliedert etwa der Einsatz von Deep Learning (DL) an, um in der Logistik über mehrere Informationsschichten hinweg etwa Kausalitäten aufzudecken. Auch unter mittelständischen Unternehmen ist aufgrund komplexer logistischer Daten- und Prozess-zusammenhänge bereits ein Ausgangspunkt für diese Verfahren geschaffen. Ihr Ziel besteht darin, auf Basis von Testdaten solide Methoden zur Vorhersage zu liefern, kurz: Predictive Analytics. Frameworks wie Python oder Apache Spark stellen die nötigen Werkzeuge zur Umsetzung bereit. Die Infrastruktur kann über Data Lakes zur Verfügung gestellt werden, um über ein standardisiertes und zugleich intelligentes Sammeln von Daten auch gänzlich neuartige Geschäftsmodelle zu entwickeln.

Ganzheitlichkeit gefordert
Nur können ML- und DL-Verfahren eben eine Sache nicht entbehren. Eine integrative Softwarelandschaft schafft die Basis, auf der durch ein nahtloses Verzahnen sämtlicher Systeme und Systemkomponenten ganzheitliche Datenanalysen greifen können. Einzelne Funktionsbereiche wie das Warehouse Management werden aufgebrochen und innerhalb eines komplexen Ökosystems neu verortet. Gerade datenbasierte Optimierungsstrategien fordern einen derart ganzheitlichen Ansatz. Der (Mehr-) Wert einer digitalen Plattform misst sich nicht zuletzt an den Möglichkeiten eines zentralen Hubs für die intelligente Datenverarbeitung.

Im weit verzweigten Ökosystem kommt es zudem auf bewährte Partnerschaften an. Gibt ein bestehendes Logistiknetzwerk ausreichende Datenmasse für spezifische Verfahren her? Wie verhält es sich mit der Datenqualität, um mit einem vorhandenen Datenset in die Operative vorzudringen? Mit namhaften Unternehmen arbeitet inconso Hand in Hand an der Entwicklung von Use Cases, um in ganz unterschiedlichen Umgebungen die Möglichkeiten intelligenter Verfahren aufzudecken. Doch jenseits eines breiten Leistungsangebots eigener und auch SAP-basierter Lösungen ist das volle Potenzial intelligenter Datenanalysen längst nicht ausgeschöpft. Noch lange nicht.

Keine Nachrichten verfügbar.