Es wird ein durch Künstliche Intelligenz unterstütztes Modell erstellt, das alle Variablen berücksichtigt, die sowohl das Slotting als auch das Reslotting beeinflussen. Dem Anwender wird so ein Vorschlag zur kontinuierlichen Verbesserung und Optimierung unterbreitet – autonom und automatisiert.
Ziele
- Automatisierung und Optimierung des Verbesserungsprozesses von Slotting und Reslotting
- Verbesserung der Materialflüsse, der Produktivität und der Servicequalität
- Reduzierung von Distanzen und Zeiten bei der Abwicklung von Arbeitsaufträgen
Innerhalb des Lagerbetriebs gibt es einen Prozess, der für die Steigerung der Produktivität, die Kostensenkung und die Erhöhung der Servicequalität von entscheidender Bedeutung ist, vor allem durch die Reduzierung der Kommissionier- und Versandzeiten. Die Kriterien und Variablen, die zur Bestimmung des idealen Lagerplatzes für jede Referenz herangezogen werden, beziehen sich in der Regel auf Verfallsdaten, Rotation usw. Diese Variablen sind dynamisch, und normalerweise verfügen LVS-Systeme nicht über die Kapazität, KI auf diese anzuwenden und regelmäßig Standortänderungen (Reslotting) vorzuschlagen, die auf Änderungen dieser Variablen oder sogar auf externen Faktoren wie Saisonalität, Wetter, Nachfrageprognosen usw. basieren. LVS-Systeme verfügen üblicherweise über Funktionen und Werkzeuge, um eine eingegangene Referenz basierend auf bestimmten parametrisierbaren Variablen dem optimalen Fach zuzuweisen, was den Prozess erheblich unterstützt. Diese Variablen werden jedoch meist vom Lager- oder Supply-Chain-Leiter kontrolliert und verwaltet. Dieser passt das Tool an, wenn er Änderungen in den Variablen, Markttrends, Geschäftsveränderungen oder Prognosen mit traditionellen Methoden feststellt, um Verbesserungen umzusetzen oder sogar Reslotting-Prozesse mit internen Lageraufträgen durchzuführen. Es wird vorgeschlagen, diesen derzeit manuellen Prozess zu digitalisieren, indem KI auf Basis der verfügbaren Daten angewendet wird und sowohl externe Variablen als auch KI-basierte Prognosen in das Modell einfließen.
Was wir tun
Wir entwickeln ein Modell, das mit Daten aus dem LVS gespeist wird, um Referenzen, Standorte usw. zu erfassen. Darüber hinaus binden wir das ERP-System an, um sowohl Wareneingangsaufträge (Einkäufe) und deren Status (im Zulauf, ausstehend, sonstige) als auch Warenausgangsaufträge und deren Status zu kennen. Durch den Zugriff auf die Verkaufsdaten entwickeln wir ein Prognosemodell, auf dem die künftige Optimierung basiert oder mögliche Engpässe erkannt werden können. Zudem ergänzen wir die Prognose um relevante externe Variablen. Mit all dem generieren wir eine Engine zur Reslotting-Verbesserung mittels KI, die Ergebnisse an das LVS zurückgeben kann, damit dieses die entsprechenden Arbeitsaufträge erstellt oder Änderungen an den Slotting-Variablen in den Standort- oder Produktstammdaten vornimmt.
Wie wir es machen
Anbindungen und Datenspeicherung
Es werden die entsprechenden Integrationen mit den erforderlichen Datenquellen durchgeführt. Die einzubeziehenden externen Variablen werden untersucht, und wir erstellen ein Zwischen-Repository (Data Warehouse), in dem die für die Analyse aufbereiteten Informationen gespeichert werden.
Intelligence-Layer
Wir setzen marktführende Werkzeuge und Technologien für Advanced Analytics und Künstliche Intelligenz ein, um das Modell zu entwickeln. Die Daten werden in der festgelegten Frequenz übertragen, und es werden sowohl die Prognosemodelle für die Nachfrage als auch die Slotting-Optimierungs-Engines entwickelt.
Visualisierung und Integrationen
Das Endergebnis wird entweder in einem marktgängigen BI-Tool visualisiert oder direkt an das System (LVS) des Kunden gesendet, das für die Ausführung der für den optimierten Prozess erforderlichen Aufgaben zuständig ist.