Features und Innovationen

Warehouse Performance: »Warehouse Healing«-Strategie als Schlüssel für ein intelligentes Lager! (Teil 4/4)

In unserem letzten Beitrag haben wir Ihnen die Vorteile und den Nutzen einer optimierten Batch-Planung vorgestellt. In diesem Beitrag gehen wir noch einen Schritt weiter und möchten gerne auf das Thema der Wegezeitenminimierung durch eine intelligente Platzierung von Produkten eingehen. Wie das geht? Mit der Neuentwicklung »Warehouse Healing« von der S&P Computersysteme GmbH. Getreu dem Motto: „Daten sind das neue Öl“ bilden die Daten den Rohstoff für die Strategie und nutzt diese auf konsequente Art und Weise, um daraus echte Mehrwerte zu generieren. Dabei ist es das Ziel, vorhandene Muster in der Bestellhistorie zu erkennen und daraus sinnvolle Umlagerungs- sowie Einlagervorschläge zur Minimierung von Kommissionierwegen zu erzeugen.

Die konkrete Umsetzung folgt einem einfachen, investitionsschonenden Prinzip. Aber lassen Sie uns gerne einmal genauer auf die einzelnen Schritte der Strategie eingehen:

Bild1-Aug-31-2021-07-15-27-06-AM

Die ersten beiden Schritte: Datensammlung und -Integration mit anschließender Visualisierung und Interpretation

Bevor die Daten genutzt werden können und daraus ein echter Mehrwert generiert werden kann, gilt es diese zunächst einmal zu identifizieren. Relevante Daten finden sich in Lagerbeständen, Topologie, Artikelinformationen, Warenkörben oder auch Bewegungsdaten. Nachdem die no

twendigen Daten gesammelt und erhoben wurden, geht es in einem nächsten Schritt darum, diese zu visualisieren und zu interpretieren.

Bild2-3

Die neue Strategie „Warehouse Healing“ ist hierbei so ausgelegt, das Lager zu defragmentieren und durch die intelligente Analyse von Bewegungsdaten und Warenkörben die Wegzeiten für Mensch und Maschine zu verringern. In Abbildung 2 sehen Sie die visualisierten Daten aus Schritt 1: eine starke Lagerfragmentierung. Ausgehend von dieser erkennbaren Situation geht es nun darum, zu analysieren, auszuwerten und Muster zu erkennen. Diese Daten bilden die Grundlage für die nächste Phase: Modellerstellung und -Training, um aus den Daten einen echten Mehrwert generieren zu können.

Schritt 3 und 4: Modellerstellung und -Training sowie Anwendung der Ergebnisse

In einem weiteren Schritt geht es dann vor allem darum, den Score eines Lagerbereichs zu definieren. Dabei gilt: je niedriger, desto besser! Ein hoher Score entsteht vor allem dann, wenn Artikel, die eine starke Affinität zueinander haben, weit voneinander entfernt gelagert werden, oder wenn Artikel, die häufig bestellt werden, einen langen Kommissionierweg haben. Um Umlagerungen zu finden, nach welchen der Score niedriger ist als vorher, werden Algorithmen verwendet, welche die "Erfahrung" aus der Bestellhistorie miteinbeziehen. Die Ergebnisse der Algorithmen werden anschl

Bild3-3

ießend dafür genutzt, Healing-Vorgänge zu simulieren und das Lager über das normale Maß hinaus zu defragmentieren – zunächst ganz ohne Auswirkung auf die laufenden Geschäftsprozesse. An dieser Stelle geht es vor allem darum, einen optimierten virtuellen Zielzustands zu erzeugen, welcher dazu verwendet werden kann, die optimale Kombination der Modellparameter zu trainieren. Durch die automatischen Trainingsexperimente im Hintergrund werden die Ergebnisse kontinuierlich verbessert. Über Fortschrittsanzeigen kann der Anwender die Realisierung der Potenziale verfolgen und sich über die Einsparungen freuen.

Sie stellen sich an dieser Stelle zurecht die Frage: „Woher weiß ich, ob die Anwendung einer solchen Strategie für mich und mein Lager überhaupt in Frage kommt?“ Hier kommt die Potenzialanalyse ins Spiel, auf dessen Grundlage danach geschaut wird, inwieweit sich die »Warehouse Healing«-Strategie auf den betroffenen Lagerbereich auswirkt. So legt die Strategie besonderen Wert auf einen schnellen „Time-to-Value“. Erreicht wird dies dadurch, dass die Umlagerungen mit dem größten Effekt durch einen Algorithmus ermittelt und zuerst ausgeführt werden. Bereits nach einigen hundert Umlagerungen lässt sich beispielsweise in mehrgeschossigen Fachbodenanlagen im Bestfall bis zu 40% Wegezeit einsparen. Mittels KI und Simulationen veränderter Modellparameter wird im Laufe der Zeit das Ergebnis stetig an veränderte Gegebenheiten angepasst, um die Summe der Auslagerkosten minimal zu gestalten. Die Strategie reduziert Wegezeiten drastisch und optimiert damit den äußerst arbeitsintensiven Prozess der Kommissionierung. Dabei ist es unseren Data-Science-Experten wichtig, mit Ihnen gemeinsam die Ergebnisse zu bewerten und über den erwarteten Nutzen zu diskutieren. In diesem Zusammenhang geben Ihnen unsere Experten eine neutrale Einschätzung und unterstützen Sie bei der Entscheidungsfindung.

Das Ergebnis im Zuge der Anwendung der Strategie: Leistungssteigerungen, optimale Ausnutzung der Arbeitsabläufe und eine effiziente Ressourcenplanung in den Logistikzentren!

Sie möchten Ihre Daten konsequent nutzen und weitere Details darüber erfahren? Kontaktieren Sie uns gerne!

Samira Gryzia