AI-Optimierer für die Umplatzierung in Lagern

Es wird ein durch künstliche Intelligenz gestütztes Modell erstellt, das alle Variablen berücksichtigt, die sich auf das Slotting und das Reslotting auswirken, und dem Benutzer auf autonome und automatisierte Weise einen Vorschlag zur kontinuierlichen Verbesserung und Optimierung liefert.

Ziele

• Automatisieren und Optimieren des Verbesserungsprozesses für das Slotting und Re.
• Verbesserung des Materialflusses, der Produktivität und der Servicequalität.
• Verkürzung der Wege und Zeiten bei der Bearbeitung von Aufträgen.

Innerhalb des Lagerbetriebs gibt es einen Prozess, der von entscheidender Bedeutung für die Verbesserung der Produktivität, die Senkung der Kosten und die Erhöhung der Servicequalität ist. Und zwar die Auftragsvorbereitungs- und Versandzeiten. Die Kriterien und Variablen, die für die Entscheidung über den idealen Standort für jede Referenz herangezogen werden, haben in der Regel mit Verfallsdaten, Rotation usw. zu tun.

Diese Variablen sind dynamisch, und die WMS sind normalerweise nicht in der Lage, KI auf sie anzuwenden. So können keine regelmäßigen Standortänderungen (Reslotting) auf Grundlage von Änderungen dieser Variablen oder externer Variablen, die Produkte beeinflussen können, vorgeschlagen werden. Die SGAs verfügen in der Regel über Funktionalitäten und Werkzeuge, um eine Referenzzuweisung zu einem optimalen Slot entsprechend bestimmter parametrisierbarer Variablen vorzunehmen. Diese unterstützen den Prozess erheblich. Die Variablen werden jedoch in der Regel vom Lager- oder Beschaffungsleiter kontrolliert und verwaltet. Bei Veränderungen der Variablen, bei Markttrends, geschäftlichen Veränderungen oder Vorhersagen, die mit herkömmlichen Methoden gemacht wurden, passt er das Tool an. Nur so können Verbesserungen vorgenommen und neue Slots zu vergeben werden.

Die Idee ist, diesen derzeitigen manuellen Prozess zu digitalisieren, KI auf die verfügbaren Daten anzuwenden. So können sowohl externe Variablen in das Modell als auch KI-basierte Vorhersagen einbezogen werden.

Was wir tun

Wir entwickeln ein Modell, das mit Daten aus dem WMS gefüttert wird, um Referenzen, Standorte usw. zu kennen. Außerdem stellen wir eine Verbindung zum ERP her, um sowohl eingehende Bestellungen (Einkäufe) und deren Status als auch ausgehende Bestellungen und deren Status zu kennen. Durch den Zugriff auf die Verkäufe entwickeln wir ein Vorhersagemodell, auf dessen Grundlage wir künftige Optimierungen oder Engpässe erkennen können. Wir fügen der Vorhersage auch relevante externe Variablen hinzu. Mit all dem generieren wir eine KI-gestützte Engine zur Verbesserung der Platzierung. Diese gibt Ergebnisse an das WMS zurück, damit dieses die entsprechenden Arbeitsaufträge generieren oder Änderungen an den Variablen vornehmen kann, die mit der Platzierung am Standort oder den Produktstämmen zusammenhängen.

Wie wir das machen

Verbindungen und Datenspeicherung.

Die entsprechenden Integrationen werden mit den erforderlichen Datenquellen vorgenommen. Wir untersuchen die einzubeziehenden externen Variablen und erstellen einen Zwischenspeicher (Data Warehouse), in dem die zu analysierenden Informationen gespeichert werden.

Intelligente Schichten.

Für die Entwicklung des Modells verwenden wir die modernsten auf dem Markt erhältlichen Tools und Technologien für Advanced Analytics und künstliche Intelligenz. Die Daten werden in der üblichen Häufigkeit übertragen, und sowohl die Modelle für die Nachfragevorhersage als auch die Engines für die Slot-Optimierung werden entwickelt.

Visualisierung und Integrationen.

Das Endergebnis wird in einem Markt-BI-Tool visualisiert oder direkt an das System des Kunden (WMS) gesendet, das für die Durchführung der notwendigen Aufgaben für den optimierten Prozess zuständig ist.