Project Description
HEUTE BESTELLT, MORGEN SCHON IM HAUS
CB
KURZ GESAGT
Heute bestellt, morgen schon im Haus. Wir leben in einer Zeit, in der dies der Standard ist. Für den logistischen Dienstleister CB schafft diese Norm neue Herausforderungen. Man suchte eine Antwort auf die täglich wiederkehrende Frage: “Bei welchen Kunden erwarten wir wieviel Volumen wir liefern können?” Mediaan Conclusion hat diese Herausforderung akzeptiert und benutzte dabei artificial intelligence (AI). Mit Hilfe der selbstlernenden Algorithmen entwickelten wir ein Modell das Aufträge pro Lieferadresse vorhersagt, die Präzision der Planung um 80% erhöht und die Kosten um 10% reduziert. Unser Team hat CB in folgenden Bereichen unterstützt:
Requirement engineering
Design & branding
Entwicklung
Security
Cloud deployment
DAS KONZEPT
Man suchte eine Antwort auf die täglich wiederkehrende Frage: “Bei welchen Kunden erwarten wir wieviel Volumen wir liefern können?” Mediaan Conclusion hat diese Herausforderung akzeptiert und benutzte dabei artificial intelligence (AI). Indem selbstlernende Algorithmen benutzt werden hat Mediaan Conclusion ein Modell entwickelt mit dem wir auf Basis von historischen Auftragsdaten die Antworten bekommen.
DIE HERAUSFORDERUNG
Die größte Herausforderung ist es, die Tausende Bestellungen (die letzten treffen um 23.00 Uhr ein) am nächsten Tag rechtzeitig mit dem am besten geeigneten Transportunternehmer zu liefern. Dies erfordert nicht nur kluges und effizientes Planen, sondern auch wie man mit Unsicherheiten und Zweifel umgehen muss.
DIE MEDIAAN LÖSUNG
Dieses Modell ist als „proof of concept“ innerhalb von fünf Wochen von vier Mediaan Conclusion-Mitarbeitern entwickelt worden. Axel Goblet, David Roschewitz, Marcel Peereboom und Marc Pont. Eine Mischung von talentierten jungen Datenwissenschaftlern und erfahrenen Unternehmensberatern. Das entwickelte Modell ist derart aufgesetzt dass CB ganz einfach den Daten neue Merkmale entnehmen und der Prognose hinzufügen kann. Dabei kann zum Beispiel an Bestellungen pro Region und das Verhältnis zwischen Buchhandlungen und Produkten gedacht werden.
WAS ANDERE SAGEN…
„Obwohl wir jede Nacht schon um 04.00 Uhr die Basisplanung für den nächsten Liefertag erstellen, wissen wir erst in der nächsten Nacht um 01.00 Uhr tatsächlich was an welcher Stelle – und wieviel – geliefert werden muss. Darauf können wir jedoch nicht warten denn sonst schaffen wir den Anschluss zu den externen Lieferanten nicht mehr und müssen wir leider unsere Kunden enttäuschen. Um die genaue Wahl treffen zu können ist eine bestmögliche Prognose für unseren Lieferprozess erforderlich. Um 19.00 und 23.00 Uhr ziehen wir die Bilanz, und zwar auf der letzten Informationsbasis. Die Daten dieser verschiedenen Messmomente bestimmen letztendlich was wir als CB selbst transportieren und welche externen Transporteure wir einsetzen.“– Arjan De Jong, CB
„Weil wir mit enormen Informationsmengen zu tun haben und weil der logistische Prozess wegen Zeitdruck komplex und empfindlich ist, haben wir Kontakt zu Mediaan Conclusion gesucht. Der Zweck war ein Modell zu entwickeln mit dem wir kontrollieren können ob wir mit kluger Technologie, die von „machine learning“ Gebrauch macht, eine deutliche Antwort bekommen können auf die Frage: Bei welchen Kunden erwarten wir morgen wieviel Volumen liefern zu können? Indem selbstlernende Algorithmen benutzt werden hat Mediaan Conclusion ein Modell entwickelt mit dem wir auf Basis von unseren historischen Auftragsdaten die Antworten bekommen.“– Arjan De Jong, CB
ERGEBNISSE
Die Mediaan Conclusion-Prognose zeigt eine Verbesserung von mehr als 80 % bei der Vorhersage der Adressen wo CB liefern muss. Dies führt zu einer Kostenreduzierung von 10%. Das Modell sucht selber Muster in den Daten die die Prognose beeinflussen und macht auf dieser Basis eine Prognose der Liefergröße pro Lieferadresse. Hiermit ist CB imstande weitere Höchstwerte in Kosten, Qualität und Effizienz zu verwirklichen. Die Kraft der Microsoft-Cloud ermöglicht sie hiermit, mit diesem Modell für za. 2.500 Adressen innerhalb einer knappen halben Stunde eine spezifische, maßgeschneiderte Prognose abzugeben.
