Projektvorstellung

Automatisierte Entscheidungen
in der Auftragskommissionierung

Die Ausgangssituation:

Unser Kunde Soennecken eG ist eine Handelskooperation für Produkte und Dienstleistungen rund um Büro und Homeoffice Artikel. Die Kunden der Handelskooperation können ihre Produkte bei Soennecken zu guten Konditionen beziehen. Eingehende Bestellungen werden mithilfe der Logik eines ERP-Systems auf Validität geprüft. Dabei wird beispielsweise die maximale Verkaufsmenge eines Artikels abgefragt und bei Überschreitung automatisch gesperrt. Um die gesperrten Bestellung auszulösen müssen Mitarbeitende danach manuell bewerten, ob die Bestellung angepasst oder ausgeführt werden soll. Die manuelle Kontrolle der Bestellungen ist zeitintensiv und für Flüchtigkeitsfehler anfällig, was zu teuren Fehlversendungen führen kann.

Status:
Produktivsystem

Branche:
Handelsgemeinschaft für Produkte und Dienstleistungen

Unternehmensgröße:
ca. 550 Mitarbeitende

Kategorie:
Handlungsempfehlungen

Die Ziele:

Reduktion der manuell zu betrachtenden Aufträge
Kostenreduktion durch effizientes Bestellwesen
Entlastung der Vertriesbmitarbeitenden durch Wegfall repetitiver Aufgaben
Reduktion von Fehlversendungen

Die Lösung:

Durch die Umsetzung des Projekts wurde der Grundstein für die automatische Kommissionierung und Bearbeitung von anomalen Aufträgen geschaffen. Dies ermöglicht es ungewöhnliche oder problematische Bestellungen frühzeitig zu erkennen und zu verarbeiten, wodurch menschliche Eingriffe minimiert und Fehler reduziert werden.

Die Umsetzung:

Basierend auf den historischen Entscheidungen der Vertriebsmitarbeitenden haben wir ein Machine-Learning-Modell entwickelt. Das Modell lernt, ob ein Artikel aus einem Auftrag kommissioniert oder weiter bearbeitet werden soll. Dieses Vorgehen haben wir in der Proof of Concept Phase als erstes für Artikel, deren maximale Bestellmenge überschritten wurde, umgesetzt. Durch die Analyse von Vergangenheitsdaten kann das Modell Muster erkennen und zukünftige Entscheidungen automatisiert und präzise treffen.

Wir haben den Entwicklungsprozess in mehreren kurzen Zyklen durchgeführt, wobei jede Runde aus verschiedenen Phasen bestand – von der Datenanalyse über das Training des Modells bis hin zur Überprüfung der Ergebnisse. In jedem dieser Zyklen haben wir das Modell weiter verbessert. Am Ende mehrerer solcher Zyklen haben wir ein Modell erstellt, das genaue Vorhersagen darüber treffen kann, ob ein Auftrag kommissioniert oder weiter bearbeitet werden muss.

Diese schrittweise Vorgehensweise stellte sicher, dass unser Modell zuverlässig und gut auf die Anforderungen des Vertriebs abgestimmt ist. Letztendlich konnten wir unserem Kunden ein Machine-Learning-Modell mit sehr hoher Prognosegüte bereitstellen.

Ausblick:

Im Anschluss unterstützten wir Soennecken beratend bei der Umsetzung des Prototyps in Microsoft Azure, indem wir ihnen als Sparringspartner zur Seite standen.