Nach Oben
Use Cases Industrie 4.0 in der Praxis
Zurück

Optimierte Lagerbewirtschaftung mit Machine Learning

Lagerbestände, Bestellhäufigkeit und Stockouts optimieren - Wie digitale Datenerhebung und -analyse die Lagerbewirtschaftung grosser Produktmengen zuverlässiger und effizienter macht.
Ausgangslage

Die Bossard AG ist auf Verbindungstechnik spezialisiert und verfügt als Logistikunternehmen über ein internationales Beschaffungs-, sowie Vertriebsnetz. Das Unternehmen bietet eine enorme Menge an B-, und C-Teilen an, was die Lagerverwaltung zu einem zentralen Thema und einer komplexen Herausforderung macht. Der Verbrauch von Produkten ändert ständig und macht Anpassungen bei der Bestellmenge und -häufigkeit nötig.

Mit dem Einsatz eines Algorithmus soll die Verfügbarkeit der B-, und C-Teile trotz tieferer Bestände und weniger Bestellungen massiv erhöht werden. Ziel des Projekts war es, über digitale Datenerhebung und -analyse die Lagerbewirtschaftung grosser Produktmengen zuverlässiger und effizienter zu machen.

Umsetzung
  • In der Vergangenheit mussten Bestellmengen manuell angepasst werden.
  • Gewichtssensoren an Behältern zeichnen den Lagerbestand genau auf und bilden Verbrauchsdaten sowie Lagerbestandverläufe präzise ab.
  • Über eine gewisse Zeit konnte durch die Datenanalyse ein Algorithmus entwickelt und in mehreren Iterationen optimiert werden. Erst als er bei allen Faktoren – Lagerbestand, Bestellhäufigkeit und Stockout – den Menschen schlug, wurde er eingesetzt.
  • Unregelmässigkeiten in den Lagerbestandverläufen werden erfasst und berücksichtigt.
  • Wegen versehentlichen Manipulationen, wenn beispielsweise zu viel Material bezogen und wieder zurückgebracht wird, müssen die tatsächlichen Lagerbestandverläufe bereinigt werden.
Nutzen

Die Verfügbarkeit der B-, und C-Teile wird trotz tieferer Bestände und weniger Bestellungen massiv erhöht. Somit wird Kapital frei und die Kosten durch weniger Bestellungen gesenkt.

Weitere Informationen

Einem Algorithmus beizubringen, welche Situationen er berücksichtigen muss und welche nicht, weil sie eine Ausnahme darstellen, ist eine besondere Herausforderung. Gesunden Menschenverstand haben Maschinen nicht.

Tags

ProdukteIntralogistikServiceInstandhaltungDigitaler ZwillingProzessoptimierungMachine Learningindustrielle Praxis (produzierendes Unternehmen)LogistikAnlagenbauer

Unsere Website verwendet Cookies, damit wir die Page fortlaufend verbessern und Ihnen ein optimiertes Besucher-Erlebnis ermöglichen können. Wenn Sie auf dieser Webseite weiterlesen, erklären Sie sich mit der Verwendung von Cookies einverstanden.
Weitere Informationen zu Cookies finden Sie in unserer Datenschutzerklärung.

Wenn Sie das Setzen von Cookies z.B. durch Google Analytics unterbinden möchten, können Sie dies mithilfe dieses Browser Add-Ons einrichten.