Big Data in der Logistikplanung

Bedingt durch die hohe Variantenvielfalt, die internationalen Produktions- und Lieferantennetzwerke sowie die kürzeren Produktlebenszyklen entsteht eine stetig steigende Komplexität in der Logistik. Durch Big Data Ansätze können neuartige Planungsansätze den Aufwand von nicht-wertschöpfenden Tätigkeiten verringern, indem Daten gezielt zu Informationen und Wissen verknüpft, den Planern zur Verfügung gestellt und anschließend automatisiert weiterverarbeitet werden.

Motivation

Aufgrund verkürzter Produktlebenszyklen und einer Vielzahl an Änderungen müssen Planungstätigkeiten zunehmend häufiger durchgeführt werden. Bereits heute bestimmen 50% der Planungstätigkeit die Suche und Aufbereitung von Informationen. In Kombination mit der gestiegenen Komplexität, müssen auch in der Logistikplanung neue Ansätze gefunden werden. Vielversprechend erscheinen dabei insbesondere Ansätze durch Big Data Technologien und maschinelle Lernverfahren. Dies führt dazu, dass nicht-wertschöpfende Tätigkeiten reduziert werden können und dem Planer aufbereitet dargestellt werden können.

Zielsetzung

Das Ziel des Forschungsvorhabens ist die Entwicklung eines Vorgehensmodells zur automatisierten Logistikplanung mit Hilfe von Big Data und maschineller Lernverfahren. Mit Hilfe von Big Data können aus unterschiedlichen Daten (Stamm- und Bewegungsdaten) zunächst wertvolle Informationen generiert werden. Aufbauend auf den Informationen kann Wissen über bisherige Logistikprozesse erzeugt werden, welches bei der Planung von zukünftigen Logistikprozessen wiederverwendet werden kann. Durch die Integration von maschinellen Lernverfahren können geeignete Planungsaufgaben weiterhin automatisiert durchgeführt werden. Das Ergebnis ist die Reduktion von nicht-wertschöpfenden Tätigkeiten bei gleichzeitiger Verbesserung der Planungsqualität durch den entstandenen Wissenstransfer aus dem Fabrikbetrieb in die Planung.

Vorgehen

Die Logistik stellt eine interdisziplinäre Funktion zwischen der Produktion, der Entwicklung und dem Einkauf dar. Für die Einführung von Big Data Technologien in der Logistikplanung wird daher im ersten Schritt eine logistische Ontologie entwickelt, welche die wesentlichen Informationen der jeweiligen Teilbereiche beschreibt und zu Wissen verknüpft. In dem zweiten Schritt wird ein abstrahiertes Systemmodell, bestehend aus einzelnen Teilmodellen, erarbeitet. Die Teilmodelle können sowohl aus analytischen Modellen, welche durch Big Data Technologien unterstützt werden, wie auch maschinellen Lernverfahren bestehen. Exemplarisch kann dabei die Analyse von Materialflüssen auf Basis von Auto-ID Technologien (z.B. Barcodes) genannt werden. Die Ergebnisse können anschließend für weitere Teilmodelle, z.B. die Verknüpfung mit Behälterinformationen zu einem Volumenstrom, weiterverwendet werden. Im letzten Schritt können ausgewählte Teilmodelle flexibel in dem Systemmodell zu einzelnen Planungsaufgaben und –ergebnissen verknüpft werden und anschließend dem Logistikplaner zur Verfügung gestellt werden.

Ergebnisse

Der vorgestellte Ansatz ermöglicht die Automatisierung von Planungsaufgaben in der Logistik. Durch die logistische Ontologie werden zunächst Wirkzusammenhänge erfasst, welche anschließend in einem Systemmodell mit einzelnen Teilmodellen systematisiert werden. Durch den integrativen Ansatz können einzelne Planungsaufgaben flexibel und automatisiert durchgeführt werden. Das erwartete Ergebnis ist die Vermeidung von nicht-wertschöpfenden Tätigkeiten wie beispielsweise der Suche von Informationen, der Aufbereitung von Analysen und der iterativen Ausführung von Excel-Modellen. Dies führt zu einer gesteigerten Flexibilität, da eine Vielzahl an Lösungsvarianten generiert, verglichen und bewertet werden kann. Die Umsetzung von Big Data Technologien und maschinellen Lernverfahren erfordert einen iterativen Ansatz, wobei Hypothesen direkt mit einem Software-Demonstrator umgesetzt werden sollen. Dies ermöglicht ein agiles Vorgehen zur einfachen Validierung von Hypothesen und Ansätzen.

Danksagung

Das Projekt wird von der Bayerischen Motoren Werke AG (BMW) gefördert. Wir danken der BMW AG für die hervorragende Unterstützung und Förderung des Projekts.

Das Projekt in Bildern

Laufzeit 01.11.2015 - 30.10.2019
Projektpartner BMW AG