Predictive Analytics in der Logistik

Wenn ein Logistikunternehmen die Nachfrage und die optimalen Lieferwege im Voraus kennt, ist das ein entscheidender Wettbewerbsvorteil. Doch wie lassen sich präzise Prognosen erstellen? Die Antwort liegt auf der Hand: mit künstlicher Intelligenz. Datengetriebene Entscheidungen sind die Zukunft der Supply Chain. Schon bald wird die Qualität von Predictive Analytics den Unterschied zwischen profitablen und kostenintensiven Transporten bestimmen.

‍

Predictive Analytics – was ist das? 

Vorausschauende Auswertung – das ist die Übersetzung von Predictive Analytics. Grundlage dafür sind historische Daten. Sie werden benutzt, um Muster und Zusammenhänge zu erkennen und diese auf zukünftige Entwicklungen zu übertragen. Nach dem einfachen Prinzip: Wenn es regnet, bleiben die Menschen zu Hause – das Eiscafé wird weniger Umsatz machen. 

Predictive Analytics sollen natürlich detailliertere und komplexere Voraussagen liefern als offensichtliche Zusammenhänge zwischen Wetter und Freizeitaktivitäten. Künstliche Intelligenz greift auf einen riesigen Vorrat an Daten zurück und erkennt verborgene Muster und Strukturen, die neue Aufschlüsse liefern. Ergebnisse, die oft überraschend sind und gerade deshalb für die Wirtschaft interessant sind. Typische Anwendungsbereiche für Predictive Analytics sind zum Beispiel: 

• Personalisierte Produktempfehlungen in Onlineshops.
• Churn Prediction bei Abo-Modellen (Vorhersage, welche Kunden abspringen können).
• Betrugserkennung, Bonitätsprüfung und Risikoerkennung für Finanzen und Versicherungen. 
• Krankheitsprävention im Gesundheitswesen. 
• Nachfrageprognosen für Stromnetze zur Vorhersage von Spotmarktpreisen und Vermeidung von Überlastungen. 

‍

Wie die Logistik von Predictive Analytics profitiert

Gerade für Logistikunternehmen sind KI-Prognosen Gold wert. Denn jeder Betrieb, der im Transportwesen tätig ist, benötigt zuverlässige Vorhersagen für eine vorausschauende Planung, die Routen optimiert und dadurch Kosten einspart. Auch im Transportbereich können manche Zusammenhänge nur durch den Einsatz von künstlicher Intelligenz aufgedeckt werden. Ein Beispiel: 

• In einer bestimmten Region gibt es immer wieder starke Schwankungen der Nachfrage nach einer bestimmten Schraubenart. 
• KI entdeckt bei der Durchsuchung umfangreicher Datenquellen, dass eine Koinzidenz zwischen der Bestellung von Schrauben und einer speziellen Holzplattensorte besteht, wobei zuerst Holzplatten und erst danach Schrauben angefordert werden. 

Warum ist das so? Ganz einfach: Die Holzplatten wurden ohne Schrauben geliefert. Man benötigt sie aber, um die Holzplatten zu befestigen. Vielen Verkäufern wird dies erst nach der Bestellung bewusst. 

Alle bisherigen Systeme für Lieferprognosen hatten beide Produktgruppen (Schrauben und Holzplatten) nicht miteinander verbunden, weil sie nur direkte Korrelationen aus demselben Shop analysierten, mit der einfachen Fragestellung: Welche Produkte werden oft zusammen bestellt? Künstliche Intelligenz dagegen ist ideal für das Aufdecken zeitversetzter und firmenübergreifender Verkaufsmuster. 

Dazu kommt, dass KI diese Erkenntnisse aufgrund von Musteranalysen auch auf andere Produktgruppen übertragen kann. Beispiele: Sofa und Fleckentferner, höhenverstellbare Schreibtische und längere Monitorkabel, Stühle mit Rollen und Fussbodenschutzmatten. 

Künstliche Intelligenz sucht hierfür keine Erklärungen, sondern entdeckt ausschliesslich Korrelationen. Ein vermeintlicher Nachteil, der aber auch Vorteile hat: Durch die Beschränkung auf Zusammenhänge ohne die Frage der Kausalität entdecken KI-Systeme Korrelationen, auf die Menschen vielleicht nie gekommen wären. 

‍

KI-Lösungen für die Logistik

Bestellhistorien, Verkehrsinformationen, Wetterdaten und Lagerbestände liefern die Basis für KI-basierte Software, die speziell für Logistik-Unternehmen entwickelt wurden. Diese Programme basieren alle auf demselben Prinzip: 

• Zunächst werden grosse Mengen an Daten aus verschiedenen Quellen gesammelt und in sogenannten Data Lakes (Datenseen) gespeichert. 
• KI-Algorithmen erkennen Strukturen, Muster und Zusammenhänge, die zum Beispiel zwischen historischen Verkehrsinformationen und Wetterdaten bestehen. 
• Auf Basis dieser Daten antizipieren KI-Algorithmen mögliche Nachfragesteigerungen, Lagerbestände und Lieferengpässe. 

Diese Erkenntnisse machen es möglich, proaktiv Massnahmen zu ergreifen. Das können zum Beispiel Änderungen der Transportwege, die Zusammenfassung von Lieferungen oder flexible zeitliche Anpassungen sein. Fortgeschrittene KI-Systeme erleichtern diese Entscheidungen, indem sie intelligente Vorschläge machen. Die Programme entwickeln sich ständig weiter und können viele Entscheidungsprozesse automatisieren. Die Kosten sinken – zum Beispiel durch Personaleinsparung. Die Kundenzufriedenheit steigt, weil die Lieferungen tendenziell schneller werden. 

‍

Herausforderungen und Risiken

Predictive Analytics in der Logistik – jede Menge Vorteile. Aber es gibt auch viele Herausforderungen, Probleme und Einschränkungen. 

• Die Qualität der Vorhersagen beruht immer auf der Qualität und der Menge der Daten. Je mehr Informationen, desto besser die Ergebnisse. 
• Viele KI-Entscheidungen sind wenig transparent. Oft sind sie auf den ersten Blick nicht nachvollziehbar. Blindes Vertrauen birgt grosse Risiken.
• Auch wirft die Verarbeitung grosser Datenmengen Fragen zum Datenschutz auf. 
• Die Akzeptanz von KI durch die Mitarbeiter muss vor der Implementierung geprüft werden. 

Die grösste Herausforderung liegt für viele Unternehmen in der Implementierung von KI in die bestehenden Softwarestrukturen. Andererseits bietet die Nutzung von künstlicher Intelligenz in der Logistik eine gute Motivation, überfällige Anpassungen vorzunehmen – oder sogar die gesamte IT-Infrastruktur vom Kopf auf die Füsse zu stellen. 

‍

Unser Fazit: Predictive Analytics als Logistik-Push

KI hat immense Vorteile für Transportbetriebe, die ihrer Konkurrenz voraus sein wollen. Aber bevor sich ein Logistikunternehmen für den Einsatz von Predictive Analytics entscheidet, muss die gesamte Software auf den Prüfstand. Siloartige IT-Systeme, die den Datenfluss nach aussen behindern, machen auch die besten KI-Programme nutzlos. Das heisst: Hohe Investitionen sind erforderlich, um langfristig zu profitieren. Wenn aber bereits eine moderne IT-Infrastruktur vorhanden ist, lohnt sich der Einsatz von KI auch für kleinere Unternehmen, die ihre Transportwege und Lagerbestände zu jeder Zeit optimal gestalten möchten. 

‍