×

Die Bedeutung von „Machine Learning“ für die Bestandsoptimierung

Wir können es nicht ignorieren. Die Komplexität unserer Logistik-Lieferkette ist in den letzten Jahren exponentiell gestiegen. Wo früher eine gute Geschäftsstrategie ausreichte, scheint heute die Überwindung der Komplexität kostspieliger Artikel den Wettbewerbsvorteil für die kommenden Jahre zu schaffen. Damit wird auch die Bestandsführung komplizierter. Nicht nur die zuvor erwähnte Komplexität muss überwunden werden. Es benötigt auch das Wissen, damit umzugehen. Hierin liegt die Herausforderung, da Letzteres von vielen Managern oftmals keine Beachtung findet (obgleich es aber sollte).“ In der Vergangenheit war alles besser“. In der Lagerverwaltung mag dieses Zitat zutreffen. Das alleinige Aussprechen schafft aber keine Lösung.

 

Die Kraft des Maschinellen Lernens 

Vor mehr als 50 Jahren erweiterte sich das Wissen über Lagerverwaltung. Der Wert eines guten Bestandsmanagements erwies sich als enorm, was sich in einer Reihe von Bestandsmanagement-Bibeln niederschlug. Ein unausgesprochenes Thema blieb dabei der Aspekt der Compliance. Lösungen basierten auf gesundem Menschenverstand, entlang der notwendigen mathematischen Analyse. Dies hatte den Vorteil, dass Lösungen transparent waren, nicht viel Aufwand erforderten, keine großen Einsichten lieferten und sich hauptsächlich auf sogenannte „Quick Wins“ konzentriert werden konnte. Die klassische Losformel (engl. Economic Order Quantity), die 1913 „erfunden“ wurde (siehe Harris), ist ein gutes Beispiel hierfür. Wenn wir die Parameter kennen, können wir die Losgröße für ein Produkt auf der Rückseite eines Bierdeckels berechnen. Manager werden sich fragen: Warum es also anders machen? Nun, es gab damals schon Probleme und heute noch viel mehr, die sich nicht mit den Mitteln eines gesunden Menschenverstands und mathematischen Analysen lösen lassen. In diesen Fällen reicht dann auch kein Bierdeckel mehr aus.

Ein gutes Beispiel stellt die Berechnung der Out-of-Stock-Kosten dar. Angenommen, ein Kunde geht in den lokalen Supermarkt, um eine Flasche des preisgekrönten Rioja Gran Reserva Jahrgang 2014 vom Weingut Marques de Caceres zu kaufen. Der Wein ist jedoch ausverkauft. Was wird der Kunde tun? Wird er einen Gran Reserva vom selben Weingut aus dem Jahr 2015 oder 2016 kaufen? Oder eine Flasche Gran Reserva Jahrgang 2014 von einem anderen Weingut? Oder einfach nur einen anderen Rotwein? (Aber welchen?) Oder verlässt er den Supermarkt und kauft daher keine weiteren Produkte? Oder kommt er wegen anderer Lebensmittel zurück, jedoch nicht mehr wegen des Weines? Oder kommt er überhaupt noch zurück? Und wenn ein anderer Supermarkt 300 Meter oder 15 Kilometer entfernt ist und der Kunde kein Auto hat? Sie sehen es schon kommen: „Die Antwort hängt von der Situation ab“, aber welche Situation? Willkommen in der Welt des maschinellen Lernens.

Die Zeit verging und bald wurde viel Energie in die Suche nach effizienteren Lösungen zur Überwindung dieser Komplexität gesteckt. Insbesondere, weil ein Brute-Force-Ansatz, bei dem wir jedes mögliche Ergebnis bewerten und dann das Beste auswählen, sich aus praktischer Sicht nicht als vorteilhaft erwies. Das wachsende Interesse an künstlicher Intelligenz und maschinellem Lernen war die Technik, die dabei die größte Aufmerksamkeit erregte.

Machine Learning

 

„Nicht die Lösungen in der Lagerverwaltung haben sich verändert – die Mittel sind andere.“

 Vielleicht haben Sie bereits von den Worten „DBC-System“, „maschinelles Lernen“, „IBM“ und dem Jahr “1997″ gehört oder sie womöglich im gleichen Satz gelesen. Das Deep Blue Chess (DBC)-System von IBM begründet die Geschichte, die sich 1997 ereignete. Durch maschinelles Lernen gelang es ihnen, Garry Kasparov, den damaligen Schachweltmeister, zu besiegen.

Die Maschine lernte, welche Kombinationen sie in welcher Situation betreiben muss, um am Ende das beste Ergebnis zu erzielen, unter Berücksichtigung der daraus resultierenden möglichen Züge und der Muster, die das Spiel von Garry Kasparov aufwies. Allerdings enthält die Geschichte einige Mysterien. Beispielsweise wollte IBM die Log-Files der Maschine nicht übergeben. Dies weckte Garry Kasparovs Misstrauen, was ihn glauben ließ, dass IBM betrogen hat. Ein weiteres scharfes Detail ist, dass Gary Kasparov einen Rückkampf forderte, IBM sich jedoch weigerte und die Maschine sofort demontierte.

Im Jahr 2016 gab es eine Ausstellung, die sich der Kraft des maschinellen Lernens widmete. Wieder einmal kämpfte eine Maschine gegen die absolute Weltklasse. Diesmal in einem strategischen Spiel namens “Go”.

Sie möchten den vollständigen Artikel lesen?
Füllen Sie dafür das untenstehende Formular aus und erhalten Sie den Artikel „Die Bedeutung von „Machine Learning“ für die Bestandsoptimierung“ zum Downloaden.

Über den Autor Steven Pauly

steven pauly

Als Senior Consultant und Research Scientist bei Slimstock spezialisiert sich Steven Pauly auf die mathematischen Feinheiten der Bestandsoptimierung. In seiner Rolle als Berater war er an verschiedenen Verbesserungsprojekten in großen Unternehmen beteiligt.

 

 

 

 

 

OBEN