Die konkrete Umsetzung folgt einem einfachen, investitionsschonenden Prinzip. Aber lassen uns gerne einmal genauer auf die einzelnen Schritte der Strategie eingehen:

Die ersten beiden Schritte: Datensammlung und -Integration mit anschließender Visualisierung und Interpretation

Schritt 3 und 4: Modellerstellung und -Training sowie Anwendung der Ergebnisse

Abb. 3: Nachher ( geringere Lagerfragmentierung) © S&P Computersysteme

In einem weiteren Schritt geht es dann vor allem darum, den Score eines Lagerbereichs zu definieren. Dabei gilt: je niedriger, desto besser! Ein hoher Score entsteht vor allem dann, wenn Artikel, die eine starke Affinität zueinander haben, weit voneinander entfernt gelagert werden, oder wenn Artikel, die häufig bestellt werden, einen langen Kommissionierweg haben. Um Umlagerungen zu finden, nach welchen der Score niedriger ist als vorher, werden Algorithmen verwendet, welche die "Erfahrung" aus der Bestellhistorie miteinbeziehen. Die Ergebnisse der Algorithmen werden anschließend dafür genutzt, Healing-Vorgänge zu simulieren und das Lager über das normale Maß hinaus zu defragmentieren – zunächst ganz ohne Auswirkung auf die laufenden Geschäftsprozesse. An dieser Stelle geht es vor allem darum, einen optimierten virtuellen Zielzustands zu erzeugen, welcher dazu verwendet werden kann, die optimale Kombination der Modellparameter zu trainieren. Durch die automatischen Trainingsexperimente im Hintergrund werden die Ergebnisse kontinuierlich verbessert. Über Fortschrittsanzeigen kann der Anwender die Realisierung der Potenziale verfolgen und sich über die Einsparungen freuen.

Sie stellen sich an dieser Stelle zurecht die Frage: „Woher weiß ich, ob die Anwendung einer solchen Strategie für mich und mein Lager überhaupt in Frage kommt?“ Hier kommt die Potenzialanalyse ins Spiel, auf dessen Grundlage danach geschaut wird, inwieweit sich die »Warehouse Healing«-Strategie auf den betroffenen Lagerbereich auswirkt. So legt die Strategie besonderen Wert auf einen schnellen „Time-to-Value“. Erreicht wird dies dadurch, dass die Umlagerungen mit dem größten Effekt durch einen Algorithmus ermittelt und zuerst ausgeführt werden. Bereits nach einigen hundert Umlagerungen lässt sich beispielsweise in mehrgeschossigen Fachbodenanlagen im Bestfall bis zu 40% Wegezeit einsparen. Mittels KI und Simulationen veränderter Modellparameter wird im Laufe der Zeit das Ergebnis stetig an veränderte Gegebenheiten angepasst, um die Summe der Auslagerkosten minimal zu gestalten. Die Strategie reduziert Wegezeiten drastisch und optimiert damit den äußerst arbeitsintensiven Prozess der Kommissionierung. Dabei ist es unseren Data-Science-Experten wichtig, mit Ihnen gemeinsam die Ergebnisse zu bewerten und über den erwarteten Nutzen zu diskutieren. In diesem Zusammenhang geben Ihnen unsere Experten eine neutrale Einschätzung und unterstützen Sie bei der Entscheidungsfindung.

Das Ergebnis im Zuge der Anwendung der Strategie: Leistungssteigerungen, optimale Ausnutzung der Arbeitsabläufe und eine effiziente Ressourcenplanung in den Logistikzentren.