Verpackungsgrößen-Ermittlung via Machine Learning
Der Faktor Durchlaufzeit wird in E-Commerce Lagern als besonders kritisch beschrieben. Aus diesem Grund ist es notwendig bestimmte Prozesse zu automatisieren, um dadurch wertvolle Zeit einzusparen. Eine automatisierbare Tätigkeit ist beispielsweise die Auswahl der Verpackungsgröße, welche in Zukunft von einem automatisierten Prozess übernommen werden kann. Durch Machine Learning kann sich dieser Prozess selbstständig verbessern und somit noch effizienter arbeiten.
Wie werden derzeit die Paketgrößen ausgewählt?
Derzeit wird die Auswahl der richtigen Paketgröße von unseren Mitarbeitern im Lager durchgeführt. Zuerst muss die richtige Paketgröße abgeschätzt werden und anschließend durch Scannen der Verpackung oder Betätigen eines Knopfes bestätigt werden. Zum einen geht durch diesen manuellen Prozess wertvolle Zeit verloren und zum anderen müssen neue Mitarbeiter erst das Gefühl entwickeln, für welche Ware welche Pakete zu verwenden sind.
Wie kann das verbessert werden? Mit Machine Learning
Maschinelles Lernen kann im gesamten E-Commerce einen signifikanten Mehrwert erzeugen. Mögliche Anwendungsbereiche sind die Betrugserkennung und die Optimierung von Produktempfehlungen. In unserem Fall könnte diese innovative Technologie auch zur Vorhersage der richtigen Packungsgröße für eine Lieferung mit verschiedenen Produkten eingesetzt werden. Das Ziel wäre es, ein Modell für maschinelles Lernen zu entwickeln, welches nach Übermittlung der Produkte selbstständig die richtige Paketgröße bestimmt.
Wie kann dieses Ziel erreicht werden?
Derzeit wird ein Konzept ausgearbeitet, wie dieses Problem gelöst werden könnte. Eine Idee ist, dass die Maschine durch die Verwendung bestehender vergangener Daten erfährt, welche Produkte und Produktkombinationen auf welche Verpackungsgrößen hindeuten. Die ermittelten Muster könnten durch neue Lieferungen im nächsten Schritt getestet und klassifiziert werden. Ein neuronales Netzwerk würde die Basis diese Modells sein, das mit Hilfe von überwachtem Lernen trainiert wird. Das zugrunde liegende Modell könnte mittels TensorFlow implementiert und als Microservice ausgeführt werden. Die Eingabe besteht aus CSV-Dateien, die das Gewicht und – falls verfügbar – das Volumen der Produkte einer Lieferung enthalten. Falls ein zerbrechliches Produkt dabei sein sollte, muss das angegeben werden, da solche Produkte aufgrund zusätzlicher Verpackungen mehr Platz beanspruchen. Die Ausgabe des Modells sollte dann die entsprechende Verpackungsgröße sein.
Die vier Schritte der Implementierung
1) Speicherung
Zu Beginn müssen die Daten bezüglich der Zuordnung aufgezeichnet werden. Eine Fülle an guten Daten bildet die Grundlage für eine genaue Prognose. Zu diesem Zweck wurde bereits eine Funktion zur Speicherung von Daten implementiert, die Aufzeichnungen über die verschiedenen Verpackungsgrößen von diversen Lieferungen macht. Die folgenden Schritte müssen erst ausgearbeitet werden und sind daher noch in Planung.
2) Analyse
In Zukunft kann durch die Umsetzung dieser Idee, aufbauend auf den gesammelten Informationen, eine Datenanalyse basierend auf Gewicht und Volumen durchgeführt werden.
3) Verarbeitung
Anschließend wäre es möglich, das Modell zu erstellen, trainieren und etwaige Fehler zu beheben. Schließlich könnten die Lieferdaten als CSV-Datei an den Microservice übermittelt werden, welcher die richtigen Verpackungsgrößen zurück meldet.
4) Anwendung
Im finalen Prozess könnte die vom Microservice zurückgegebene Paketgröße bereits vorausgewählt werden und der Mitarbeiter müsste im Grunde den Schritt der Auswahl nicht durchlaufen. Wenn jedoch eine falsche Paketgröße vorgeschlagen werden würde, müsste der Mitarbeiter den Vorschlag korrigieren. Dieser Fehler wird daraufhin aufgezeichnet und das Modell lernt aus diesem Fehler.
Fazit: Vollautomatisierter, verbesserter Prozess
Durch dieses innovative System könnte ein mühsamer manueller Prozess, durch einen vollautomatisierten, sich selbst verbessernden, Vorgang ersetzt werden. Dadurch kann die Effizienz im Lager massiv erhöht und somit wertvolle Zeit und Mehrkosten eingespart werden. In weiterer Folge könnten auch Prognosen über den Lagerbestand getroffen und das Transportvolumen berechnet werden.
Wenn auch du ein Teil von weiteren spannenden Projekten wie diesem sein möchtest, weißt du ja was zu tun ist!
