Künstliche Intelligenz in der Warenwirtschaft und im Einkauf

KI ordnet Ersatzteile und Warengruppen

Anzeige
Steinbeis produziert Recyclingpapier. Der Ersatzteilbestand für die durchlaufende Produktion wird jetzt mithilfe von Deep Learning bzw. KI optimiert. Parallel sorgt eine neue Warengruppenstruktur für Ordnung.

Steinbeis produziert Papier. Umweltfreundliches Papier. Die Office- und Magazinpapiere des Unternehmens sind zu 100 Prozent aus Altpapier. „Wir betreiben eine der modernsten Recyclingpapierfabriken in Europa“, erklärt Einkaufsleiter Torben Link nicht ohne Stolz. Am Standort in Glückstadt bei Hamburg produziert das Unternehmen jährlich rund 300.000 Tonnen Recyclingpapiere. Das Ziel: eine geschlossene Kreislaufwirtschaft vom Rohmaterial Altpapier, über das Upcycling bis zur Verbrennung der Papierfaserschlämme im hauseigenen Kraftwerk. In den letzten Jahren hat man am Standort 360 Millionen Euro in die Modernisierung der Papiermaschinen, in Anlagen zur umweltfreundlichen Energieerzeugung und in moderne Altpapiersortier- und Aufbereitungsmaschinen investiert.

Ersatzteile 24/7

All das muss gewartet werden. Die Produktion läuft 24/7. „Bei einem Ausfall haben wir keinen zeitlichen Puffer“, erklärt Torben Link den Grund, warum die Materialwirtschaft für die Ersatzteilversorgung bei Steinbeis so entscheidend ist. 23.000 Teile hält das Ersatzteillager für den Maschinenpark aktuell vor. Das entspricht einer Kapitalbindung von 12,5 Millionen Euro. Das ist viel, findet Einkaufsleiter Link. Der Kostendruck in der Branche ist hoch. Deshalb macht sich der Einkauf jetzt daran, den Ersatzteilbestand und -einkauf mithilfe von Maschine Learning zu optimieren.

An den Bestand traute sich niemand

Das Ziel zunächst: Transparenz. Der Bestand ist teilweise überaltert. Viele der Oldtimer werden aber noch gebraucht, denn die Lebensdauer der Maschinen ist lang. Welche Ersatzteile hingegen tatsächlich verschrottet werden können und wie viele Gleichteile es gibt, ist unklar. Und da natürlich niemand dafür verantwortlich sein will, dass versehentlich etwa das letzte Ersatzgetriebe einer seit Jahrzehnten im Dienst stehenden Pumpe aussortiert wird, blieb der Bestand bislang unangetastet.

Da zudem viele Mitarbeiter Materialien entnehmen, bestellen und den Bestand pflegen, kamen immer mehr Lagermaterialnummern hinzu. Neue Codes bedeuten aber immer auch neue physische Lagerpositionen und damit verbundene Einkaufs- und Lagerkosten. Und an dieses Potenzial will Torben Link jetzt ran.

Gleichteile finden

Der Einkaufsleiter hat eine Technologie gefunden, die Duplikate zuverlässig findet und Ordnung in den Bestand bringt. Die Machine Learning Tools des italienischen Deep Learning Spezialisten Creactives sollen den Ersatzteilbestand bei Steinbeis neu definieren und, so Torben Link, „den Magazineinkauf auf ein neues Level heben.“

Materialgruppen strukturieren

Parallel überarbeitet der Einkauf das komplette Materialgruppen-Management. „Wir nutzen vielfach weite Sammelbegriffe, die nur eine bedingte Aussagekraft haben“, sagt Link und ergänzt: „Sinnvolle Materialeinheiten mit der passenden Detailtiefe sind die Voraussetzung, dass wir unsere Ausgaben optimal steuern.“ Heute suchen Mitarbeiter aus der Instandhaltung Materialien für Bestellungen und Entnahmen manuell aus dem System heraus. Sie leiden unter unklaren Begrifflichkeiten und überfrachteter Materialvielfalt. Eine ziemlich aufwendige Prozedur bei 23.000 Magazinartikeln. Doch nicht nur Ordnung im Bestand, sondern auch Ordnung im Spend ist das Ziel der neuen Warengruppenstruktur: „Der Hebel für den Einkauf sind die gezielte Bündelung der C-Teile in Ausschreibungen und Preisverhandlungen“, erklärt Torben Link.

Bestandsdaten bereinigen

Was ist das Besondere an der Technologie, die Steinbeis für die Datenbereinigung nutzt? Die Systeme analysieren Texte semantisch. Der Algorithmus findet so ähnliche Texte und errechnet Wahrscheinlichkeiten dafür, ob verschiedene Lagerbestandsnummern ein und dasselbe Material beziffern. Die hohe Treffsicherheit entsteht, weil die selbstlernende Software Bedeutungszusammenhänge versteht. Das heißt, der Algorithmus kann eine „Dichtung für eine Pumpe“ von einer „Pumpe mit Dichtung“ unterscheiden. Entscheidend sind hierfür die Bindewörter, die einen Bedeutungszusammenhang herstellen, die das Tool nicht wie viele andere Systeme einfach ignoriert, sondern explizit berücksichtigt. Angelernt wurde die KI für Steinbeis mit den Bestelltexten und Materialnummern ab 2009.

Nach der Datenanalyse hat der Einkauf folgende Auswertungen auf dem Schirm:

  • eine Analyse aller Materialien und Vorgänge seit 2009 in der neuen Warengruppenstruktur, einspielbereit zur Übernahme im ERP-System,
  • eine Liste wahrscheinlicher Dubletten im Ersatzteilbestand,
  • eine Analyse der jeweiligen Bezugsquellen für die bestellten Ersatzteile.

Bei der Entscheidung „Dublette oder nicht“ lässt sich der Einkauf von einem erfahrenen, technisch versierten, SAP-affinen Instandhaltungsmitarbeiter unterstützen. Dieser prüft, ob die Dublettenvorschläge, die das Tool gemacht hat, technisch korrekt sind, löscht tatsächliche Gleichteile aus dem Materialstamm und pflegt gegebenenfalls neue, exaktere Beschreibungen für den dann verbleibenden Artikelstamm ein. „In diesem Fall reicht die reine IT-Lösung nicht aus, sondern es braucht einen Menschen mit technischer Kompetenz und Befugnis, der diesen Prozess vernünftig begleitet“, betont Link.

Stets die richtige Warengruppe

Damit die Bereinigung des Materialstamms von Dauer bleibt, setzt Steinbeis ein weiteres Creactive-Tool (MG Prompt) ein, das die Besteller ab sofort bei der Auswahl der richtigen Materialgruppe unterstützt. Nutzen werden das Tool, das aus dem SAP-Bestellprozess heraus funktioniert, alle, die in SAP Bedarfsanforderungen oder neue Materialien anlegen. Dabei schlägt das Tool zu beiden Vorgängen automatisch passende Materialgruppen vor, aus denen der Anwender auswählt. Mit jeder neuen Bestellung weiß das System mehr. Das heißt, die Datenbank optimiert und erweitert sich mit jeder Eingabe selbst.

Auch an die Mitarbeiter aus Produktion und Technik, die Teile im Lager entnehmen, hat Torben Link gedacht. Das ergänzende Tool Match Maker durchforstet nicht nur die ERP-Kurztexte, die nicht alle Entnehmer kennen und was immer wieder zu erfolglosen Suchanfragen führt, sondern auch die Langtexte. „Damit haben wir in SAP eine zeitgemäße Suchmaschinenfunktion“, freut sich Link mit Blick auf die 24 Stunden am Tag und sieben Tage in der Woche durchlaufende Produktion. Denn Samstagnacht um 2.00 Uhr will niemand lange im Magazin nach einem dringend benötigten Ersatzteil suchen. Auch Bestellungen ohne Materialnummernbezug werden verhindert.

Smarte Suchfunktion im Lager

Für die Anforderer bedeutet das weniger Schreibarbeit und einen schnelleren Freigabeprozess. Für den Einkauf heißt das: Der Spend wird korrekt zugeordnet und Rahmenverträge werden konsequent genutzt. Die Anzahl der Magazinmaterialien und der vorhandene Bestandswert sind zwei KPI, die Torben Link in den nächsten Monaten besonders im Blick behalten wird. Von den weiteren Potenzialen, die die Daten- und Bestandstransparenz bringt, wie Savings durch Bündelung und Senkung der Prozesskosten, ganz zu schweigen.


Einkaufspraxis

Das bringen die KI-Tools

Sauberer Materialstamm: Die Intelligenz des italienischen Machine Learning Spezialisten Creactives basiert auf der semantischen Analyse von Texten. Das heißt, die Technologie „versteht“ die menschliche Argumentation. Auch freie Texte lassen sich damit strukturiert auswerten und zuordnen. Die Genauigkeit der Zuordnungen entsteht, weil die selbstlernende Software Bedeutungszusammenhänge versteht. So lassen sich in Materialstämmen Dubletten finden, Bestände reduzieren und Umschlagshäufigkeiten beschleunigen. Möglich ist auch die Analyse des historischen Spends bezogen auf Warengruppen und Bezugsquellen, um Maverick Buying aufzudecken und Bedarfe zu bündeln.

Für jede BANF die richtige Warengruppe: Die Anwendung MG Prompt schlägt bei der Bedarfsanforderung im ERP basierend auf semantischen Analysen zudem automatisch die passende Warengruppe vor. Damit bleibt eine einmal hergestellte Ordnung in der Zuordnung Warengruppen/Material für künftige Bestellungen erhalten. Auch Freitextbestellungen lassen sich mit dem Tool strukturiert auswerten und korrekt zuordnen. Dafür wird der Algorithmus mit historischen Bestelldaten (Bestelltexte, Warengruppen) trainiert, lernt mit jeder Dateneingabe dazu und macht immer bessere Vorschläge.

Bessere Suchtreffer im ERP: Steinbeis nutzt ein weiteres Tool, das bei der Materialsuche im ERP deutlich bessere Suchergebnisse erzielt, weil auch die im ERP-System hinterlegten Langtexte semantisch ausgewertet werden.


Annette Mühlberger, freie Journalistin, Gärtringen


Mehr zum Thema Big Data
Anzeige

Aktuelles Heft

Newsletter

Jetzt unseren Newsletter abonnieren

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Hier finden Sie aktuelle Whitepaper

Anzeige
Anzeige

Industrie.de Infoservice

Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de