Behälter übernehmen als Bindeglied zwischen Produktionsschritten eine wichtige Funktion. Aufgrund zunehmender Automatisierung und Verpackungsvorschriften ist der Einsatz von mehrfach verwendbaren Ladungsträgern zwingend erforderlich. Lean-Ansätze bestärken diesen Umstand, da u.a. Umverpackungsprozesse vermieden werden sollen. Zusätzlich wird durch verstärktes Umweltbewusstsein und die Knappheit natürlicher Ressourcen, der Umsetzung von Closed Loop Supply Chains (CLSC) eine neue Bewertung zuteil. Mehrweg-Behälter als kleinste logistische Einheit wurden im Zuge dessen zu einem unabdingbaren Bestandteil vieler produktionslogistischer Prozesse. Ihre Verfügbarkeit sorgt für den reibungslosen Materialfluss. Dies ist allerdings aufgrund der anhaltenden Globalisierung und der damit verbundenen Vielzahl an entsprechenden Tauschbeziehungen eine nicht immer ganz einfache Aufgabe. Zumal die Produktionen auch vielerorts komplexer werden.
Behälter managen
Zur Bewältigung dieser Aufgabe gibt es Behältermanagementsysteme (BMS). Diese basieren auf analytischen Modellen, die Informationen aus vorhandenen Daten generieren und so dem Behältermanager eine Entscheidungsbasis anbieten. Die Daten werden dabei sowohl zur Steuerung der Behälterkreisläufe, als auch zur langfristigen Planung und Loop-Optimierung genutzt, etwa wenn es zu Verschiebungen der Bestellquelle kommt.
Machine Learning einsetzen
Beim Behältermanagement treffen jedoch zunehmend langfristige Planung und kurzfristige Realität aufeinander. Die Planung ist nur solang aktuell, wie die Rahmenbedingungen konstant sind. Um dieser Entwicklung zu begegnen, können analytische Modelle durch Machine Learning (ML) ergänzt werden, um große Datenmengen schneller auszuwerten. Veränderungen und Anomalien werden so frühzeitiger sichtbar und Unternehmen können Probleme schneller angehen. Mit KI ist es zudem möglich, bestehende Prozesse zu optimieren.
Gemeinschaftsprojekt
Zusammen mit der Technischen Universität Dresden hat Logsol im Rahmen eines Verbundprojektes ein solches Verfahren entwickelt. Ziel ist es, die wachsende Datengrundlage gewinnbringend auszuschöpfen. Es entstand ein BMS, das Anwendern bei der Entscheidungsfindung unterstützt. Mittels Predictive Analytics werden zudem aus aktuellen und historischen Daten belastbare Vorhersagen getroffen. Im Behältermanagement wird z. B. durch die Prognose von Behälterbuchungen eine Basis für die Behältereigentümer geschaffen. Diese sind so in der Lage, ihre Bestände besser zu planen und Bestellungen können bei auftretenden Engpässen strategisch delegiert werden. Ohne solche Assistenz- und Entscheidungsunterstützung sind Entscheidungen der Disponenten mit mehr Unsicherheiten und Risiken verbunden.