AI do podejmowania decyzji o momencie i miejscu uzupełnienia zapasów

Wspólny projekt Mecaluxu i Laboratorium Inteligentnych Systemów Logistycznych MIT bada, jak sztuczna inteligencja może przewidywać potrzeby magazynu i optymalizować przepływ towarów, aby usprawnić kompletację zamówień.

• Skąd wynika potrzeba przekształcenia sposobu zarządzania uzupełnianiem zapasów w magazynach?

  Thorsten Greil: Współczesne magazyny stają się coraz bardziej dynamiczne, szczególnie w sektorach takich jak e-commerce, a tradycyjne metody uzupełniania towaru nie są już wystarczające, aby reagować na zmiany zapotrzebowania. Obiekty logistyczne posiadają zwykle różne strefy pracy: rezerwowe, gdzie przechowywane są długoterminowe zapasy magazynowe; buforowe, czyli przestrzeń służąca do tymczasowego składowania towarów; oraz kompletacyjne, w których produkty muszą być dostępne, aby operatorzy mogli sprawnie przygotować i pakować zamówienia. Niekiedy w tej samej strefie obiektu może dojść do nałożenia się kilku procesów uzupełniania asortymentu, co powoduje zatory i obniża wydajność.

  Rozwiązanie połączy analitykę predykcyjną i algorytmy optymalizacyjne, aby określić moment, lokalizację oraz dokładną ilość każdego produktu, który powinien być dostępny w magazynie

• Mimo to magazyny od lat realizują wewnętrzne uzupełnienia zapasów. Co się zmieniło, że potrzebny jest inteligentniejszy system?

  Matthias Winkenbach: Wiele firm dalej korzysta z tradycyjnych metod uzupełniania zapasów, które opierają się na stałych zasadach i nie zawsze są w stanie dopasować się do zmian w działalności z wystarczającą szybkością oraz efektywnością. W konsekwencji istnieje ryzyko wolniejszego czasu reakcji, wyższych kosztów, braków magazynowych oraz bezpośredniej trudności w terminowej realizacji wysyłek. Celem naszego projektu badawczego przygotowywanego razem z Mecaluxem jest opracowanie inteligentnego systemu zdolnego do przewidywania zapotrzebowania i usprawniania przepływu towarów między różnymi strefami magazynu. Rozwiązanie połączy analitykę predykcyjną i algorytmy optymalizacyjne, aby określić moment, lokalizację oraz dokładną ilość każdego produktu, który powinien być dostępny, bazując na analizie historycznych wzorców dystrybucji, lokalizacji zapasów magazynowych oraz prognozowanej liczbie zamówień.

• Jeśli kluczem do sprawnego przygotowania zamówień jest przewidywanie potrzeb magazynu, jaki wpływ może mieć ta nowa forma zarządzania uzupełnianiem zapasów?

  

  Thorsten Greil: Mamy nadzieję, że opracowywana technologia poprawi wydajność kompletacji zamówień poprzez ograniczenie braków magazynowych. Oprócz tego, uzupełnianie asortymentu będzie realizowane w najbardziej odpowiednim momencie, aby uniknąć zakłóceń innych operacji. W rezultacie magazyny będą mogły lepiej wykorzystać swoje zasoby, zwiększać wydajność i poprawić wskaźniki, takie jak zdolność przetwarzania zamówień.

  Aby to osiągnąć, nasz system będzie kierował się podejściem opartym na analizie danych. Będzie uwzględniał rzeczywiste potrzeby kompletacyjne, dostępność zasobów, globalny podgląd wszystkich przechowywanych jednostek magazynowych celem podejmowania inteligentniejszych decyzji dotyczących tego, kiedy, gdzie i w jakiej ilości warto przeprowadzać uzupełnienia towaru.

• Jakie firmy skorzystają z technologii opracowanej przy wsparciu Mecaluxu?

  Matthias Winkenbach: Modele opracowywane w ramach tego projektu będą mogły być stosowane w każdym typie magazynu. Jednakże ich zalety będą najbardziej widoczne w firmach, które zarządzają zapasami o wysokiej rotacji oraz które wykonują liczne operacje kompletacji i pakowania w krótkich okresach czasu. Ten typ instalacji wymaga stałego uzupełniania braków towaru, nawet w nocy, co może powodować zakłócenia innych działań operacyjnych. Im większa dynamika pracy magazynu i większa rotacja zapasów, tym większe korzyści przyniesie inteligentne podejście uzupełniania zapasów.