Logistik Simulation und Optimierung
Präzise Prognosen
Mathematik unterstützt die Logistik: Prognoseverfahren von Siemens sagen den Absatz von Produkten mit einer Genauigkeit bis 85 % voraus, und eine neue Software zur Routenplanung ist 1200-mal schneller als bisherige Verfahren.
Bei Produkten aller Art erleichtern gute Prognosen über den künftigen Absatz, etwa mit Hilfe von Simulationsprogrammen, die Optimierung der Wertschöpfungskette. Hier die Absatzentwicklung bei Siemens-Handys: Man sieht deutlich den Effekt des Weihnachtsgeschäfts im 4. Quartal
Vertriebsmitarbeiter kennen solche Klagen nur zu gut: Die Unsicherheiten über den Irak-Krieg und die Lungenkrankheit SARS dämpften das Wachstum der Handybranche, die deshalb ihre Absatzprognosen für 2003 reduzierte, was wiederum unter anderem auch die Nachfrage nach Flash-Speicherchips senkte. Wie gut wären da aktualisierbare Absatzprognosen per Knopfdruck, die derartige externe Einflüsse sofort berücksichtigten!
Dieser Wunsch gilt praktisch für alle Branchen. Denn den Überblick über Lieferketten zu behalten, die oft über viele Ländergrenzen reichen, wird immer schwieriger. Um mit ihren Zulieferern und Abnehmern Einkauf, Produktion, Lagerhaltung und Vertrieb optimal zu organisieren, muss eine Firma heute sehr präzise wissen, wie viele Handys, Waschmaschinen, Fernseher oder Autos sie in den kommenden Wochen und Monaten verkaufen wird.
Neuronale Netze für bessere Prognosen
Neuronale Netze, die sich an der Struktur unseres Gehirns orientieren, sind ideal für Simulationen, in denen es gilt, nichtlineare, komplexe Sachverhalte zu modellieren. Im Allgemeinen unterscheidet man drei Schichten künstlicher Neuronen: Input-, Hidden- und Output-Neuronen. Über die Input-Neuronen fließen externe Daten wie Konjunktureinflüsse ein. Die Hidden-Neuronen, die auch in mehreren Schichten angeordnet sein können, verarbeiten diese Daten, und die Output-Neuronen liefern das Ergebnis, etwa künftige Absatzmengen. Jedes Neuron einer Schicht ist mit allen Neuronen der nachfolgenden Schicht über die Netzwerkparameter verknüpft.
Neuronale Netze lernen aus Daten der Vergangenheit. So erhalten die Input-Neuronen ständig eine Art Lagebericht aus dem Vertrieb: tagesaktuelle Absatzmengen, Preise, Wettereinflüsse wie starker Regen, der Kunden in die Kaufhäuser treibt, oder saisonale Einflüsse wie das Weihnachtsgeschäft. Das Neuronale Netz speichert diese Vertriebserfahrungen in den Netzwerkparametern. Im Trainingsmodus verändert der Lernalgorithmus die Parameter so lange, bis das Netz Werte prognostiziert, die eine möglichst geringe Abweichung zu den tatsächlichen Absatzmengen haben, und das Eingeben weiterer Datensätze zu keiner Verbesserung mehr führt. Dann ist das Neuronale Netz für zukünftige Absatzprognosen einsatzbereit.
Siemens setzt statt auf die meist verwendeten Feedforward-Netze zur Absatzprognose auf rekurrente Netze. Bei den ersteren fließen die Daten nur in eine Richtung, von der Input-Schicht zum Output. Dagegen werden in rekurrenten Netzen Signale einer Schicht an die vorgelagerte Schicht zurückgegeben. Dadurch werden die Modelle robuster gegenüber störenden Einflussfaktoren, und das Netz lässt sich mit weniger Daten trainieren.
Simulationsmodelle per Computer können die Entscheidungen des Managements unterstützen. Klassische Verfahren sind dabei mathematische Methoden der Zeitreihenanalyse wie lineare Regression, gleitende Durchschnitte oder exponentielles Glätten. Doch noch besser und schneller modellieren Neuronale Netze die dynamischen Systeme: Sie werden daher bereits seit längerem eingesetzt, um Absatz-, Liquiditäts- oder Aktienprognosen zu erstellen. Das Fachzentrum für Neuroinformatik von Siemens Corporate Technology (CT) arbeitet dabei mit so genannten rekurrenten Neuronalen Netzen (siehe Kasten links). "Auf Basis unserer Systeme lässt sich heute eine Absatzprognose, etwa für die nächsten drei Monate, mit Genauigkeiten von 75 bis 85 % erstellen klassische zeitreihenanalytische Verfahren erreichen dagegen nur 55 bis 60 %", sagt Dr. Ralph Neuneier, bei CT verantwortlich für das Kompetenzfeld "Lernende Systeme in Geschäftsprozessen".
Eine Vielzahl von Einflussfaktoren. Zur Verbesserung der Absatzprognosen integrieren die Experten zusätzliches Wissen über die Wertschöpfungskette ins Neuronale Netz. Damit stellen sie sicher, dass die Vorhersage nicht nur von Daten aus der Vergangenheit, etwa den bisherigen Verkäufen, abhängt. So berücksichtigen sie Informationen über langfristige Lieferverträge und die Auslastung in der Produktion mit dem aktuellen Lagerbestand ebenso wie das typische Kaufverhalten großer Kunden, die oft am Ende eines Quartals ordern. Auch Kalendereffekte wie das Weihnachtsgeschäft oder geplante Marketingkampagnen gehen in die Marktmodellierung ein, ebenso Konjunkturindikatoren wie Branchen- oder Geschäftsklimaindizes. Neuronale Netze können all diese Faktoren sinnvoll überlagern und zu besseren Prognosen verdichten.
Derzeit gehen Geschäftsverantwortliche davon aus, dass demnächst von monatlichen auf wöchentliche Planungszyklen umgestellt werden muss. "Dies ist aber immer noch zu lang, um auf plötzliche Veränderungen reagieren zu können, die Engpässe oder Verzögerungen zur Folge haben und sich bis zum Ende der Wertschöpfungskette aufschaukeln", erklärt Dr. Rudolf Sollacher, bei Siemens CT verantwortlich für selbstorganisierende Systeme. Um einen derartigen Bull-whip-Effekt zu vermeiden, sollen künftig alle Beteiligten einer Prozesskette direkt und zeitnah miteinander kommunizieren. Und die Software muss nicht nur die Dynamik der gesamten Supply-Chain simulieren, sondern auch Schwankungen innerhalb der Produktion oder sogar Auslastungen einzelner Maschinen. Änderungen sollen zeitnah und automatisch erfasst werden. Nur so können Gegenmaßnahmen ergriffen werden, bevor sich die Störeffekte aufaddieren. Siemens hat bereits eine geeignete Simulationssoftware entwickelt.
Der kürzeste und schnellste Weg. Wenn nun die hoffentlich richtige Absatzmenge prognostiziert und produziert wurde, müssen die Güter auch zur richtigen Zeit am richtigen Ort eintreffen. Dies setzt eine optimale Routenplanung voraus. Heutige Navigationssysteme in den Lieferfahrzeugen müssen sich wegen der begrenzten Rechenkapazität der Bordcomputer Schritt für Schritt ans Ergebnis herantasten was je nach Situation den Suchraum beschneidet: Sie leiten z.B. den Fahrer zunächst von der Innenstadt auf große Ring- und Ausfallstraßen und dann auf die Autobahn. Am Zielort verfeinert der Rechner die Suche erst dann wieder, wenn sich der Fahrer dem Ziel nähert. "Auf diese Weise trifft man nur selten den kürzesten oder schnellsten Weg", erläutert Professor Ulrich Lauther, bei Siemens CT verantwortlich für effiziente Algorithmen in Netzwerken.
Eine Routenplanung mit 500 000 Strecken von Moskau bis zu den Kanarischen Inseln in weniger als einer Tausendstel Sekunde
Lauthers Team hat daher ein neues Verfahren entwickelt, mit dem z.B. eine optimale Strecke von den Kanarischen Inseln nach Moskau in nur einer Millisekunde auf einem Notebook berechnet werden kann länger braucht der neue Routenplaner für die 500 000 Streckenabschnitte inklusive Fährverbindungen nicht (Bild rechts). Dabei werden an jeder Weggabelung sozusagen virtuelle Wegweiser für die kürzeste oder schnellste Route aufgestellt, die angeben, welche der Straßen für einen optimalen Weg in Frage kommen. Die Vorbereitung dieser Wegweiser dauert etwa 20 Minuten und ist einmal zu Beginn erforderlich (oder immer dann, wenn sich die digitale Landkarte ändert, wie bei Straßensperrungen oder Staus). Aber danach geht die Routenberechnung 1200-mal schneller als mit klassischen Verfahren.
Zwar ist diese Software für Navigationssysteme in Fahrzeugen weniger geeignet, da eine 20-minütige Vorberechnung nicht praktikabel ist. Doch sie ist ideal für ein System mit einem zentralen Rechner, der aktuelle Verkehrsmeldungen regelmäßig in neue Vorberechnungen integrieren kann: Dieser Server könnte z.B. bei einem Logistikunternehmen oder einer Spedition stehen oder er könnte für Routenplanungen im Internet eingesetzt werden. Kostenaspekte wie Mautgebühren oder Zeitfenster, in denen Kunden beliefert werden möchten, lassen sich dabei ebenfalls berücksichtigen.
Bevorzugte Straßen. Ein Problem bei der Verwendung digitaler Karten sind die so genannten wichtigen Straßen. "Dies ist nicht immer eine Autobahn oder eine Bundesstraße, da es Situationen gibt, in denen deren Nutzung zu großen Umwegen führt", erklärt Lauther. Deshalb arbeitet Siemens an einer Software, mit der unabhängig von den Angaben der Kartenhersteller die für die optimale Routenplanung wichtigen Straßen ermittelt werden können. Kommt z.B. eine Straße bei diversen Routenberechnungen in vielen Fahrten vor, dann ist sie von übergeordneter Bedeutung und wird in der digitalen Karte als wichtig markiert. Sie wird dann in nachfolgenden Routenplanungen bevorzugt benutzt. Gegenüber den Originaldaten des Kartenherstellers wird so die Zuverlässigkeit der Straßenklassifikation erhöht.
Die Siemens-Routenplanung wird bereits von einem Lizenznehmer zur Optimierung von Tourenplanungen für Logistikfirmen eingesetzt. Doch sie eignet sich nicht nur für Straßen, sondern auch für Kommunikationsnetze, denn auch dort gibt es viele alternative Routen, um Nachrichten zu verschicken. So kann das Kommunikationsnetz sozusagen als Karte hinterlegt werden, mit verschiedenen Netzknoten als Straßenkreuzungen. Ein defektes oder stark belegtes Kabel kann dann wie eine Straßensperrung in eine Vorausberechnung für die optimale Kabelverbindung eingearbeitet werden.
Sylvia Trage