codecentric AG

Beschreibung

Bei der Haustürlieferung von Getränken und anderen Lebensmitteln ist eine schnelle Abwicklung von Aufträgen ein entscheidender Wettbewerbsvorteil. Von der Bestellung im Webshop bis zur Anlieferung an die Wohnungstür sollen daher maximal 120 Minuten vergehen. 

Zur Orchestrierung der Fahrer*innenlogistik setzt flaschenpost auf Machine Learning, um Prognosen für logistische Prozesse und Lieferketten zu erstellen. Hierbei werden große Datenmengen aufbereitet und analysiert, um Muster und Trends zu identifizieren, die bei der Vorhersage der Verfügbarkeit von Fahrer*innen und Schätzung der Dauer von Arbeitsschritten hilfreich sind. Je präziser die Schätzungen sind, desto genauer werden die Ergebnisse der Tourenplanung für die Fahrer*innen. 

Herausforderung

Wenn die Anzahl der vorhergesagten Fahrer*innen zu einem bestimmten Zeitpunkt nicht korrekt ist, führt dies häufig zu einer Unter- oder Überauslastung der Fahrer*innenkapazität: Eine Unterauslastung kann zu inaktiven Wartezeiten und möglicherweise abgelehnten Aufträgen führen, während eine Überlastung Verzögerungen und Stornierungen von nicht mehr bedienbaren Bestellungen zur Folge haben kann. Die akkurate Vorhersage dieser Punkte zahlt somit direkt auf eine höhere Kund*innenzufriedenheit und damit eine Umsatzsteigerung ein.

Lösung

// Teamstruktur 

Ein gemeinsames Team, bestehend aus Entwicklern von flaschenpost und codecentric, wurde für die Dauer des Projekts gebildet. Das Team bestand aus einer Mischung von erfahrenen und jungen Data Scientists und Data Engineers, die agile Methoden wie Scrum einsetzten, um die Algorithmen kontinuierlich zu verbessern und zu operationalisieren. 

// Meilensteine des Projekts 

Ein wichtiger Meilenstein war es, das Forecasting-Portfolio zu erweitern, sodass weitere Schritte in der Lieferkette zu Machine Learning optimiert werden konnten. Zusätzlich wurden verschiedene Lösungen zur Automatisierung von komplexen Daten- und Machine-Learning-Pipelines untersucht und umgesetzt. Diese sollten den Aufwand für administrative und operative Aufgaben reduzieren. Außerdem galt es, die Metriken verschiedener Algorithmen übersichtlich darzustellen und vergleichen zu können. So kann das beste Modell schnell identifiziert werden und eine systematische Untersuchung, welche Daten zu einer Verbesserung eines KI-Modells führen, erfolgen. 

// Technische Ausgestaltung 

Die Einstellungen, die vor dem Training eines Modells festgelegt werden müssen und seine Leistung beeinflussen, wurden automatisiert. Das Monitoring und Reporting wurde sinnvoll erweitert, sodass das Team die Performanz des Forecasting-Portfolios noch besser im Blick hat. Die hauptsächliche Programmiersprache war Python, die neben der sehr guten Integration in Kubernetes und Azure auch alle relevanten Machine-Learning- und Data-Engineering-Frameworks unterstützt. Im Weiteren umfasste der Technologie-Stack unter anderem Kubernetes, MLFlow, HyperOpt, FastAPI und streamlit.

Ergebnisse

Das optimierte und ausgebaute Logistik-Forecasting-Portfolio der flaschenpost SE läuft nun robust und ist einfach erweiterbar. Die Lösung ermöglicht eine systematische Untersuchung der Daten und trägt somit zu einer Verbesserung des KI-Modells bei. Durch Automatisierung, Tracking mit MLFlow und ein Dashboard, das die Metriken der einzelnen Algorithmen aufbereitet darstellt, konnte die Zykluszeit von der Modellentwicklung bis hin zur Evaluierung im Live-Betrieb signifikant reduziert werden. 

Den Entwicklern bei flaschenpost ist es nun möglich, die beteiligten Daten, Trainingsparameter sowie die Auslastung der Modelle transparent einzusehen; außerdem können die Daten unkompliziert angepasst werden. Die so weiterentwickelten Modelle ermöglichen es flaschenpost, die Fahrerlogistik vor, während und nach einer Liefertour noch besser vorherzusagen und zu planen. Durch die Automatisierung wurde sowohl eine Senkung der IT-Infrastrukturkosten als auch eine Steigerung der Datenanalysegeschwindigkeit erreicht.