Treffen Sie uns auf der E-commerce Berlin Expo, 22. Februar 2024.

Bitte hinterlassen Sie Ihre Kontaktdaten, wir werden Ihnen unser Whitepaper per E-Mail zusenden
Ich stimme der Verarbeitung meiner persönlichen Daten zu, um personalisiertes Marketingmaterial in Übereinstimmung mit der der Datenschutzrichtlinie geschickt zu bekommen. Mit der Bestätigung der Anmeldung erklären Sie sich damit einverstanden, Marketingmaterial zu erhalten
Vielen Dank!

Das Formular wurde erfolgreich abgeschickt.
Weitere Informationen finden Sie in Ihrem Briefkasten.

Innowise ist ein internationales Unternehmen für den vollen Zyklus der Softwareentwicklung, welches 2007 gegründet wurde. Unser Team besteht aus mehr als 1600+ IT-Experten, welche Software für mehrere Branchen und Domänen weltweit entwickeln.
Über uns
Innowise ist ein internationales Unternehmen für den vollen Zyklus der Softwareentwicklung, welches 2007 gegründet wurde. Unser Team besteht aus mehr als 1600+ IT-Experten, welche Software für mehrere Branchen und Domänen weltweit entwickeln.

KI/ML in der Lieferkette: 45 % weniger Lieferunterbrechungen

Die Innowise hat die bestehenden Supply-Chain-Funktionen des Kunden mit DSaaS erweitert, um die Lieferbedingungen für Materialien zu prognostizieren und die Kundenabwanderungsrate zu reduzieren.

Der Kunde

Branche
Elektronik, Fertigung
Region
EU
Kunde seit
2022

Unser Kunde ist ein Hersteller von elektronischen Geräten und Komponenten für sie, darunter Mobiltelefone, TV-Fernbedienungen, DVD- und CD-Player, Digitalkameras und andere.

Detaillierte Informationen über den Kunden können aufgrund der Bestimmungen des NDA nicht veröffentlicht werden.

Herausforderung: Verpasste Liefertermine und Fehler bei der strategischen Ressourcenplanung

Die Sicherstellung eines gut funktionierenden Lieferantennetzes ist entscheidend, um die rechtzeitige Lieferung von Aufträgen zu gewährleisten. Unser Kunde hat die Leistung der Lieferkette bereits optimiert, um die Rentabilität zu maximieren, indem er die Risiken einer schwankenden Nachfrage, ineffizienter Abläufe und schwankender Materialpreise minimiert hat. Außerdem hat er eine strenge Planung und Terminierung, umfassende Bestandskontrollsysteme und eine kontinuierliche Überwachung zur Qualitätssicherung eingeführt.

Dennoch hatte unser Kunde immer noch mit verpassten Lieferterminen und Fehlern bei der strategischen Ressourcenplanung zu kämpfen. Um die Genauigkeit und Vorhersagbarkeit der betrieblichen Leistung zu verbessern, benötigte er eine fortschrittliche DS- und ML-basierte Lösung zur Erfassung und Analyse großer Datenmengen und zur Erstellung realistischer Vorhersagen zu den Lieferbedingungen.

Web-Erweiterung zur Vorhersage von Lieferungen

Lösung: DS- und MLOps-Web-Erweiterung zur Vorhersage von Lieferungen und zur Vermeidung von Lieferverzögerungen

Da unser Kunde komplexe digitale Geräte herstellt, die aus vielen Teilen bestehen (Widerstände, Induktoren, Kondensatoren, Transistoren, Dioden usw.), benötigt er stabile, überschaubare Lieferketten, bei denen bestimmte Risiken kalkuliert werden. Er wollte einen umfassenden Überblick über alle bisherigen Interaktionen mit Partnern, der durch ML-Funktionen unterstützt wird, um künftige Lieferungen zu analysieren und vorherzusagen und Verzögerungen oder Unterbrechungen bei den Lieferungen zu vermeiden.

Auf dieser Grundlage schlug die Innowise den Aufbau einer intelligenten Vertragsanalyseplattform vor, die DS und MLOps umfasst, um Rohdaten in verwertbare Erkenntnisse umzuwandeln. Unser Projektteam nutzte diese Technologien in vollem Umfang und implementierte KI/ML in der Lieferkette, um Beschaffungsprozesse abzuschirmen und nachteilige Auswirkungen zu mildern.

Daten-Pipelining

Sobald die Manager alle Informationen zu bestimmten Partnern eingegeben haben (Materialbedarf, Lieferzeiten, Lagerbestände usw.), erstellt unsere Plattform Prognosen auf der Grundlage von Datenpipelines. So haben wir eine tiefgreifende Datenanalyse implementiert, um Datenabweichungen und Abteilungsdivergenzen zu erkennen. Im Wesentlichen erzeugt jeder Schritt im Zyklus einen Output, der die Grundlage für nachfolgende Transformationen bildet, was zu einem kontinuierlichen Fluss führt, bis jeder Schritt abgeschlossen ist. Wo es angebracht ist, werden mehrere Prozesse parallel durchgeführt, um die Effizienz zu maximieren.

Modellierung von Schichten

Wir haben eine Plattform für maschinelles Lernen entwickelt, die entscheidende Faktoren für die Effizienz von Beschaffungsprozessen schätzt. Unser Team schuf eine logische Ebene, die Daten in ähnliche Kohorten gruppiert und Modelle für jede Gruppe vorbereitet. Darüber hinaus haben wir eine Erklärungsebene eingebaut, die dem Endnutzer hilft, das Modellverhalten zu validieren und die Schätzung besser zu verstehen.

Einfach ausgedrückt kann der Ablauf der Lösung folgendermaßen beschrieben werden. Die Benutzer geben alle Daten zu bestimmten Lieferanten ein, wie z. B. Vertragskennungen, benötigte Materialien, Bestell-/Liefertermine, aktuelle Fortschritte und alle zusätzlichen Informationen. Anschließend analysiert die Plattform auf der Grundlage von ML-Algorithmen in der Lieferkette die angezeigten Daten und prognostiziert die Beschaffungstermine unter Berücksichtigung der Historie früherer Interaktionen, der Zuverlässigkeit der Lieferanten und externer Risiken. Die prädiktive Analytik kann beispielsweise anzeigen, wenn die Lagerbestände der Lieferanten niedrig sind oder wenn Lieferverzögerungen in der Zukunft wahrscheinlich zu erheblichen Problemen führen werden.

Technologien

Back-end
TypeScript, Node.js, Nest, TypeORM
Front-end
TypeScript, React, Next.JS, MobX, MUI
Maschinelles Lernen
Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow
Datenwissenschaft
Pandas, Matplotlib, Plotly, Numpy
Datenbanken
PostgreSQL
QA
AQA, QA Manual

Prozess

In der ersten Phase klärten unsere Spezialisten die Ziele des Kunden und definierten sie neu, da der ursprüngliche Vorschlag viele Probleme in Bezug auf die Machbarkeit und die Endnutzung aufwies. Während des gesamten Entwicklungsprozesses wendeten unsere Spezialisten zusätzliche AutoML-Ansätze an, um die Modellbereitstellungsrate zu erhöhen. Da unser Modell mehr Stichproben erhielt, die denen der letzten Jahre ähnelten, implementierten wir eine benutzerdefinierte Resampling-Technik, die den Effekt der Datendrift reduzierte.

Unser Projektteam arbeitete nach der Scrum-Methode mit zweiwöchentlichen Sprints und täglichen Besprechungen. Der Projektleiter blieb in Kontakt mit dem Kunden und passte Änderungen des Umfangs an. Alle Aufgaben wurden in Jira nachverfolgt, wobei der PM die Aufgaben zuwies und die Gesamtleistung überwachte.

Derzeit ist das Projekt aktiv, wobei unser Team an der Verbesserung der Produktionsvorhersage und der Integration von ML-Lieferkettenmodulen arbeitet.

Team

1
Project Manager
1
Business-Analyst
2
Front-end Entwickler
2
Back-end Entwickler
2
ML-Ingenieure
1
UI/UX-Designer
1
QA Engineer

Ergebnisse: Vorhersagbare ML-Lieferkettenmodule mit 630% senken das Risiko eines Produktionsstopps

Die Innowise hat die ML-Funktionen des Kunden für die Lieferkette um eine DSaaS-Erweiterung zur Vorhersage von Lieferbedingungen erweitert. Dank der ML- und DS-Algorithmen, die die Vielzahl von Variablen innerhalb eines komplexen Lieferkettensystems berücksichtigen, kann der Kunde nun kontinuierlich auf potenzielle Beschaffungsprobleme achten und Sendungen gründlicher planen, wodurch Informationssilos vermieden werden. Dank der neuartigen Lösung kann der Kunde die Lieferkettenprozesse selbstbewusst steuern, ohne sich über unvorhergesehene Komplikationen oder betriebliche Verzögerungen Gedanken machen zu müssen. Darüber hinaus kann unser Kunde dank des maschinellen Lernens in der Lieferkette nun fundierte Entscheidungen treffen, die zur operativen Exzellenz und zu höheren Umsätzen in den digitalen Verkaufsstellen beitragen.

Dauer des Projekts
  • Oktober 2022 - Laufend

45%

Reduzierung der Lieferunterbrechungen

630%

geringeres Risiko eines Stillstands der Produktionslinie

Kontaktieren Sie uns!

Buchen Sie einen Anruf oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

    Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.
    Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
    und andere Infos bei.
    Hängen Sie nach Bedarf zusätzliche Dokumente an.
    Datei hochladen

    Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

    Beachten Sie bitte, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

    Wie geht es weiter?

    1

    Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA für die Vertraulichkeit der Informationen zu unterzeichnen.

    2

    Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

    3

    Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung zu treffen.

    4

    Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.

    Vielen Dank!

    Ihre Nachricht wurde gesendet.
    Wir werden Ihre Anfrage bearbeiten und Sie so schnell wie möglich kontaktieren.

    Vielen Dank!

    Ihre Nachricht wurde gesendet.
    Wir werden Ihre Anfrage bearbeiten und Sie so schnell wie möglich kontaktieren.

    Pfeil