Wie TQG mit Machine Learning die Outbound-Leistung im Multi-Order-Picking steigert

Beim Multi-Order-Picking werden mehrere Aufträge gemeinsam kommissioniert, statt jeden Auftrag einzeln durchs Lager zu tragen. Entscheidend ist, welche Aufträge zusammen laufen. Das KI-System lernt aus historischen Auftrags- und Bestandsdaten, welche Artikel häufig gemeinsam bestellt werden, und gruppiert Aufträge so, dass die gemeinsame Route möglichst kurz ist, statt sie nach Eingangsreihenfolge zu bündeln.

First In, First Out arbeitet Aufträge in der Reihenfolge ihres Eingangs ab und ignoriert, wo die Artikel im Lager liegen. Das führt zu langen und oft doppelten Laufwegen, mehr Stopps und höherer Bearbeitungszeit, besonders wenn das Volumen steigt und die Warenkörbe variabler werden. Genau diese Punkte adressiert das ML-gestützte Order-Grouping.

Aufträge werden auf einer 2D-Lagerkarte abgebildet, einem Koordinatenraster der Regale mit binärer Produktkodierung. Eine Jaccard-Ähnlichkeit misst, wie stark sich zwei Aufträge inhaltlich überschneiden. Aufträge mit hoher Überschneidung werden gruppiert, und ein Greedy-Traveling-Salesman-Algorithmus optimiert die Kommissionier-Route für die Gruppe.

Getestet in der Black Week 2023 an beiden Standorten mit denselben Ressourcen. Bei More Nutrition: +11 Prozent Outbound-Leistung, 45 Prozent weniger Stopps, rund 23 Prozent gesparte Prozesszeit und über 6 Prozent kürzere Wege. Bei ESN: über +20 Prozent Outbound-Leistung, 27 Prozent weniger Stopps, rund 22 Prozent gesparte Prozesszeit und 10 Prozent kürzere Wege.

Weil sich die Sortimente unterscheiden. More Nutrition hatte in der Peak-Phase eine sehr hohe Produktvielfalt über nahezu das gesamte Sortiment, ESN einen homogeneren Mix. Der homogenere Mix erlaubt eine einfachere Gruppierung und damit höhere Zuwächse bei Outbound und Wegstrecke, während beim variablen Sortiment vor allem die Stopps stark sinken. Dasselbe System passt sich an das jeweilige Profil an.

Die Vorhersagen laufen über Mosaic AI Model Serving in einer serverlosen Architektur, angebunden über eine REST API. Diese skaliert auf Tausende Eingaben bei hoher Verfügbarkeit, sodass die Gruppierung auch dann trägt, wenn das Bestellvolumen sprunghaft steigt. Der Live-Test fand bewusst im Peak statt, nicht in einer ruhigen Phase.

Weil Lakehouse, Modell-Lifecycle und Echtzeit-Serving auf einer Plattform zusammenkommen. Delta Lake und Unity Catalog liefern eine governance-geführte, schnelle Datenbasis, MLflow und MLOps-Praktiken tragen Entwicklung, Deployment und Monitoring, und Mosaic AI Model Serving liefert die Vorhersagen serverlos aus. So wird aus dem Optimierungsmodell ein betreibbarer, skalierbarer Service.

Unity Catalog regelt Zugriffe, Data- und Model-Lineage und Auditierbarkeit über die gesamte Strecke. Welche Daten in welches Modell fließen und welche Modellversion aktiv ist, bleibt nachvollziehbar. Das ist die Grundlage, um das System reproduzierbar zu betreiben und auf weitere Standorte zu übertragen.

Das System wurde in den bestehenden Prozess integriert, inklusive Schulung der Mitarbeitenden. Die Vorhersagen werden über die REST API in den laufenden Ablauf eingespielt, statt den Prozess von Grund auf neu zu bauen. Kontinuierliches Monitoring gegen Kennzahlen und eine Feedback-Schleife optimieren den Betrieb Schritt für Schritt.

Ja. Datenbasis, Modell-Lifecycle und Serving-Weg bleiben gleich, sodass neue Standorte nach demselben Muster angebunden werden. Der Rollout auf weitere Lagerstandorte war von Anfang an Teil des Vorgehens.

Für Händler und Marken mit hohem Online-Bestellvolumen, schnellen Lieferzusagen und ausgeprägten Peak-Phasen, deren Kommissionierung an Laufwegen und Prozesszeit hängt. Je variabler die Warenkörbe und je höher das Volumen, desto größer der Hebel eines datengetriebenen Order-Groupings gegenüber starrem FIFO.

Dass die Rechenressourcen für die Vorhersagen bei Bedarf automatisch bereitgestellt und skaliert werden, ohne feste Server im Hintergrund zu betreiben. Für ein Peak-Event heißt das: Die Kapazität wächst mit der Last und schrumpft wieder, ohne dass Infrastruktur für den Spitzenfall dauerhaft vorgehalten werden muss.