Intelligentes Tool für präzise Paketprognosen

Im Rahmen eines Projekts mit der Post AG entwickelte das Center for Digital Production ein maßgeschneidertes Prognosemodell auf Basis von Machine Learning, das saisonale Schwankungen, unregelmäßige Datenmuster und feiertagsbedingte Nachfrageverschiebungen des Paketvolumen präzise berücksichtigt. [...]

Das Austrian Center for Digital Production (CDP) mit Sitz in der Seestadt Aspern in Wien ist eine der führenden Forschungs- und Entwicklungsplattformen für die industrielle Produktions- und Fertigungstechnik. Das CDP unterstützt Betriebe bei der innovativen Digitalisierung und Automatisierung von diskreten Fertigungs- und Produktionsprozessen. Für die Österreichische Post AG wurde nun ein Projekt zur Optimierung der Paketnachfrageprognose realisiert.

Im Rahmen des Projektes wurden Mechanismen aus dem Bereich Machine Learning systematisch untersucht, um eine nachhaltige Steigerung von Planungs- und Produktionsprozessen des Zustellnetzwerks und damit deutliche Kosteneinsparungen zu ermöglichen. Die Ergebnisse dieser Studie bieten für die Post die Grundlage für die Entwicklung und Integration der identifizierten Ansätze in die Planungs- und Zustellprozesse. „Die Ergebnisse der Studie stellen sowohl für die Österreichische Post AG als auch für das CDP eine signifikante Grundlage für die Auswahl geeigneter Algorithmen zur Verbesserung von Planungsprozessen basierend auf Machine Learning Konzepten dar“, erklärt Dietmar Winkler, Area Manager für Datenintegration und Analyse vom CDP.

Langfristige Nachfrageprognose für schwankendes Paketvolumen

Die Prognose der Paketnachfrage spielt eine entscheidende Rolle bei der Rationalisierung der Abläufe in der Postdienstleistungsbranche. Genaue Vorhersagen des eingehenden Paketvolumens und der Muster ermöglichen es Arbeitsabläufe zu optimieren und Ressourcen noch effizienter zuzuweisen. Der Fokus der Studie, die gemeinsam vom CDP und der Österreichischen Post AG durchgeführt wurde, lag darauf, die langfristige Nachfrageprognose für das schwankende und stetig wachsende Paketvolumen des Postdienstleisters noch präziser zu optimieren.

„Von zentraler Bedeutung war dabei die Identifikation und Evaluierung von zielführenden und zuverlässigen Vorhersagemodelle für Prognoseprozesse, die in weiterer Folge von der Österreichischen Post genutzt werden kann um sie in die Produktionslandschaft zu integrieren. Die spezielle Herausforderung, die sich durch saisonale Schwankungen und unregelmäßige Datenmuster ergeben, wurde mit einem angepassten und innovativen Ansatz erfolgreich bewältigt“, fasst Gerta Kapllani, Projektkoordinatorin und Research Engineer vom CDP, die besonderen Anforderungen zusammen.

Nach einer umfassenden Analyse der bestehenden Daten und der operativen Abläufe zum Projektstart wurden unterschiedlich Zeitreihenprognosemodelle, wie Facebook Prophet, Sarimax oder RNN-LSTM , implementiert und einer detaillierten Evaluation unterzogen. Im Fokus stand dabei die Ermittlung des Modells, das die besten Ergebnisse im Hinblick auf Präzision und Verlässlichkeit der Vorhersagen über einen längeren Zeitraum liefert.

Für einen strukturierten und effizienten Entwicklungs- und Analyseprozess, setzte das CDP auf das CRISP-DM-Framework (Cross-Industry Standard Process for Data Mining). Dieses Framework umfasst sechs iterative Phasen, die von der ersten Geschäftsverständnisphase über die Datenaufbereitung und -modellierung bis hin zur finalen Bereitstellung reichen. Diese strukturierte Vorgehensweise stellte sicher, dass jeder Schritt der Studie eng mit den Zielen und Vorgaben der Österreichischen Post AG verknüpft war und die Lösung optimal auf die spezifischen Anforderungen abgestimmt werden konnten.

Leistungsfähiges Prognosemodell

Die Ergebnisse der Studie sprechen für sich: Das vom CDP kundenspezifisch entwickelte Prophet-Modell ist besonders leistungsfähig. Die CDP-Lösung erzielte unter allen Modellen, die über einen längeren Prognosezeitraum getestet wurden, die besten Ergebnisse über einen Zeitraum von 365 Tagen. „Besonders signifikant ist die deutliche Reduktion des Vorhersagefehlers im Vergleich zu herkömmlichen Modellen und Baseline-Ansätzen. Dabei nehmen unser intensives Feature-Engineering, Datentransformation und Parameter Tuning zentrale Rollen bei der Verbesserung der Vorhersagegenauigkeit ein“, betont Gerta Kapllani, Projektkoordinatorin und Research Engineer vom CDP.

Besondere Herausforderungen stellen die spezifischen Anforderungen der Post dar. Dazu gehören unter anderem die saisonalen Schwankungen in der Paketnachfrage, die Problematik verrauschter und unregelmäßiger Daten sowie die Notwendigkeit, feiertagsbedingte Nachfrageverschiebungen in den Prognosen präzise abzubilden. Dank der umfangreichen Analyse und der sorgfältigen Modellierung dieser Faktoren ist die CDP-Lösung nicht nur robust und zuverlässig, sondern auch hoch anpassungsfähig.