codecentric AG

Beschrijving

Bij de thuisbezorging van dranken en andere levensmiddelen is een snelle afhandeling van bestellingen een doorslaggevend concurrentievoordeel. Daarom moeten er maximaal 120 minuten verstrijken van het bestellen in de webshop tot aan de aflevering aan de voordeur.

Voor het aansturen van de logistiek van chauffeurs zet flaschenpost Machine Learning in om voorspellingen te maken voor logistieke processen en leveringsketens. Daarbij worden grote hoeveelheden data voorbereid en geanalyseerd om patronen en trends te identificeren die helpen bij het voorspellen van de beschikbaarheid van chauffeurs en het schatten van de duur van werkstappen. Hoe nauwkeuriger de schattingen zijn, hoe preciezer de resultaten van de ritplanning voor de chauffeurs.

Uitdaging

Als het aantal voorspelde chauffeurs op een bepaald moment niet correct is, leidt dit vaak tot een onder- of overbezetting van de chauffeurscapaciteit: Een onderbezetting kan leiden tot inactieve wachttijden en mogelijk tot afgewezen bestellingen, terwijl een overbezetting vertragingen en annuleringen kan veroorzaken van bestellingen die niet meer bediend kunnen worden. De accurate voorspelling van deze punten draagt dus direct bij aan een hogere klanttevredenheid en daarmee aan een omzetstijging.

Oplossing

// Teamstructuur

Een gezamenlijk team, bestaande uit ontwikkelaars van flaschenpost en codecentric, is gevormd voor de duur van het project. Het team bestond uit een mix van ervaren en jonge data scientists en data engineers, die agile-methoden zoals Scrum gebruikten om de algoritmen continu te verbeteren en te operationaliseren.

// Mijlpalen van het project

Een belangrijke mijlpaal was het uitbreiden van het forecasting-portfolio, zodat verdere stappen in de leveringsketen konden worden geoptimaliseerd met Machine Learning. Daarnaast werden verschillende oplossingen voor het automatiseren van complexe data- en Machine-Learning-pijplijnen onderzocht en geïmplementeerd. Deze moesten de inspanning voor administratieve en operationele taken verminderen. Bovendien ging het erom de metrics van verschillende algoritmen overzichtelijk weer te geven en met elkaar te kunnen vergelijken. Zo kan het beste model snel worden geïdentificeerd en kan er systematisch onderzoek plaatsvinden naar welke data leiden tot verbetering van een KI-model.

// Technische uitwerking

De instellingen die voorafgaand aan het trainen van een model moeten worden bepaald en die zijn prestaties beïnvloeden, zijn geautomatiseerd. Monitoring en reporting zijn zinvol uitgebreid, zodat het team de performance van het forecasting-portfolio nog beter in het oog heeft. De belangrijkste programmeertaal was Python, die naast de zeer goede integratie met Kubernetes en Azure ook alle relevante Machine Learning- en data-engineeringframeworks ondersteunt. Verder omvatte de technologie-stack onder andere Kubernetes, MLFlow, HyperOpt, FastAPI en streamlit.

Resultaten

Het geoptimaliseerde en uitgebreidere logistieke forecasting-portfolio van flaschenpost SE draait nu robuust en is eenvoudig uit te breiden. De oplossing maakt een systematisch onderzoek van data mogelijk en draagt daarmee bij aan verbetering van het KI-model. Dankzij automatisering, tracking met MLFlow en een dashboard dat de metrics van de afzonderlijke algoritmen inzichtelijk maakt, kon de cyclustijd van modelontwikkeling tot en met evaluatie in de live-omgeving aanzienlijk worden verkort.

Voor de ontwikkelaars bij flaschenpost is het nu mogelijk om de betrokken data, trainingsparameters en de benutting van de modellen transparant in te zien; bovendien kunnen de data eenvoudig worden aangepast. De zo doorontwikkelde modellen stellen flaschenpost in staat om de chauffeurslogistiek nog beter te voorspellen en te plannen, zowel vóór, tijdens als na een leveringstraject. Door de automatisering is zowel een verlaging van de kosten voor IT-infrastructuur als een versnelling van de data-analyse gerealiseerd.