Kornfeld, welches aus tausenden von Pflanzen besteht.

Referenz

Prototypen für Kostensenkung in der Rohstoffversorgung

Um Rohstoffe zu guten Preisen einzukaufen und auf kurzen Wegen zu verschiedenen Standorten zu leiten brauchte es keine KI, aber eine klare, schlanke Lösung.

Kunde

Eine Bundes­weit agie­rende Mühlen­ge­sell­schaft

Branche

Agrarindustrie

Lösungen

Schlanke Softwarelösung

Projektteam

Zwei Entwickler

Unsere Leistungen
  • Unter­stüt­zung bei der Produk­ti­ons­pla­nung
  • Line­are Program­mie­rung
  • Proto­ty­ping

Der Kunde

Eine Bundes­weit agie­rende Mühlen­ge­sell­schaft mit Stand­orten in mehre­ren Bundes­län­dern und einer der Haupt­pro­du­zen­ten von Mehl in Deut­sch­land. Der Mehl­markt ist hier­zu­lande geprägt von einem star­ken Preis­kampf, wobei die Logis­tik ein wesent­li­cher Faktor für den Ange­bots­preis ist. Durch beste­hende Kontrakte kann mittel­fris­tig die Auslas­tung der Mühlen geplant werden. Verschie­dene Fakto­ren beein­flus­sen dabei die Preise, zu denen an Stand­orten produ­ziert werden kann. Ein Tool das eine opti­male Zuwei­sung errech­net, kann also einen stra­te­gi­schen Vorteil darstel­len.

Rohstoffe disponieren und verteilen zu optimalen Preisen

Die Aufgabe besteht darin, beste­hende Aufträge für einen bestimm­ten Zeit­raum den verschie­de­nen Mühlen­stand­orten zuzu­ord­nen. Dies soll jeweils zu den gerings­ten Gesamt­kos­ten gesche­hen. Bei der Kosten­be­rech­nung spie­len mehrere Fakto­ren eine Rolle, bspw. die Entfer­nung zum Kunden, indi­vi­du­elle Misch­ver­hält­nisse, sowie abwei­chende Wieder­be­schaf­fungs- und Kleie-Preise. Im ersten Schritt müssen die jewei­li­gen Daten­quel­len für Aufträge und Preise ermit­telt und zusam­men­ge­führt und im zwei­ten Schritt das Problem formu­liert werden. Die Heraus­for­de­rung besteht hier­bei darin, das Problem mathe­ma­tisch darzu­stel­len und einen geeig­ne­ten Weg zur Imple­men­tie­rung zu iden­ti­fi­zie­ren.

Beratung zu einer schlanken Lösung

Der Kunde vermu­tete zunächst, dass es einer KI-Lösung bedarf. Wir konn­ten aber klar­ma­chen, dass es sich hier­bei um ein deter­mi­nis­ti­sches Problem handelt, für das kein maschi­nel­les Lernen zum Einsatz kommen muss. Eine schlanke, line­are Program­mie­rung war hier das geeig­nete Mittel. Ziel ist ein Proto­typ, der basie­rend auf einer Excel-Datei die opti­male Vertei­lung errech­net und in einer Datei ablegt. Dies soll als Proof of Concept dienen, um die tatsäch­li­che Vertei­lung an der Errech­ne­ten zu messen.

Eine Lösungsidee

Die Umset­zung ist in drei Phasen erfolgt. (1) Sich­tung der Daten und mathe­ma­ti­sche Formu­lie­rung des Problems. Defi­ni­tion des Work­flows. (2) Ermitt­lung und Vergleich von verfüg­ba­ren Biblio­the­ken. Vorbe­rei­ten der Daten­struk­tur. (3) Erstel­lung einer schma­len Benut­ze­r­o­ber­flä­che zum Star­ten und Steu­ern der Opti­mie­rung. Test und Evalua­tion.

Das Ergebnis

Das Ergeb­nis ist ein schma­ler Proto­typ. Über eine Benut­ze­r­o­ber­flä­che kann eine Excel-Datei mit defi­nier­ter Struk­tur ausge­wählt werden, in der zu vertei­lende Aufträge enthal­ten sind. Auf Knopf­druck wird die opti­male Vertei­lung zu den gerings­ten Gesamt­kos­ten errech­net und in eine neue Datei geschrie­ben. Die Vertei­lung kann als Diskus­si­ons- und Planungs­grund­lage genutzt werden. In weite­ren Schrit­ten kann der Proto­typ weiter ausge­baut werden.

Die eingesetzten Methoden und Technologien

  • Python
  • PuLP
  • Tkin­ter
  • open­pyxl