Foto: BVL/Bublitz

Klingt nach einer eigentlich einfachen Sache, hat aber wohl Verbesserungs-Potential: Pascal Notz, Gewinner des BVL-Wissenschaftspreises, hat Methoden entwickelt, die Machine Learning-Ansätze mit klassischer Optimierung kombinieren, um mit mehr Daten bessere Entscheidungen im Kapazitätsmanagement treffen zu können.

Die Auszeichnung ging diesmal an Notz für seine Dissertation «Präskriptive Analysen für datengesteuertes Kapazitätsmanagement» am Lehrstuhl für Logistik und Quantitative BWL-Methoden an der Universität Würzburg. Bislang bei Unternehmen vorhandene Datensätze, heisst es, die aus «historischer Beobachtungen der Nachfrage sowie erklärenden Variablen» bestünden, bieten bislang ungenutzte Möglichkeiten, durch innovative, präskriptive Verfahren besser zu planen und damit Kosten zu senken. Die im Rahmen seiner Dissertation neu entwickelten Verfahren wurden in Zusammenarbeit mit den Projektpartnern Main-Post Logistik und Lufthansa Technik Logistik Services auf praktische Planungsprobleme angewendet und auf realen Daten evaluiert. Im Vergleich zu klassischen Ansätzen hätten diese «präskriptiven Verfahren» zu Verbesserungen von bis zu 58 Prozent geführt.

Durch seine Innovations- und Anwendungs-Orientierung fordere der Wissenschaftspreis den Gewinner dazu heraus, gänzlich neue Wege zu beschreiten, ohne die Möglichkeit zur praktischen Anwendung aus dem Auge zu verlieren», so Wolfgang Kersten, Vorsitzender der Jury und Leiter des Instituts für Logistik und Unternehmens-Führung an der TU Hamburg-Harburg. Schliesslich spiele die richtige Planung von Personal-, Maschinen- und Transportmittelkapazitäten in der Logistik eine entscheidende Rolle. Es gehe nicht nur um Kosteneffizienz, sondern immer auch um die Zufriedenheit der Kunden mit der erbrachten Leistung. Dabei entstünden mitunter «komplexe Planungsprobleme unter Unsicherheit», bei denen in der Regel «nicht einmal eine Wahrscheinlichkeitsverteilung bekannt» sei.

Foto: Main Post Logistik

Zur Lösung stürzte sich der Preisträger in das noch junge Forschungsfeld «Predictive Analytics». Dabei habe er in seiner Arbeit zwei vollständig neue Verfahren des maschinellen Lernens entwickelt. Die Vorgehensweise sei auch auf andere Anwendungsfälle übertragbar. Um dabei die Akzeptanz der Planerinnen und Planer zu gewinnen, verfolgte Notz die Idee der sogenannten «Explainable AI», also der erklärbaren künstlichen Intelligenz. Er gestaltete sein Verfahren so, dass es nicht in einer «Black Box» ablaufe, sondern die Planenden jeweils genaue Informationen darüber erhielten, warum es bestimmte Kapazitäten vorschlug.

Neben dem Preisträger gab es zwei weitere Finalisten. «Dynamische Steuerungsstrategien für innerbetriebliche Routenzugsysteme» waren ein Thema für Christian Lieb, betreut von Johannes Fottner am Lehrstuhl für Fördertechnik Materialfluss Logistik der TU München.

Zweiter Finalist war Jan Phillip Müller, betreut von Ralf Elbert, Fachgebiet Logistik an der TU Darmstadt. Er bewarb sich mit einem «Stochastischen Entwurf von Dienstleistungsnetzen für den intermodalen Gütertransport». Der Wissenschaftspreis ist mit Euro 5000 dotiert und wird durch McKinsey unterstützt.

www.bvl.de