Wie gelingt eine optimierte Lagerplatzvergabe? Big Data und maschinelles Lernen

Inhaltsverzeichnis

1 Einleitung

1.1 Motivation und Problemfelder

1.2 Zielstellung

1.3 Gliederung der Arbeit

2 Grundlagen der Lagerwirtschaft

2.1 Aufgaben und Funktionen der Lagerhaltung

2.2 Arten von Lagersystemen

2.2.1 Statische Lagersysteme

2.2.1.1 Blocklager

2.2.1.2 Fachbodenregal

2.2.1.3 Palettenregal

2.2.1.4 Kragarmregal

2.2.2 Dynamische Lagersysteme

2.2.2.1 Einschubregal

2.2.2.2 Durchlaufregal

2.2.2.3 Paternosterregal

2.2.3 Automatische Lagersysteme

2.2.3.1 Palettenhochregal mit Regalförderzeug

2.2.3.2 Behälterlager

2.3 Lagerstrategien

3 Lagerplatzvergabe als Teil der Kommissionierung

3.1 Lagerplatzvergabestrategien

3.1.1 Feste Lagerplatzvergabe

3.1.2 Freie Lagerplatzvergabe

3.2 Kommissionierung

3.2.1 Kommissionierprinzip “Person zur Ware“

3.2.2 Kommissionierprinzip “Ware zur Person“

3.3 Manuelle Fördermittel

3.3.1 Frontstapler

3.3.2 Hubwagen

3.3.2.1 Regalförderzeug

3.4 Automatisierte Fördermittel

3.4.1 Roboter

3.4.1.1 Kommissionierroboter

3.4.1.2 Pick-by-Robot

3.4.2 Augmented Reality

3.4.2.1 Vor- und Nachteile von Augmented Reality

3.4.2.2 Einsatzgebiete

3.4.3 Fahrerlose Transportsysteme

3.5 Kommissionierkennzahlen

3.5.1 Kommissionierleistung

3.5.2 Kommissionierfehler

3.5.3 Kommissionierzeit

3.5.4 Kommissionierweg je Position

4 Big Data

4.1 Entwicklung von Big Data

4.2 Datenquellen

4.2.1 Social Media

4.2.2 Suchmaschinen

4.2.3 IoT – Internet of Things

4.3 Big Data Analyse

4.4 Probleme der Big Data Analyse

5 Maschinelles Lernen

5.1 Supervised Learning

5.1.1 Klassifikation

5.1.2 Regression

5.2 Unsupervised Learning

5.2.1 Clustering

5.2.2 k-Means-Algorithmus

5.3 Reinforcement Learning

6 Potentialanalyse optimierter Lagerplatzvergabe unter Anwendung von Big Data und Maschinellem Lernen

6.1 Weg

6.2 Raum

6.3 Zeit

6.4 Evaluierung

7 Zusammenfassung und Ausblick

Zielsetzung & Themen

Das Hauptziel dieser Arbeit besteht darin, das Potenzial von Big Data und Maschinellem Lernen zur Optimierung der Lagerplatzvergabe zu untersuchen. Im Fokus steht dabei die Forschungsfrage, ob und wie diese modernen technologischen Ansätze dazu beitragen können, Lagerhaltungsprozesse effizienter zu gestalten und bisher ungenutzte Optimierungspotenziale in den Dimensionen Weg, Raum und Zeit zu heben.

• Grundlagen der modernen Lagerhaltung und Kommissionierstrategien
• Einsatzmöglichkeiten von Big Data in der Intralogistik
• Methoden des Maschinellen Lernens (Supervised, Unsupervised, Reinforcement Learning)
• Potentialanalyse zur Lagerplatzoptimierung unter Berücksichtigung von festen und chaotischen Lagersystemen

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Dieses Kapitel motiviert die Themenstellung, beschreibt die Relevanz der Lagerplatzvergabe im Versandhandel und definiert die Zielstellung sowie den Aufbau der Arbeit.

2 Grundlagen der Lagerwirtschaft: Hier werden die Kernfunktionen der Lagerhaltung, verschiedene statische, dynamische und automatisierte Lagersysteme sowie grundlegende Lagerstrategien erläutert.

3 Lagerplatzvergabe als Teil der Kommissionierung: Das Kapitel analysiert verschiedene Strategien der Lagerplatzvergabe, erläutert Kommissionierprinzipien und gibt einen Überblick über manuelle sowie automatisierte Fördermittel und Kennzahlen.

4 Big Data: Dieser Teil befasst sich mit der Entwicklung und Bedeutung von Big Data, identifiziert Datenquellen wie Social Media oder IoT und diskutiert Analysemethoden sowie Herausforderungen.

5 Maschinelles Lernen: Hier werden die Grundlagen des Maschinellen Lernens dargelegt, wobei insbesondere Supervised, Unsupervised und Reinforcement Learning auf ihre Anwendbarkeit in der Intralogistik geprüft werden.

6 Potentialanalyse optimierter Lagerplatzvergabe unter Anwendung von Big Data und Maschinellem Lernen: Dieses Kapitel bildet den Kern der Arbeit und untersucht durch eine Potentialanalyse, inwiefern Big Data und Maschinelles Lernen in den Dimensionen Weg, Raum und Zeit zur Optimierung beitragen.

7 Zusammenfassung und Ausblick: Das Fazit fasst die Ergebnisse der Arbeit zusammen und gibt einen Ausblick auf die zukünftige Bedeutung dieser Technologien für die Intralogistik.

Schlüsselwörter

Lagerplatzvergabe, Lagerhaltung, Kommissionierung, Big Data, Maschinelles Lernen, Intralogistik, Potentialanalyse, Automatisierung, Supervised Learning, Unsupervised Learning, Reinforcement Learning, Lagerstrategie, RFID, Lagerverwaltung, Prozessoptimierung

Häufig gestellte Fragen

Worum geht es in dieser Bachelorthesis grundsätzlich?

Die Arbeit untersucht, inwiefern moderne technologische Werkzeuge wie Big Data und Maschinelles Lernen genutzt werden können, um die Effizienz der Lagerplatzvergabe in intralogistischen Systemen zu steigern.

Was sind die zentralen Themenfelder der Untersuchung?

Die zentralen Felder umfassen die Grundlagen der Lagerwirtschaft, verschiedene Kommissionierstrategien, die Erfassung und Analyse von großen Datenmengen (Big Data) sowie diverse Verfahren des Maschinellen Lernens.

Was ist das primäre Ziel oder die Forschungsfrage?

Das primäre Ziel ist die Beantwortung der Frage, ob Big Data und Maschinelles Lernen tatsächlich eine Optimierung der Lagerplatzvergabe ermöglichen, was durch eine detaillierte Potentialanalyse evaluiert wird.

Welche wissenschaftliche Methode verwendet der Autor?

Der Autor führt eine strukturierte Potentialanalyse durch, bei der die Kriterien Notwendigkeit und Umsetzbarkeit herangezogen werden, um den Wert verschiedener technologischer Ansätze in drei Dimensionen (Weg, Raum, Zeit) zu bewerten.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in die Darstellung wirtschaftlicher Grundlagen, eine technische Einführung in Big Data und Maschinelles Lernen sowie die spezifische Analyse von Optimierungspotentialen in Lagersystemen.

Welche Schlüsselwörter charakterisieren die Arbeit?

Wesentliche Begriffe sind Lagerplatzvergabe, Kommissionierung, Big Data, Maschinelles Lernen, Intralogistik, Potentialanalyse und Automatisierung.

Wie unterscheidet die Arbeit zwischen statischen und dynamischen Lagersystemen?

Statische Lagersysteme weisen Artikeln feste Lagerplätze zu, während bei dynamischen Systemen die Lagerplatzwahl flexibel erfolgt, oft unterstützt durch Lagerverwaltungssoftware, um eine höhere Auslastung zu erreichen.

Welche Bedeutung hat das Reinforcement Learning für die Wegeoptimierung in Lagern?

Reinforcement Learning ermöglicht Robotern und fahrerlosen Transportsystemen, durch Belohnungsmechanismen selbständig zu lernen, ihre Routen kontinuierlich zu verbessern und somit die Kommissionierzeiten zu minimieren.

Warum spielt die chaotische Lagerplatzvergabe eine wichtige Rolle bei der Optimierung?

Bei der chaotischen Lagerplatzvergabe bietet der Einsatz von Big Data durch Echtzeittracking erhebliche Vorteile, da jederzeit transparent ist, wo sich Waren befinden, was unnötige Suchwege verhindert.