Wie KI die Ersatzteillogistik optimiert

16 Uhr im Ersatzteillager: Die letzten Bestellungen des Tages treffen noch ein, während der LKW zum Abholen schon bereitsteht. Transportbehälter müssen so schnell wie möglich geschlossen, Ware kommissioniert, verpackt und versandfertig gemacht werden – unter hohem Zeitdruck und mit maximaler Präzision. Es ist die stressigste Tagesphase für die Mitarbeitenden. Und gleichzeitig die, in der reibungslose Abläufe und effiziente Steuerung aller Prozesse den größten Unterschied machen können.

Genau an diesem kritischen Punkt setzt ein neues Projekt des KION Tochterunternehmens Urban-Transporte an. Das Ziel: weniger Stress im Lager, stabilere Prozesse und mehr Effizienz im Ersatzteilgeschäft. Bei Urban soll mithilfe von Machine Learning nämlich künftig vorhergesagt werden, ob eine Bestellung tatsächlich vollständig ist und fertig verpackt werden kann – oder ob es wahrscheinlich ist, dass der Kunde vor Bestellschluss noch weitere Teile zusätzlich ordert.

Hintergrund: Im Ersatzteilgeschäft bestellen Kunden ihre benötigten Komponenten oft bis kurz vor der sogenannten Cut-off-Zeit, dem Zeitpunkt, bis zu dem Bestellungen noch am selben Tag versendet werden können. Bislang bedeutete das für die Mitarbeitenden viel Wartezeit. Denn solange nicht sicher war, ob noch weitere Bestellpositionen für denselben Behälter eintreffen würden, konnte dieser nicht endgültig verschlossen werden. Die Folge: starke Arbeitsspitzen am Tagesende, hoher operativer Druck und eine erschwerte Übergabe an den Versand.

„Unsere Kunden dürfen bis 16 Uhr bestellen, der LKW kommt aber bereits um 18 Uhr. In den 120 Minuten dazwischen müssen alle Boxen geschlossen, verpackt und versandfertig gemacht werden“, erklärt Johannes Neff, Projektverantwortlicher bei Urban Transporte.

Um die Planbarkeit zu verbessern und Stress zu reduzieren, entwickelte das Team ein datengestütztes Vorhersagemodell auf Basis von maschinellem Lernen. Dafür wurde Extreme Gradient Boosting (XGBoost) eingesetzt – ein Algorithmus, der historische Bestelldaten und operative Einflussfaktoren analysiert, um möglichst genaue Vorhersagen zu treffen, darunter:

• Tageszeit

• Wochentag

• Feiertage und Tage vor Feiertagen

• Echtzeit-Bestellaktivitäten

• Individuelles Bestellverhalten

Auf dieser Basis berechnet das System die Wahrscheinlichkeit, ob für einen Behälter noch weitere Artikel eintreffen. Die Mitarbeitende erhalten dadurch sofort eine Echtzeit-Empfehlung, ob der Behälter bereits geschlossen werden kann.

„Auf einem Display bekommt der Mitarbeiter direkt die Info: Achtung, wir erwarten keine weitere Bestellung, die Box kann geschlossen werden“, beschreibt Johannes Neff den Vorgang.

Die Ergebnisse eines Pilotprojekts im Ersatzteillager von RDC Nordics in Schweden, dem KION eigenen Ersatzteillager für die skandinavischen Länder, sprechen für sich: Die Prognose erreicht eine sensationelle Trefferquote von rund 96 Prozent.

Für die Mitarbeitenden im Ersatzteillager hatte das sofort direkte Auswirkungen auf den operativen Alltag, und zwar ausschließlich positive:

• Bestellungen können früher in den Versand gegeben werden

• Die Verpackungsarbeit verteilt sich gleichmäßiger

• Deutlich weniger Stress in Spitzenzeiten

• Bessere Ressourcenauslastung

• Reibungslosere Abläufe

Besonders sichtbar wurde die Entlastung bei den gleichzeitig zu bearbeitenden Paketen: Diese Zahl sank von rund 70 auf etwa 40. „Wir konnten den gesamten Prozess deutlich entzerren und waren am Ende des Tages früher fertig“, so Neff.

Besonders relevant ist der Nutzen natürlich für die Lagerteams selbst. Statt hoher Belastung kurz vor Versandende können Verpackungsprozesse früher beginnen und gleichmäßiger über den Tag verteilt werden. Das reduziert Stress in kritischen Zeitfenstern und verbessert die Planbarkeit im Tagesgeschäft deutlich.

Die physische Arbeit bleibt zwar dieselbe – Ware muss weiterhin bewegt werden. Doch Wege werden kürzer, Fehler werden reduziert und Mitarbeitende können produktiver arbeiten. KI wird hier nicht als Ersatz für Menschen eingesetzt, sondern als Unterstützung für bessere operative Entscheidungen.

Das Pilotprojekt zeigt exemplarisch, wie Datenanalyse und maschinelles Lernen operative Prozesse effizienter und stabiler gestalten können. Mit messbaren Verbesserungen in Sachen Produktivität, Prozesssicherheit und Ressourcennutzung unterstreicht die Initiative das Potenzial KI-gestützter Lösungen im Logistikbetrieb.

Neben dem erfolgreichen Pilotprojekt in Schweden läuft das Projekt ebenfalls in Tschechien und Spanien.

„Wir haben mit dem Pilotprojekt aufgezeigt, wie Innovation im operativen Alltag entsteht: durch das gezielte Hinterfragen bestehender Arbeitsabläufe und den Einsatz neuer Technologien“, sagt Projektleiter Neff stolz. Damit positioniere sich das Unternehmen als moderner, zukunftsorientierter Logistikpartner innerhalb der KION Group.

Auch in weiteren Bereichen wie Transportplanung, Arbeitsprognosen, Lagerplatzoptimierung oder automatisierter Dokumentenverarbeitung sieht Urban großes Potenzial für KI-gestützte Lösungen. Das Ziel bleibt dabei immer dasselbe: Prozesse effizienter gestalten und Mitarbeitende im Alltag spürbar entlasten.

Das Projekt zeigt eindrucksvoll: Bei KION ist KI ist hier kein Zukunftsthema mehr, sondern bereits heute ein konkretes Werkzeug zur Optimierung realer Lagerprozesse.