Künstliche Intelligenz : Österreichische Post optimiert Paketprognosen mit Machine Learning
In Zusammenarbeit mit dem Austrian Center for Digital Production (CDP) hat die Post ein Projekt zur Optimierung von Planungs- und Produktionsprozessen im Zustellnetzwerk abgeschlossen. Ziel war es, präzisere Vorhersagen über das Paketvolumen zu erstellen, um Abläufe effizienter zu gestalten und Kosten zu senken.
„Für die Österreichische Post AG haben wir in enger Zusammenarbeit ein Projekt zur Optimierung der Paketnachfrageprognose realisiert“, erklärt Sascha Gent, Geschäftsführer des CDP. Die Analyse konzentrierte sich auf verschiedene Machine-Learning-Modelle, um langfristige Prognosen für das schwankende und wachsende Paketaufkommen zu verbessern.
>> Sehen Sie hier, welchen Platz die Österreichische Post im aktuellen Reputationsranking einnimmt <<
Die Prognose des Paketvolumens spielt eine entscheidende Rolle für die Ressourcenplanung im Postbetrieb. Genaue Vorhersagen ermöglichen eine bessere Zuteilung von Arbeitskräften und Infrastruktur. Insbesondere saisonale Schwankungen und unregelmäßige Datenmuster stellten besondere Herausforderungen dar, wie Gerta Kapllani, Projektkoordinatorin und Research Engineer am CDP, betont: „Die spezielle Herausforderung, die sich durch saisonale Schwankungen und unregelmäßige Datenmuster ergeben, wurde mit einem angepassten und innovativen Ansatz erfolgreich bewältigt.“
Zur Modellierung setzte das CDP verschiedene Zeitreihenmodelle ein, darunter Facebook Prophet, Sarimax und RNN-LSTM. Die Modelle wurden hinsichtlich Präzision und Verlässlichkeit über einen längeren Prognosezeitraum getestet. Für den Entwicklungsprozess nutzte das CDP das CRISP-DM-Framework, einen Standardprozess für Data Mining, der von der Problemdefinition über die Datenaufbereitung bis zur Implementierung reicht.
Das beste Ergebnis erzielte ein maßgeschneidertes Prophet-Modell, das über einen Zeitraum von 365 Tagen hinweg die genauesten Vorhersagen lieferte. „Besonders signifikant ist die deutliche Reduktion des Vorhersagefehlers im Vergleich zu herkömmlichen Modellen und Baseline-Ansätzen. Dabei nehmen unser intensives Feature-Engineering, Datentransformation und Parameter Tuning zentrale Rollen bei der Verbesserung der Vorhersagegenauigkeit ein“, so Kapllani.
Zu den speziellen Anforderungen der Österreichischen Post zählten neben saisonalen Schwankungen auch verrauschte Daten sowie feiertagsbedingte Verschiebungen des Paketaufkommens. Die Lösung des CDP berücksichtigt diese Faktoren und ermöglicht eine präzisere Steuerung der Prozesse.
Dietmar Winkler, Area Manager für Datenintegration und Analyse beim CDP, betont die Bedeutung der Projektergebnisse: „Die Ergebnisse der Studie stellen sowohl für die Österreichische Post AG als auch für das CDP eine signifikante Grundlage für die Auswahl geeigneter Algorithmen zur Verbesserung von Planungsprozessen basierend auf Machine Learning Konzepten dar.“
Mit der Implementierung der neuen Prognosemodelle kann die Österreichische Post künftig Auslastungsspitzen und andere kritische Zeiten besser steuern und Ressourcen gezielter einsetzen. „Wir sind stolz darauf, gemeinsam mit der Österreichischen Post AG einen nachhaltigen und wertschaffenden Beitrag zur Digitalisierung und Effizienzsteigerung im Postwesen leisten zu können“, resümiert Sascha Gent.