Delivery Service: Optimierung der Lkw-Beladung
Ziel
- Beladung der Lkw so optimieren, dass Kundenlieferungen präziser zugestellt werden.
- Umsatz durch effizientere Auslieferung steigern.
Vorgehen
- Clusteranalyse der Kunden mittels maschinellen Lernens.
- Präzise Prognosen auf Basis robuster statistischer Verfahren.
- Fokus auf exakter Auftragserfüllung (order fulfillment).
Resultate
- Die Beladungseffizienz stieg um über 40 % – gemessen an erfolgreich zugestellten Kundenlieferungen.
- Höhere Zustellgenauigkeit und gestiegener Umsatz.
Energiesektor: Generative-KI-Strategie & Prozessoptimierung
End-to-End-KI-Beratung: Wir identifizierten die Use Cases mit dem höchsten Geschäftswert und etablierten GenAI- und LLM-Anwendungen im Unternehmen.
Ausgangslage
- Keine klare Roadmap, wo Generative KI und LLMs messbaren Geschäftswert liefern können.
- Fragmentierte Prozessbeschreibungen erschwerten Automatisierung und Kontrolle.
Vorgehen
- Stakeholder-Workshops, Value-Mapping und Machbarkeitsbewertung zur Priorisierung der KI-Gelegenheiten.
- Kritische Workflows erfasst und ein standardisiertes, KI-taugliches Format für Prozessbeschreibungen geschaffen.
- Proof-of-Concept: Prompts und Micro-Pipelines für LLM-gestützte, standardisierte Prozessdokumentation entwickelt.
Resultate
- Priorisierte GenAI-Roadmap mit den vier wichtigsten Use Cases, inklusive geschätztem ROI und Umsetzungsplan.
- Prototyp-Workflows für Wissensextraktion und Entscheidungsunterstützung – bereit für den Pilotbetrieb.
- Einführung eines intelligenten Prozessmanagementsystems.
Maschinenbau: Anforderungen übersetzt in eine RAG-Lösung
Wir wandelten Geschäftsanforderungen eines Maschinenbauers in produktionsreife KI-Funktionen und führten einen erfolgreichen Rollout von Retrieval-Augmented Generation (RAG) durch.
Ausgangslage
- Der IT-Zugriff auf technische Konstruktionsunterlagen war unvollständig und inkonsistent.
- Die Entwicklungsteams brauchten jedoch performanten und zuverlässigen Zugriff auf Design-Dokumente, Prüfberichte und Herstellerhandbücher.
Vorgehen
- Nutzeranforderungen aufgenommen; Pipelines für Dokumentenerfassung und Embedding entwickelt.
- Retrieval-Schicht für die Vektordatenbank entworfen, Prompt-Vorlagen entwickelt.
- Durchgängiges Projektmanagement: Backlog, Sprint-Planung, Modellauswahl, Performancemetriken und Koordination des Deployments.
Resultate
- Produktionsreife RAG-Anwendung im Einsatz: präzise, kontexttreue Antworten aus technischen Dokumenten.
- Deutlich kürzere Suchzeiten und verkürzte Prüfzyklen.
- Monitoring-Dashboards für Modell-Drift und Antwortqualität verfügbar.
Energiesektor: Kreditrisikomodell & Prototyp-Implementierung
Wir entwickelten ein mathematisches Portfolio-Modell und einen funktionsfähigen Prototyp, um Kreditrisiken im Energiehandel quantitativ zu messen und zu steuern.
Ausgangslage
- Der Kunde benötigte ein belastbares, quantitative Modell zur Bewertung des Kreditrisikos seines Handelsportfolios.
- Ziel: die Verlustverteilungsfunktion des Credit Value at Risk (Credit VaR) bestimmen – dabei müssen Korrelationen, Diversifikation und Granularität angemessen berücksichtigt werden.
- Auf dieser Basis war ein Prototyp zu entwickeln.
Vorgehen
- Modellarchitektur für eine Monte-Carlo-Simulation von Kreditausfällen entwickelt: Ausfallmodell, Rating-Übergangsmatrizen und Szenario-Aggregation.
- Kalibrierung der Modellparameter auf Basis von Marktdaten.
- Prototyp-Implementierung einschließlich Analyse-Komponenten für die Credit-VaR-Verlustverteilung sowie Visualisierungs- und Exportfunktionen für Berichte.
Resultate
- Voll funktionsfähiger, validierter Prototyp eines Credit-VaR-Portfoliomodells auf Basis der Monte-Carlo-Simulation.
- Sensitivitätsanalysen und Stresstest-Szenarien möglich.
- Die Kreditrisikoverantwortlichen können fundierte Entscheidungen zu Portfolio-Management, Absicherung und Kapitalallokation treffen.
Consumer products: Verbesserungen bei Forecast und Planung
Ausgangslage
- Der Kunde steckt teilweise in Lieferschwierigkeiten.
- Die Kundennachfrage wurde teilweise unterschätzt.
- Mögliche Umsatzeinbußen in der Zukunft sollen vermieden werden.
Resultate
- Für 47 Produkte wurde ein erhebliches Risiko gefunden. Bestellungen konnten teilweise nicht bedient werden. Für alle Produkte wurde eine neue Forecast-Methode implementiert.
- Für einige Materialien sehen wir Korrelationen zwischen Lieferfähigkeit und Bulk-Produktion. Hier wurde die Produktionsplanung entsprechend optimiert.
- 7 Materialien zeigten einen wachsenden Bestand, damit wachsende DIO. Ursache war ein niedrigerer als erwarteter Absatz in Frankreich. Der Kunde hat daraufhin eine Rabattaktion gestartet.
- Bei einem Produkt entstanden Lieferengpässe durch starke Fluktuationen bei den Lieferzeiten von Vorprodukten und Verpackungen. Hier wurde die Planung entsprechend angepasst und der Sicherheitsbestand höher eingestellt.
- Für ein Produkt für den italienischen Markt gab es in der Vergangenheit wachsende Fluktuationen in der Nachfrage und als Reaktion höhere Bestände für verschiedene Bestandteile dieses Produkts. Auch hier griff die neue Forecast-Methode, die Bestände konnten reduziert werden.
Bereit für planbare Bestandsreduktionen?
Buchen Sie jetzt Ihr Erstgespräch und erfahren Sie, wie wir auch in Ihrem Unternehmen zu signifikanten Ergebnissen kommen.
Jetzt Erstgespräch buchen!Keine Verpflichtung • 100% kostenlos • In 2 Minuten gebucht