Ziel des Projektes ist die Entwicklung eines KI-basierten Systems zur automatisierten Prognose von Paketlieferungen. Für einen vordefinierten Zeitraum und Auftraggeber des Kunden ermittelt dieser Prototyp kalendertäglich das voraussichtliche Zustelldatum der Sendungen (Pakete) in Abhängigkeit vom Zeitpunkt der Kommissionierung und des Zustellgebietes.
Die PTA berät bei der Konzeption und bei der Entwicklung eines Prognosesystems, welches auf Basis von maschinellen Lernverfahren (Machine Learning) und historischen Daten das wahrscheinlichste Zustelldatum einer Paketlieferung ermittelt. Im Rahmen des sog. Feature Engineerings unterstützt die PTA den Kunden mittels explorativer Datenanalyse und geeigneter statistischer Methoden, prognoserelevante Merkmale zu identifizieren. Auf Grundlage zuvor mit SQL Skripten erhobener historischer Daten werden unterschiedliche Modelle unter Verwendung sog. überwachter Lernverfahren (Supervised Learning) gegeneinander evaluiert bzw. einem Benchmarking unterzogen. Das Verfahren mit dem geringsten Prognosefehler wird mit Python (scikit-learn) im Rahmen einer ETL-Pipeline implementiert. In der Cloud deployt, wird die Pipeline täglich automatisiert ausgeführt. Die Ergebnisse der Ausführung der Pipeline (Prognosen) werden via E-Mail Versand an den Auftraggeber des Kunden berichtet.
Das Gesamtprojekt ist eine Zusammenarbeit zwischen KEP-Dienstleister und Onlinehändler (Distanzhändler). Ziel des Onlinehändlers ist es, seinen Endkunden ein besonderes Kundenerlebnis zu bieten: Er möchte ihm schon bei Anfrage und Bestellung gern ein verlässliches Zustelldatum nennen. Der Onlinehändler übernimmt Beschaffung, Qualitätsprüfung, Lagerung und Kommissionierung der Sendungen. Der KEP-Dienstleister holt die Sendungen ab und ist für den Zustellprozess verantwortlich. In dem hier beschriebenen Projekt des KEP-Dienstleisters wird eine verlässliche Aussage für die Dauer des Zustellprozesses für die Bestellung des Endkunden ermittelt. Vor allem in Zeiten mit erhöhtem Sendungsaufkommen und der daraus resultierenden erhöhten Kapazitätsauslastung des Logistiknetzes kann es zu Verzögerungen bei der Zustellung der Sendungen kommen. Mithilfe des entwickelten Prognosesystems werden Wahrscheinlichkeiten für Laufzeiten von Sendungen auf Grundlage von maschinellen Lernverfahren und historischen Daten ermittelt.