Abstract
Die vorliegende Masterarbeit untersucht den Einsatz von Methoden des maschinellen Lernens (ML) zur Beherrschung von Datenkomplexität und zur Steigerung der Prozesseffizienz in der Handelslogistik der Sportartikelbranche am Fallbeispiel der Intersport Austria GmbH (ISA). Die Motivation gründet auf dem Problem, dass dynamische Sortimente, heterogene Produktgeometrien und manuelle Erfassungsprozesse im Wareneingang zu fehlerhaften physischen Artikelstammdaten führen. Diese Dateninkonsistenzen lösen prozessuale Kaskadeneffekte aus. Sie beeinträchtigen die automatisierte Füllgrad- und Versandeinheitenberechnung im Warehouse-Management-System (WMS), führen zu Störungen in automatisierten Kommissionier-Systemen und verursachen unkorrekte Frachtabrechnungen.Methodisch gliedert sich die Arbeit in eine dreistufige empirische Untersuchung auf Basis von 238.628 realen Datensätzen. Zunächst werden drei unüberwachte ML-Algorithmen, nämlich Isolation Forest, Local Outlier Factor und Mahalanobis-Distanz, zur Erkennung multivariater Anomalien implementiert. Der Datensatz wird hierarchisch entlang der unternehmenseigenen Warengruppen (WGR) sowie der überbetrieblichen Zolltarifgrundnummern (ZTGN) partitioniert. Die Evaluierung erfolgt anhand einer manuell annotierten Ground Truth über statistische Gütemaße. Darauf aufbauend werden historische Versand-, Paletten- und Abrechnungsdaten analysiert, um Frachtkostentreiber zu isolieren und Einsatzmöglichkeiten von ML im Transportcontrolling zu bewerten. Ergänzend werden Betriebs- und Sensordaten des Kommissionier-Roboters TGW PickCenter RovoFlex hinsichtlich Messgenauigkeit und Pick-Erfolgsquoten ausgewertet sowie ein Kriterienkatalog unter Berücksichtigung regulatorischer Änderungen im Verpackungsbereich erarbeitet.
Die Ergebnisse belegen, dass der Isolation Forest auf Ebene der dreistelligen Warengruppen mit einem ROC-AUC-Wert von 0,9547 und einer Präzision von 44,29 % das beste Werkzeug für ein ressourceneffizientes Stammdaten-Screening darstellt. Die Mahalanobis-Distanz erzielt mit 45,10 % den höchsten Recall. Die Segmentierung nach Zolltarifnummern liefert ebenso brauchbare Ergebnisse. In der Intralogistik können 23 % der Roboter-Fehlstopps auf überfüllte Zielkartons infolge falscher Volumendaten zurückgeführt werden. Im Frachtbereich ermöglicht die Bereinigung überhöhter Gewichtsdaten Frachtkosteneinsparungen von bis zu 45 % bei betroffenen Sendungen. Die integrierte Roboterwaage liefert mit einer Messabweichung von ± 23,79 g eine gute Datenquelle zur autonomen Stammdatenprüfung. Die Produktverpackung beeinflusst die Erfolgsquoten der Vakuum-Greifer maßgeblich.
Aus den Erkenntnissen lässt sich ein ganzheitlicher Handlungsleitfaden ableiten. Dieser umfasst periodische ML-Audits, die Einführung optischer 3D-Volumenscanner am Wareneingang, Software-Anpassungen zur dynamischen Fehlerweiterleitung sowie eine verbindliche Verpackungsrichtlinie.
| Datum der Bewilligung | 2026 |
|---|---|
| Originalsprache | Deutsch (Österreich) |
| Gradverleihende Hochschule |
|
| Betreuer/-in | Franz Freudhofer (Betreuer*in) |
Studiengang
- Logistik-Engineering und -Management
Zitieren
- Standard