Der Luftfrachtspezialist Worldwide Flight Services (WFS) hat ein neues digitales Vorhersage-Tool entwickelt. Auf der Grundlage von Algorithmen des maschinellen Lernens, die auf 10 Jahren Betriebsdaten trainiert wurden, liefert es Prognosen des Frachtvolumens nach Flug, Lkw und Tag. Jedes Lager erhält präzise Daten, um Personal und Ressourcen im Voraus optimal auszurichten.
Die Luftfrachtbranche kämpft aufgrund schwankender Frachtmengen seit Langem mit ungenauen Prognosen. Die Personalplanung stützt sich häufig auf manuelle Schätzungen und historische Durchschnittswerte, was zu einer Diskrepanz von 10–15 Prozent zwischen Personalbestand und tatsächlichem Arbeitsaufkommen führt.
Die Performance Management Platform – Machine Learning Forecast (PMP MLF) unterstützt WFS bei der genauen Prognose von Frachtmengen. Die Basis dafür bilden Erkenntnisse aus der Verarbeitung von über 3 Mio. Luftfrachtbriefen sowie historischen Flug- und Lkw-Bewegungsdaten unter Berücksichtigung von Saisonalität, Feiertagen und Frachtarten.
Das System erstellt derzeit Prognosen für 9.842 Flüge und 6.216 Lkw-Bewegungen pro Woche in 75 Lagern in 13 Ländern. Es generiert tägliche Prognosen zu Tonnage, ULD und Stückzahlen, aufgeschlüsselt nach Transportart (Frachter, Pkw und Straßenzubringer), Flug- oder Lkw-Nummer, Kunde und Lagerstandort. Diese Prognosen fließen direkt in die Planungstools der einzelnen Standorte ein.
Mithilfe des PMP MLF-Tools kann WFS Volumenspitzen frühzeitig erkennen und entsprechend planen sowie Ressourcen proaktiv anpassen und Arbeitskräfte flexibler zwischen Teams oder Standorten verschieben. Die frühzeitige Planung des Arbeitsaufkommens mit präzisen Daten schafft Planungssicherheit und ermöglicht es den operativen Teams von WFS, weniger reaktiv und strategischer auf die Serviceanforderungen der Kunden einzugehen.
„Viele Jahre lang verließen sich Frachtabfertiger auf manuelle Einsatzplanung, Excel-Tabellen oder einfache gleitende Durchschnitte für Prognosen. Durch den Einsatz von maschinellem Lernen in einem komplexen operativen Netzwerk war es unser Ziel, reaktives Rätselraten durch datengestützte Klarheit zu ersetzen“, sagt Jimi Daniel Hansen, SVP Operational Excellence.
