KI-Anwendungsmöglichkeiten in SAP EWM
Einleitung
Die Integration von Künstlicher Intelligenz in die Lagerverwaltung ist längst keine reine Zukunftsvision mehr. SAP hat in den vergangenen Jahren erhebliche Investitionen in die Integration von KI-Funktionen in die Produktpalette getätigt – und SAP Extended Warehouse Management (EWM) bildet hier keine Ausnahme.
In diesem Beitrag beleuchten wir die aktuellen Möglichkeiten, KI in SAP EWM einzusetzen – von nativ integrierten KI-Funktionen bis hin zu Integrationsszenarien über die SAP Business Technology Platform (SAP BTP). Zudem stellen wir Ihnen Ideen für mögliche Anwendungsszenarien von KI in SAP EWM vor, die realistisch schon heute umsetzbar sind.
Native KI-Funktionen in SAP EWM
In den letzten Releases von SAP S/4HANA EWM wurden verschiedene KI- und Machine-Learning-Funktionen direkt im EWM integriert. Diese Funktionen sind ohne zusätzliche Drittanbieterlösungen nutzbar und fügen sich nahtlos in die bestehenden Prozesse ein.
Slotting mit Machine Learning
Mit dem SAP S/4HANA 2022 Feature Pack 1 wurde die Funktion Slotting by Machine Learning eingeführt. Diese Funktion erweitert das Slotting und nutzt Machine-Learning-Algorithmen, um automatisch optimale Lagerprodukt-Stammdaten für neue oder geänderte Produkte vorzuschlagen.
Die Funktionsweise ist dabei wie folgt: SAP EWM analysiert die Stammdateneinstellungen bestehender Produkte und deren Lageraufgaben, z.B. für die Kommissionierung, und leitet daraus Muster ab. Auf Basis dieser Muster schlägt das System automatisch folgende Lagerprodukt-Stammdaten vor:
- Einlagersteuerkennzeichen
- Lagerbereichskennzeichen
- Lagerplatztypkennzeichen
Der Vorteil: Sie reduzieren den manuellen Aufwand bei der Stammdatenpflege erheblich und profitieren von konsistenteren Lagerungsstrategien, da das System automatisch aus bewährten Mustern lernt. Voraussetzung für eine sinnvolle Anwendung ist allerdings, dass Sie bereits Lagerprodukte haben, die korrekt bzw. optimal gepflegt sind.
Intelligente Arbeitsplanung auf Basis von Machine Learning
Seit S/4HANA 2023 Feature Pack 3 steht die intelligente Arbeitslastplanung in S/4HANA Cloud, Private Edition, zur Verfügung.
Die Funktionalität soll Abteilungs- und Schichtleiterinnen und -leiter dabei unterstützen, den Personalbedarf früher und präziser einzuschätzen. Dazu sammelt die intelligente Arbeitslastplanung historische Arbeitslast-Datensätze und kann daraus die voraussichtliche Dauer für zukünftige Lageraufträge und Aktivitäten berechnen.
Die Prognose erfolgt dann entweder auf Basis von standardisierten Vorgabezahlen oder durch eine Analyse der historischen Ausführungszeiten mit Machine-Learning-Algorithmen durch ein Szenario des Intelligent Scenario Lifecycle Management in SAP BTP (siehe hierzu weiter unten).
ABC-Analyse und datenbasierte Klassifizierung
SAP EWM bietet mit der integrierten ABC-Analyse eine weitere Funktion zur datenbasierten Optimierung. Die ABC-Analyse kategorisiert Produkte automatisch basierend auf historischen Lagerbewegungsdaten. Die so ermittelte Klassifizierung des Lagerprodukts kann in Kombination mit dem Slotting genutzt werden, um beispielsweise schnelldrehende Artikel (A-Artikel) automatisch in ergonomisch günstige Lagertypen und Lagerbereiche zu verlagern.
Joule – der KI-Copilot von SAP
Mit Joule hat die SAP einen KI-Assistenten eingeführt, der mittlerweile in zahlreichen SAP-Anwendungen in der Private Cloud und Public Cloud integriert ist. Joule ermöglicht die Interaktion mit SAP-Systemen in natürlicher Sprache und unterstützt bei der Navigation, Datensuche und -auswertung und der Ausführung von Aufgaben.
Für die Supply-Chain-Anwendungen wurden mehrere spezialisierte Joule Agents angekündigt, darunter einen Production Planning and Operations Agent, der Materialverfügbarkeit und Kapazitäten prüft und Produktionsaufträge validieren kann. Auch wenn diese Agents primär auf die Produktionsplanung abzielen, zeigen sie die Richtung, in die sich die KI in der Logistik bewegt.
KI-Integration über die SAP Business Technology Platform
Neben den nativ integrierten KI-Funktionen existiert mit der SAP Business Technology Platform (SAP BTP) eine leistungsfähige Plattform für die Integration externer KI-Dienste und -APIs. Über den SAP AI Core und den Generative AI Hub können Sie sowohl SAP-eigene als auch externe Large Language Models (LLMs) in Ihre Geschäftsprozesse einbinden.
ABAP AI SDK und Intelligent Scenario Lifecycle Management
Mit dem ABAP AI SDK und dem Intelligent Scenario Lifecycle Management (ISLM) wurde ein Framework bereitgestellt, das die Integration von Generative AI direkt in ABAP-Anwendungen ermöglicht.
Die wichtigsten Eigenschaften des SDK für Entwicklerinnen und Entwickler:
- Integration von Large Language Models (LLMs) in bestehende ABAP-Anwendungen
- Erstellung von Prompt-Templates für wiederkehrende KI-Anfragen
- Anbindung an den SAP Generative AI Hub
- Lifecycle-Management für KI-Szenarien mit Transportwesen und Versionierung
SAP Generative AI Hub und Cloud Connector
Der Generative AI Hub in SAP AI Core bietet Zugang zu verschiedenen LLMs. Per API können diese Modelle aus SAP-Anwendungen heraus angesprochen werden; dies ist also der bevorzugte Integrationsweg für die Nutzung externe KI-APIs in Ihrem SAP S/4HANA EWM On-Premise oder Private Cloud. Für eine sichere Anbindung an SAP BTP benötigen Sie zusätzlich den SAP Cloud Connector. Damit können auch bestehende EWM-Systeme von den KI-Services in der Cloud profitieren, ohne die Sicherheitsarchitektur zu gefährden.
Konkrete Use Cases für KI in SAP EWM
Die technischen Möglichkeiten sind vielfältig – doch viele Unternehmen suchen nach konkreten Anwendungsfällen für die KI in der Lagerverwaltung. Im Folgenden stellen wir Ihnen vier exemplarische Use Cases für Künstliche Intelligenz in SAP EWM vor, die bereits heute umsetzbar sind und das Potenzial für die Verwendung von KI in SAP EWM verdeutlichen.
Use Case 1: KI-gestützte Einlagerstrategie basierend auf Auftragsmustern
Herausforderung
Klassische Einlagerstrategien berücksichtigen primär physische Produkteigenschaften wie die Größe oder das Gewicht. In SAP EWM wird üblicherweise manuell und statisch das Einlagersteuerkennzeichen im Lagerprodukt gepflegt, um die Einlagerstrategie festzulegen. Dabei wird nicht berücksichtigt, welche Produkte häufig zusammen bestellt und ausgeliefert werden. Dies führt zu längeren Kommissionierwegen und ineffizienten Prozessen - so wird im späteren Prozessverlauf schlimmstenfalls entweder eine zusätzliche Konsolidierung oder ein getrennter Versand benötigt. Beide sind wesentliche Kostenfaktoren und daher möglichst zu vermeiden.
Lösung
Mithilfe von Machine-Learning-Algorithmen können Muster in historischen Auftragsdaten erkannt werden. Das System lernt, welche Produkte häufig zusammen bestellt werden, und beeinflusst auf dieser Basis die Einlagerstrategie z.B. durch Anpassung von Einlagersteuerkennzeichen oder Lagerbereichskennzeichen. Produkte mit hoher Korrelation werden somit räumlich nahe beieinander gelagert.
Umsetzung in SAP EWM
Die Anbindung an die Machine-Learning-Engine erfolgt entweder lokal auf einen separaten Server oder über SAP BTP. In diesen Fällen wird eine externe ML-Engine benutzt. Die Machine-Learning-Algorithmen können theoretisch auch direkt in SAP EWM umgesetzt werden.
Die Anpassung der Einlagerstrategie kann auf vielerlei Wegen erfolgen, der sich nach der konkreten Problemstellung und bestehendem Customizing der Einlagerstrategie in SAP EWM richtet. So ist neben der direkten, automatischen Pflege von Einlagersteuerkennzeichen und Lagerbereichskennzeichen auch die Implementierung eines Korrelationsrankings denkbar, sodass eine Erweiterung der Einlagerstrategie direkt bei der Lagerplatzfindung auf korrelierte Produkte zugreifen kann. Diese Erweiterung funktioniert ähnlich wie die Einlagerregel “Einlagerung nahe Fixplatz”, wobei die Entsprechung zum Fixplatz in diesem Fall der Lagerplatz eines korrelierten Produkts ist.
Use Case 2: Automatische Anlieferungserstellung aus Lieferscheindaten
Herausforderung
Im Wareneingang müssen Anlieferungen häufig manuell auf Basis von physischen, papierbasierten Lieferscheinen erstellt oder angepasst werden. Dies gilt insbesondere, wenn Sie den Wareneingangsprozess auf Basis von Erwarteten Wareneingängen (EGR) aufgesetzt haben. Doch auch bei bereits existierenden Anlieferungen müssen die ausgedruckten Lieferscheindaten mit den Daten im System abgeglichen werden.
Dies ist zeitaufwendig und fehleranfällig.
Lösung
Ein KI-Modell zur Bilderkennung kann die relevanten Daten aus Fotos bzw. Scans von Lieferscheinen extrahieren und diese automatisch mit den Erwarteten Wareneingängen bzw. schon existierenden Anlieferungsbelegen abgleichen. Bei Übereinstimmung wird die Anlieferung automatisch erstellt bzw. gemäß Toleranzeinstellungen im System ggf. die Liefermenge angepasst.
Umsetzung in SAP EWM
Hierzu bietet sich als technischer Beginn des Prozesses entweder die Verwendung eines mobilen Dialogs auf Basis von SAPUI5 oder eine Erweiterung in der Desktop-Transaktion /SCWM/GRPE an. Es wird ein Foto oder Scan des Lieferscheins angefertigt und per Cloud Connector über den Generative AI Hub in SAP BTP an die KI-API gesendet. Die KI für die Bilderkennung kann bei datenschutzrechtlichen Bedenken auch lokal betrieben und angebunden werden.
Die KI ermittelt aus den Bilddaten die relevanten Daten für die Anlieferungserstellung und gibt diese an SAP EWM zurück. Alternativ kann die KI auch selbst die Daten ermitteln, per API in EWM nach einem passenden EGR oder einer Anlieferung suchen und per API die Anlieferungserstellung bzw. Mengenanpassung anstoßen. Die Suche nach passenden EGR und Anlieferungen kann über die auf dem Lieferschein angegebene Bestellnummer oder (falls bereits Anlieferungen vorliegen) Lieferavis-Nummer oder ggf. über die Kreditorennummer und die Materialnummer erfolgen.
Use Case 3: Automatische Qualitätskontrolle durch Bilderkennung
Herausforderung
Qualitätskontrollen im Wareneingang, im Lager oder bei der Retourenbearbeitung sind oft zeitaufwendig und stark von der Erfahrung einzelner Mitarbeiterinnen und Mitarbeiter abhängig. Beschädigungen, falsche Etikettierungen oder Abweichungen vom Soll-Zustand werden nicht immer zuverlässig erkannt.
Lösung
Mithilfe von Computer Vision und Bilderkennungsalgorithmen können eingehende Waren oder Retouren oder Artikel im Lager automatisch auf Qualitätskriterien überprüft werden. Die technische Umsetzung erfolgt entweder durch Kameras an strategischen Punkten im Lager oder über ein Handheld-Gerät (MDE). Die Bilder werden dann von der KI in Echtzeit analysiert und die Qualitätseinschätzung zurückgegeben.
Umsetzung in SAP EWM
Die Integration kann über verschiedene Wege erfolgen. Beispielsweise kann mittels Cloud Connector in SAP BTP eine per API ein KI-Service für Bilderkennung angebunden werden. Die Ergebnisse der Bildanalyse werden dann an SAP EWM zurückgegeben oder von SAP BTP an einen weiteren KI-Service weitergegeben, der die SAP-EWM-APIs aufruft, um beispielsweise einen Verwendungsentscheid für das Prüflos bzw. den Prüfbeleg oder für die Retoure zu treffen, einen Status an der Handling Unit zu setzen oder den Bestand in den Sperrbestand umzubuchen.
Mögliche Prüfkriterien könnten z.B. eine beschädigte Verpackung, die Lesbarkeit von Etiketten und Barcodes oder sonstige Anomalien (z.B. Verfärbungen) sein.
Use Case 4: KI-gestützter Lagerverwaltungsmonitor
Herausforderung
Der Lagerverwaltungsmonitor in SAP EWM zeigt eine Vielzahl an Daten an: offene Lageraufgaben, Lagerplatzkapazitäten, Handling Units, An- und Auslieferungspositionen oder Message Queues. Die Interpretation dieser Daten und das Ableiten von Handlungsempfehlungen erfordert jedoch z.T. viel Erfahrung und Zeit.
Lösung
Durch eine Erweiterung des Lagerverwaltungsmonitors um eine KI-Schnittstelle – beispielsweise als generische Monitormethode – können Mitarbeiterinnen und Mitarbeiter gemeinsam mit einer KI die angezeigten Daten in natürlicher Sprache interpretieren. Ein LLM analysiert die Daten kontextbezogen und liefert Handlungsempfehlungen.
Umsetzung in SAP EWM
Die Einbindung im Lagerverwaltungsmonitor erfolgt z.B. über eine Monitormethode, die einen API-Aufruf an einen KI-Service durchführt. Der API-Aufruf kann per Cloud Connector über den Generative AI Hub in SAP BTP erfolgen oder per direkter API-Integration. Die Monitordaten sowie die Frage des Benutzers bzw. der Benutzerin werden als Kontext übergeben und die KI-Antwort wird im Monitor angezeigt.
So könnten Anwenderinnen und Anwender die KI z.B. als Entscheidungshilfe bei der Priorisierung von Lageraufgaben oder zur Erkennung von Engpässen nutzen.
Voraussetzungen für den KI-Einsatz in SAP EWM
Bevor Sie KI-Funktionen in Ihrem SAP-EWM-System nutzen und die hier beschriebenen Szenarien realisieren können, sollten Sie die folgenden Voraussetzungen prüfen:
- Systemvoraussetzungen: Für die native ML-Funktion Slotting by ML benötigen Sie mindestens SAP S/4HANA 2022 FPS01.
- Lizenzierung: Slotting ist Teil von SAP EWM Advanced und erfordert dementsprechend eine separate SAP-EWM-Lizenz.
- Anbindung von SAP EWM an BTP: Für die Nutzung des ABAP AI SDK und des Generative AI Hub ist eine SAP-BTP-Instanz mit entsprechenden Service Agreements notwendig.
- Datenqualität: Machine-Learning-Algorithmen und generative KI sind nur so gut wie die Daten, auf denen sie trainiert werden. Eine saubere Stammdatenbasis ist entscheidend für den Erfolg Ihres KI-Projekts.
- Unternehmensdaten schützen: Bevor Sie einen der hier beschriebenen KI Use Cases für SAP EWM umsetzen, sollten Sie prüfen, ob Ihre Daten tatsächlich unmaskiert an die jeweilige datenverarbeitende Stelle, d.h. an die KI-API, gesendet werden sollten. Sie sollten den Datenschutz bei Ihrer Implementierung direkt mitdenken und ggf. auf lokal betriebene KI-Instanzen zurückgreifen.
- Clean Core first: Nutzen Sie, wo möglich und sinnvoll, die Clean-Core-Prinzipien für die Entwicklung Ihrer Erweiterungen und steuern Sie Ihre KI-Integration für SAP-EWM über SAP BTP.
Fazit
KI in SAP EWM ist kein Zukunftsthema mehr: Die technologischen Grundlagen sind bereits heute vorhanden und bieten vielseitige Möglichkeiten für die Integration von KI in Ihre Lagerprozesse.
Der Schlüssel zum Erfolg liegt allerdings nicht in der reinen Technologie; Sie sollten zunächst grundlegend klären, welcher Use Case für Ihr Unternehmen und Ihre Lagerlogistik sinnvoll ist. Nur eine KI-Integration, die tatsächliche Qualitätsverbesserungen und/oder Kosteneinsparungen erzielt, ist den Aufwand am Ende wirklich wert. Wir hoffen, dass wir Ihnen mit diesem Beitrag eine kleine Inspiration gegeben haben, selbst kreativ zu werden.
Ihr nächster Schritt
Sie möchten herausfinden, welche KI-Anwendungsfälle für Ihr Lager in Frage kommen? Unsere SAP EWM Beratung hilft Ihnen dabei, die Potenziale von KI in Ihrem SAP EWM zu evaluieren und mit Ihnen gemeinsam weitere Use Cases zu identifizieren.
