Wie bestellt, so verkauft. Geht das?

Das Projekt PlantGrid entwickelt ein digitales Management-Unterstützungssystem für kleine und mittelständische Unternehmen, die im Garteneinzelhandel bzw. der Wertschöpfungskette von Zierpflanzen, Schnittblumen und Stauden tätig sind.

Das Management-System soll in der Lage sein, genauere Absatzprognosen zur Verfügung zu stellen. Somit kann die Disposition und Bestellung der Ware zielgerichteter erfolgen. Davon profitieren alle vorgelagerten Produktions- und Handelsstufen der Wertschöpfungskette sowie die Logistik.

Im Projekt arbeiten die Hochschule Weihenstephan-Triesdorf, die Hochschule Geisenheim University und das Unternehmen snoopmedia GmbH zusammen mit 10 weiteren Praxisbetrieben, deren Daten als Grundlage für die Entwicklung des Systems dienen.

Zunächst werden die Daten und Strukturen dieser Betriebe analysiert und daraus Optimierungspotentiale abgeleitet. Die Daten werden in ein dafür programmiertes Dashboard integriert, homogenisiert (Benennung und Granularität) und in ein Standardformat überführt. Von diesem Datenspeicher ausgehend wird ein auf Machine Learning basierendes Analysemodell entwickelt, d.h. mit den vorhandenen Datensätzen trainiert, um dann künftig verbesserte Absatzprognosen und Empfehlungen ableiten zu können.

Die Projektnehmer untersuchen hierbei unterschiedliche Fragestellungen,  z.B.: Wie müssen Informationssysteme konzipiert sein, um die heterogenen Strukturen adäquat abzubilden? Inwiefern können Absatzprognosen mit Analyse- und Prognoseansätzen verknüpft werden, die eine bessere Planung und Optimierung der Abläufe in den Supply Chains zum Ziel haben? Welche Herausforderungen ergeben sich daraus für die Logistiksysteme in den Wertschöpfungsketten?

Im Hinblick auf die Arbeitnehmer wird darüber hinaus geklärt, wie sich die Digitalisierung in den Unternehmen auf die Arbeitswelten verschiedener Gruppen von Beschäftigten auswirkt und welche Chancen und Risiken diese in einer zunehmenden Technisierung des Gartenbaus sehen.

Veröffentlichungen

Eiglsperger, Josef; Haselbeck, Florian; Stiele, Viola; Guadarrama Serranoa, Claudia; Lim-Trinh, Kelly; Menrad, Klaus; Hannus, Thomas; Grimm, Dominik G (2024) Forecasting seasonally fluctuating sales of perishable products in the horticultural industry. Expert Systems with Applications 249:123438, https://doi.org/10.1016/j.eswa.2024.123438

Eiglsperger, Josef; Haselbeck, Florian; Grimm, Dominik G (2023) ForeTiS: A comprehensive time series forecasting framework in Python. Machine Learning with Applications (12), 100467, https://doi.org/10.1016/j.mlwa.2023.100467

Haselbeck, Florian; Killinger, Jennifer; Menrad, Klaus; Hannus, Thomas; Grimm, Dominik G (2022) Machine Learning Outperforms Classical Forecasting on Horticultural Sales Predictions. Machine Learning with Applications 7: 100239, https://doi.org/10.1016/j.mlwa.2021.100239

Haselbeck, Florian; Grimm, Dominik G (2021) EVARS-GPR: EVent-triggered Augmented Refitting of Gaussian Process Regression for Seasonal Data. KI 2021: Advances in Artificial Intelligence, German Conference on Artificial Intelligence (KI), https://doi.org/10.1007/978-3-030-87626-5_11

Hüwel, Jan David; Haselbeck, Florian; Grimm, Dominik G; Beecks, Christian (2022) Dynamically Self-Adjusting Gaussian Processes for Data Stream Modelling. KI 2022: Advances in Artificial Intelligence, German Conference on Artificial Intelligence (KI), https://doi.org/10.1007/978-3-031-15791-2_10

Schroeder, Sam; Lehberger, Mira; Sparke, Kai (2022) The impact of digitalization and automation on horticultural employees – A systematic literature review and field study. Journal of Rural Studies 95: 560-569, https://doi.org/10.1016/j.jrurstud.2022.09.016

Abschlussarbeiten

Eiglsperger, Josef (2022) Synthesizing Time-Series Data with Generative Adversarial Networks. Master’s Thesis, Technical University of Munich (TUM), https://github.com/Zepp3/Master-Thesis

Gulobovic, Katarina (2022) An Online Machine Learning Framework for Changing Distributions in Time Series Data. Master’s Thesis, Technical University of Munich (TUM)

Picini, Ana (2023) Synthesizing Time-Series Data with Diffusion Models. Master’s Thesis, Technical University of Munich (TUM)