Durch Ergänzung fehlerbehafteter Unternehmensdaten mit Zensus und Geo-Daten, verbessert unser multimodales Modell, die Klassifizierung von Empfängeradressen.
Herausforderung
Eine präzise Adressklassifizierung ist entscheidend für eine effiziente Logistik. Das Unternehmen stand vor dem Problem, Empfängeradressen nicht korrekt einordnen zu können, was einen hohen manuellen Korrekturaufwand erforderte und die Betriebsabläufe stark belastete. Insbesondere bei internationalen Adressen verschärfte die Vielzahl der Sprachen das Problem und machte die manuelle Klassifizierung umständlich und zeitaufwendig. Zudem waren die historischen Versanddaten mit falschen Klassifikationen versehen.
Ansatz
Unser Ansatz nutzt Machine Learning, um die Adressklassifizierung zu automatisieren und zu optimieren. Die Kernstrategien sind:
- Datenanreicherung: Wir verbessern die Trainingsdatenqualität durch die Integration zusätzlicher Informationen aus externen Quellen. Dies kompensiert häufig vorkommende Fehler in historischen Versanddaten.
- Mehrsprachige Datenverarbeitung: Unser System verarbeitet Daten unabhängig von der Sprache, was eine schnelle Expansion in neue Märkte ermöglicht.
- Multi-Modales Maschinelles Lernmodell: Wir verwenden nicht nur Textdaten, sondern auch Geo-Features und Satellitenbilder, um die Leistung unseres Modells zu steigern.
Ergebnis
Durch Integration unseres Systems in die Adressklassifizierung kann der manuelle Korrekturaufwand drastisch reduziert werden. Dies vereinfacht die Tourenplanung, Tarifanwendung und Abrechung des Logistikdienstleisters. Fehlerkosten bei der Unterscheidung zwischen B2B- und B2C-Emfängern wurden um 46% reduziert. Das Projekt demonstrierte eindrucksvoll, wie maschinelles Lernen traditionelle logistische Herausforderungen überwinden kann und hob das Potenzial solcher Technologien hervor, herkömmliche betriebliche Prozesse in der Logistikbranche zu transformieren.
