Kommissionierfehler mit KI auswerten

Das Problem

Die Kundin bestellt zehn Dichtungen Typ A und erhält zehn vom Typ B. Oder es fehlt eine Position, oder ein Paket enthält zu viel. Solche Kommissionierfehler (Fehler beim Zusammenstellen von Bestellungen) sind ärgerlich: Retouren, Nachlieferungen, Kulanz, verlorene Zeit und Vertrauen.

Meistens werden sie einzeln behoben: Reklamation, Ersatz, Entschuldigung. Dabei bleibt unklar, warum sie passieren. Ist es ein bestimmter Artikel, der leicht verwechselt wird? Eine Zone mit schlechter Beschriftung? Die Spätschicht? Die Zeit vor Feiertagen, wenn viel los ist?

Wer Fehler sammelt und auswertet, erkennt Muster. KI kann dabei helfen, Daten zu ordnen und Auffälligkeiten zu benennen. Aber sie sieht Ihr Lager nicht. Die Ursachen entdecken Sie, indem Sie hinsehen und mit den Leuten sprechen, die jeden Tag dort arbeiten.

So lösen Sie es mit KI – Schritt für Schritt

1. Erfassen Sie jeden Fehler einheitlich. Eine Tabelle mit Datum, Bestellnummer (als Kennung), Fehlerart (falscher Artikel, falsche Menge, fehlende Position, beschädigt, falsche Adresse), betroffener Artikel, Lagerplatz, Zeitpunkt der Kommissionierung, Schicht (nicht personenbezogen), wie der Fehler entdeckt wurde (Kunde, Kontrolle).

1. Sammeln Sie genügend Fälle. Ein paar Wochen reichen für erste Hinweise, mehrere Monate sind besser. Einzelne Fehler sagen wenig, Häufungen viel.

1. Beschränken Sie die Daten auf das Nötige. Entfernen Sie Kundennamen und Adressen. Auswertung auf Artikel- und Prozessebene, nicht auf Personenebene.

1. Lassen Sie die KI Gruppen bilden. Bitten Sie sie, Fehler nach Art, Artikel, Zone, Tageszeit und Schicht zu gruppieren und Häufungen zu nennen. Siehe Vorlage. Excel kann das ebenfalls; die KI hilft bei Beschreibung und Hypothesen.

1. Prüfen Sie die Zahlen. Zählen Sie Stichproben nach. Prüfen Sie, ob eine Häufung nur daher kommt, dass ein Artikel besonders oft bestellt wird. Vergleichen Sie Fehlerzahl mit Anzahl Positionen, nicht nur absolut.

1. Formulieren Sie Hypothesen. Zum Beispiel: «Zwei Artikel sehen ähnlich aus und liegen nebeneinander», «Die Beschriftung in Zone C ist schlecht lesbar», «Am Freitag nachmittag fehlt Zeit für die Kontrolle».

1. Gehen Sie ins Lager. Schauen Sie sich die Stellen an, an denen Fehler häufig sind. Sprechen Sie mit den Mitarbeitenden: Was fällt ihnen schwer? Wo verwechselt man leicht? Die Menschen kennen die Ursachen oft besser als jede Statistik.

1. Leiten Sie Massnahmen ab. Verwechselbare Artikel trennen, Beschriftung verbessern, Plätze anders ordnen (Lagerplätze mit KI planen), Kontrolle beim Verpacken (Scan oder Vier-Augen), Pausen und Zeitdruck anpassen.

1. Testen Sie die Massnahmen. Ändern Sie nicht alles gleichzeitig, sonst wissen Sie nicht, was gewirkt hat. Messen Sie die Fehlerzahl vorher und nachher.

1. Halten Sie die Erkenntnisse fest. Aktualisieren Sie Arbeitsanweisungen und besprechen Sie Ergebnisse im Team, ohne Schuldzuweisung.

Typische Fehlerarten und mögliche Ursachen:

Vorlage zum Kopieren

Mit diesem Prompt werten Sie Ihre Fehlerliste aus. Verwenden Sie anonymisierte Daten ohne Kunden- und Personennamen.

Du hilfst mir, Kommissionierfehler in einem Lager auszuwerten ([Branche, Grösse]). Deutsch (Schweiz).
Hier die Fehlerliste (Datum, Fehlerart, Artikel-Kürzel, Lagerzone, Tageszeit, Schicht A/B, Wie entdeckt): 
[Liste einfügen]
Zusätzlich: Anzahl Bestellpositionen pro Monat ungefähr [Zahl].
Aufgaben: 1. Zähle die Fehler nach Art, Artikel, Zone, Tageszeit und Schicht und stelle sie in Tabellen dar.
2. Nenne auffällige Häufungen und weise darauf hin, wenn die Datenmenge zu klein für sichere Aussagen ist.
3. Formuliere fünf Hypothesen zu möglichen Ursachen, ausdrücklich als Vermutungen.
4. Schlage für jede Hypothese eine Frage oder Beobachtung vor, mit der ich sie im Lager prüfen kann.
5. Nenne drei Verbesserungsideen, die ich testen könnte.
Rechne nur mit meinen Daten; erfinde keine Zahlen. Keine Bewertung einzelner Personen.

Behandeln Sie die Hypothesen als Anregung für den Gang durchs Lager, nicht als Ergebnis.

Worauf Sie achten müssen

• Korrelation ist nicht Ursache. Dass viele Fehler in einer Zone passieren, heisst nicht, dass die Zone schuld ist. Prüfen Sie vor Ort.
• Kleine Datenmengen täuschen. Bei wenigen Fällen sind Muster Zufall. Sammeln Sie weiter und seien Sie vorsichtig mit Schlüssen.
• Keine Personenbewertung. Wer Fehler einzelnen Personen zuordnet, erzeugt Angst, und Fehler werden verschwiegen. Auswertung nach Artikel, Zone und Prozess. Rechtlich sind Leistungskontrollen von Mitarbeitenden heikel; siehe KI-Mitarbeiterüberwachung.
• Datenschutz. Bestellungen enthalten Kundendaten. Verwenden Sie anonymisierte Daten und freigegebene Werkzeuge.
• Fehlererfassung ist selbst fehleranfällig. Wenn Fehler nicht gemeldet werden, ist die Statistik schief. Machen Sie die Meldung einfach und angstfrei.
• Massnahmen einzeln testen. Sonst ist der Effekt nicht nachvollziehbar.

Ein Beispiel aus der Praxis

Ein Beispiel: Ein Onlinehändler für Werkstattbedarf in Olten verschickt täglich rund 150 Pakete. Reklamationen wegen falscher Artikel häufen sich. Die Lagerleiterin führt sechs Wochen lang eine Fehlerliste.

Vorher: Einzelne Reklamationen, kein Bild. Nachher: Die Auswertung zeigt, dass ein grosser Teil der Falschlieferungen zwei ähnliche Ölfilter betrifft, die nebeneinander liegen. Beim Rundgang bestätigt ein Mitarbeiter: Die Etiketten sehen fast gleich aus. Die Lagerleiterin trennt die Artikel, vergrössert die Beschriftung und führt bei diesen Artikeln einen Scan beim Verpacken ein. In den folgenden Wochen sinken die Reklamationen.

So hilft Ihnen Alpasana

Wenn Ihr Team lernen soll, Daten aus dem Betriebsalltag mit KI sauber auszuwerten, bietet absofort Praxiskurse zu konkreten Arbeitsaufgaben. Laut Beschreibung gehören Excel, Datenverständnis und Dashboards sowie Qualitätsprüfung und Einsatzregeln dazu. Ein eigener Lagerlogistik-Kurs ist in der Beschreibung nicht aufgeführt. Mehr unter KI und IT für konkrete Arbeitsaufgaben.

Die Fehlerursachen in Ihrem Lager finden Sie vor Ort; der Kurs hilft, die Daten dafür richtig zu lesen.

Häufige Fragen

Wie viele Fehler brauche ich für eine Auswertung?

Für erste Hinweise genügen einige Dutzend Fälle über mehrere Wochen. Mehr Daten machen Aussagen verlässlicher.

Soll die KI meine Mitarbeitenden bewerten?

Nein. Werten Sie Fehler nach Artikel, Zone und Prozess aus. Personenbezogene Bewertungen schaden der Fehlerkultur und sind rechtlich heikel.

Reicht ein Scan-System, um Fehler zu vermeiden?

Es hilft stark, löst aber nicht alle Ursachen (zum Beispiel unklare Einheiten oder fehlerhafte Stammdaten). Siehe auch Artikelstammdaten bereinigen.

Wie erkenne ich, ob eine Massnahme wirkt?

Vergleichen Sie die Fehlerrate (Fehler pro 1000 Positionen) vor und nach der Änderung über einen vergleichbaren Zeitraum.