Wie in kaum einer anderen Branche sind Daten die Ursache dafür, weshalb Unternehmen sich früher oder später für eine Warehouse-Management-Software entscheiden. Listensteuerungen oder auch das im ERP-System integrierte WMS bieten ab einer gewissen Komplexität der Intralogistik gar kein oder nur noch ein begrenztes Optimierungspotential.
In anderen Worten: Die eingetragenen Daten werden häufig nicht zur Verbesserung der Abläufe in der Intralogistik verwendet. Hersteller von WMS-Systemen werben deshalb mit dem hohen Optimierungspotential, das ihre Software bietet. Solche Potentiale finden sich beispielsweise in der Beschleunigung des Warenausgangs, der Routenfindung oder der Kommissionierreihenfolge. Herausfinden lassen sich diese Potentiale jedoch nur, indem man die Daten der jeweiligen Intralogistik korrekt nutzt.
Grundprämisse des softwaregesteuerten Warehouse-Managements ist folglich die Analyse, Strukturierung und Verwendung von Daten. Um die vorhandenen Daten bestmöglich zu nutzen, greifen Softwarehersteller daher auf Methoden des Data Minings, bzw. der Data Analytics zurück. Die Analyse großer Datenmengen wie beispielsweise Kundendaten oder Prozessdaten dient dazu, brauchbares Wissen zu extrahieren. Data Analytics greifen hierfür unter anderem auf statistische Methoden um Daten zu erkunden, zu visualisieren, zu entdecken und Muster und Trends in den Daten verständlich zu machen.1 Ziel dabei ist es letztlich, einen Wettbewerbsvorteil für das jeweilige Unternehmen oder dessen Kunden zu generieren.2
1 Sedkaoui, Soraya. Data Analytics and Big Data, John Wiley & Sons, Incorporated, 2018; S. 44.
