customer story
Optimierung von Lieferketten- und Bestandsmanagement

Shell führt globale ML-Lösungen ein und spart Millionen von Dollar pro Jahr

BRANCHE: Öl und Gas

LÖSUNG: Lieferketten- und Bestandsmanagement

TECHNICAL USE CASE: Data ingest and ETL, machine learning

Bei einem großen multinationalen Unternehmen wie Shell geht es ständig darum, Wege zur Rationalisierung der kompletten Wertschöpfungskette auf der ganzen Welt zu finden. Die Verfolgung des Bestands und die Sicherstellung von Instandhaltungsfragen ist eine gewaltige Aufgabe. Heute setzt das Unternehmen auf Databricks für die Verarbeitung von Big Data und Machine Learning und erreicht durch verbesserte Lieferkettenabläufe und Bestandsverwaltung drastische Kostensenkungen.

Ölbohrinseln und -maschinen betriebsfähig zu halten, ist schwierig

Um größere Produktionsausfälle zu vermeiden, lagern mehr als 3.000 unterschiedliche Ersatzteile in den unzähligen Anlagenlagern von Shell – verstreut über den ganzen Erdball. Ist ein Geräteteil beschädigt, müssen sie umgehend zur Verfügung stehen – zur benötigten Zeit am benötigten Ort. Werden aber zu viele oder die falschen Ersatzteile eingelagert, entstehen dem Unternehmen unnötige Kosten. Neben der Austarierung dieses Gleichgewichts, hatte die Lagerverwaltung von Shell noch mit einer Reihe von Herausforderungen zu kämpfen, die die Lösung dieser Aufgabe zusätzlich erschwerten:

  • Dezentrale Lagerverwaltung: Shell hatte nicht eindeutig vorgegeben, wie seine Lager verwaltet werden sollten. So wurde jedes Lager individuell verwaltet – basierend auf Lieferantenempfehlungen, langjährigen Erfahrungen und dem „Bauchgefühl“ der Shell-Mitarbeiter.
  • Beschränkte Nutzung von EUS (Entscheidungsunterstützungssystem)-Daten: In der Lagerverwaltung wurden historische Daten und erweiterte Analysen nur eingeschränkt zu Entscheidungsfindungsprozessen hinzugezogen.
  • Suboptimale geschäftliche Agilität: Als Folge der dezentralen Lagerverwaltung und des beschränkten Rückgriffs auf DSS-Daten waren die Lager von Shell häufig unzureichend oder übermäßig gefüllt – verbunden mit unnötig hohen Kosten für Shell und unnötig langen Ausfallzeiten der Anlagen vor Ort.

Vorhersage von Geräteausfällen, Verbesserung der Bestandsverwaltung

Dank Databricks steht Shell nun eine cloudbasierte Unified Data Analytics-Plattform zur Verfügung, die das Unternehmen bei der Verwaltung seiner Bestände und Lieferketten unterstützt:

  • Databricks Runtime: Dank Databricks Runtime kann das Data-Science-Team von Shell seine Simulationen nun mit einer deutlich besseren Performance operieren lassen.
  • Interaktiver Workspace: Über den interaktiven Arbeitsbereich kann das gesamte Data-Science-Team nun gemeinsam an Daten und Modellen arbeiten.
  • Cluster-Management: Durch den Wechsel zur Cloud-Lösung von Databricks können betriebliche Abläufe effizienter gestaltet werden. Die Gesamtbetriebskosten werden so deutlich reduziert.
  • Automatisierte Workflows: Unter Zuhilfenahme einer analytischen Workflow-Automatisierung kann Shell einfach zuverlässige und schnelle Datenpipelines aufbauen, die es dem Unternehmen erlauben, den besten Zeitpunkt zum Kauf von Teilen, die beste Aufbewahrungsdauer und den besten Aufbewahrungsort vorherzusagen.

Einsparungen in Millionenhöhe bei der Bestandsverwaltung dank ML

Databricks bringt Teams aus den Bereichen Engineering und Data Science zusammen und ermöglicht es Shell, Machine-Learning-Modelle zur Vorhersage von Geräteausfällen und Bestandsproblemen einzusetzen. Dadurch können die Betriebseffizienz verbessert und die Kosten drastisch gesenkt werden.

  • Prädiktive Modellierung: Ein skalierbares, prädiktives Modell konnte entwickelt und auf über mehr als 3.000 Materialtypen an über 50 Standorten angewandt werden.
  • Historische Analysen: Um die historische Fehlerverteilung zu erfassen, beinhaltet jedes Materialmodell die Simulation von 10.000 Durchgängen nach dem MCMC-Verfahren.
  • Erheblicher Performancegewinn: Durch eine Fokussierung auf den Zuwachs von Performance, konnte das Data Science-Team – dank Databricks – auf einem Apache Spark™-Cluster aus 50 Knoten die Zeit für die Inventaranalyse und -prognose von 48 Stunden auf 45 Minuten reduzieren – ein Performancegewinn um 3200 Prozent.
  • Reduzierte Ausgaben: Mehrere Millionen US-Dollar jährlich spart Shell dank Databricks Cloud-basierter Lösung nun ein.
  • 32-facher
    Leistungszuwachs von Bestandsanalyse und Prognosezeiten
  • Millionen
    von Dollar an Kosteneinsparungen
  • Über 50
    Standorte weltweit positiv beeinflusst durch die Fähigkeit zur Bestandsprognose

Die Arbeit mit Databricks hat Shell einen echten Mehrwert beschert. Das Unternehmen bildet die Plattform für den weltweiten Einsatz unseres Bestandsoptimierungstools, das jedes Jahr Einsparungen in Millionenhöhe ermöglicht.“

– Daniel Jeavons, General Manager von Advanced Analytics CoE, Shell

Related Content


„Technical Talk“ auf dem Spark + AI Summit Europa 2018