Mit Machine Learning zu Wettbewerbsvorteilen bei der Angebotserstellung

This case study is also available in English

TL;DR

Die Challenge

SACAC sah sich der Herausforderung gegenüber, den Prozess der Angebotserstellung für individuelle Betonfertigteile zu optimieren.

Unser Lösungsansatz

INNOQ entwickelte ein individuelles Software-System, das auf Machine Learning basiert. Dieses System nutzt historische Traglastwerte von Betonstützen, um neue Traglasten vorherzusagen, wodurch der Angebotserstellungsprozess deutlich erleichtert wird.

Das Ergebnis

Eine erhebliche Zeitersparnis bei der Angebotserstellung und die Fähigkeit, präzise und wettbewerbsfähige Angebote zu erstellen, indem Fehlkalkulationen vermieden werden.

Auf einen Blick

Um die maximale Traglast einer Betonstütze zu ermitteln – beispielsweise für ein Hochhaus – und um die richtige Stützenform auszuwählen, sind eine ganze Reihe von Parametern wichtig: das zu tragende Gewicht, die Betonart, die Art und Menge des Bewehrungsstahls, die Anforderungen an die Brandwiderstandsklasse, die Länge der Stütze, der Standort innerhalb des Bauwerks etc. Insgesamt müssen bis zu 30 Parameter beachtet werden, um die Stütze vollständig zu beschreiben.

Bisher wurde bei der Angebotserstellung die Traglast der Säulen bei SACAC mithilfe der Finite-Elemente-Methode (FEM) berechnet. Ein numerisches Verfahren für komplexe, physikalische Aufgabenstellungen, bei dem das Bauteil in viele kleine Tetraeder aufgeteilt wird. Ein sehr umständlicher Prozess, denn die Software ist lizenzbehaftet und lässt sich in keiner Weise automatisieren oder integrieren. Daher muss die FEM händisch bedient werden und die Berechnung manuell erfolgen.

Der Wert guter Werte

Glücklicherweise hat SACAC seit jeher darauf bestanden, dass sämtliche Traglastwerte, die bereits berechnet wurden, detailliert erfasst und abgespeichert wurden. Ein keinesfalls übliches (und auch nicht sonderlich beliebtes) Prozedere, weil die Übertragung der Werte für die Mitarbeiter:innen einen erheblichen Mehraufwand bedeutete. Doch so konnten bereits durchgeführte Berechnungen für baugleiche Säulen von Kolleg:innen erneut verwendet werden. Und auch gerade im Hinblick auf Machine Learning war dieses Vorgehen sehr vorausschauend. Denn so wurden im Laufe der Zeit zigtausende Werte von den SACAC-Mitarbeiter:innen erfasst.

Das Potenzial dieser Werte war enorm. Doch um sie für die Angebotserstellung zu nutzen, brauchte es eine Lösung, die automatisiert Mengen solcher Werte berechnen kann. Innerhalb des INNOQ-Teams entstand deshalb die Idee, ein Deep Learning System anzulernen, um damit die Traglastwerte in einer Qualität vorhersagen zu können, die für die Angebotserstellung ausreichend genau ist. So werden die aufwändigen Berechnungen mit der FEM weder im Vertriebsprozess, noch bei der Angebotserstellung benötigt.

Im Rahmen des Projekts wurde eine komplette Machine-Learning-Pipeline in Betrieb genommen, von der Aufbereitung der Daten, über das Training des Modells bis zum Deployment in der Produktion. So können nun im Rahmen der Angebotserstellung Tausende von Spezifikationen automatisiert durchgerechnet werden. Das dabei erzeugte Deep Learning Modell ist in der Lage, auf dieser Basis Traglastwerte zu schätzen – mit beeindruckender Genauigkeit. Diese Schätzung hat im Durchschnitt eine Abweichung von 5%, in 95% aller Fälle bleibt die Abweichung bei 10% oder weniger. Tendenz steigend.

Zur Bewertung des Deep Learning Systems wurde gemeinsam mit dem Kunden eine angepasste Metrik entwickelt. Denn die Qualität eines Deep Learning Systems zu bewerten, erweist sich in der Praxis als nicht-triviales Thema. Doch um ein solches System entwickeln zu können, ist es nötig, neue Versionen mit den vorigen zu vergleichen und zu entscheiden, welche besser sind. Häufig sind neue Versionen in einigen Aspekten besser, aber in anderen evtl. auch schlechter. Eine ausgewogene Bewertung für diese vielfältigen Differenzen zu finden ist eine entscheidende Aufgabe, die nur durch die Fachexpert:innen von SACAC und die Maschine-Learning-Expert:innen von INNOQ gemeinsam zu lösen war.

Eine Frage der Wettbewerbsfähigkeit

Vorher gab es zwei Probleme bei der Angebotserstellung, die vor allem ein wirtschaftliches Risiko bedeuteten: Wurde für das Angebot ein Querschnitt gewählt, der für den speziellen Bedarf überdimensioniert und dementsprechend zu teuer war, war die Gefahr groß, den Auftrag zu verlieren. Wurde umgekehrt eine zu schwache, aber dafür günstige Stütze angeboten, machte SACAC bei der Ausführung des Auftrags Verluste, weil teurere Stützen benötigt wurden, als ursprünglich kalkuliert. Heute macht die Software anhand der vorgegebenen Parameter so genaue Vorschläge, dass Fehlkalkulationen weitgehend vermieden und so die kaufmännischen Risiken minimiert werden.

Ein Beispiel

Laut Plan wird für eine bestimmte Position in einem Hochhaus eine Stütze benötigt, die drei Meter lang ist und 1500 Kilonewton tragen muss. Die Ingenieurin hat sich aus Designgründen für eine runde Stütze mit einem Durchmesser von 200 Millimeter entschieden.

Anhand dieser Daten und der vorgegebenen Parameter, die die Tragfähigkeit betreffen, z. B. die Exzentrizität oder Betonfestigkeitsklasse, zeigt die Software eine Liste dazu passender Stützenquerschnitte und markiert auch die Stützen, die bereits von einem SACAC Ingenieur im Detail berechnet wurden.

Der Clou: die durch Machine Learning gewonnenen Werte zeigen in der Liste eine sehr genaue Schätzung der jeweiligen Traglast an. Dadurch sehen die Fachleute auf einen Blick, welche Stütze ideal und welcher Preis angemessen für das Angebot ist. Das bedeutet nicht nur eine deutliche Zeitersparnis für die SACAC Mitarbeiter:innen. Denn in diesem Fall wäre eine Preisspanne zwischen 35 und 88 Franken pro laufendem Meter möglich gewesen, was gesehen auf die Gesamtkalkulation des Bauprojektes einen deutlichen Unterschied bedeuten würde. Jetzt kann die günstigste Lösung für den Kunden gefunden werden und ein wettbewerbsfähiges Angebot erstellt werden.

Doch keine Sorge: SACAC verlässt sich nicht blind auf künstliche Intelligenz. Der von der Software erstellte Schätzwert dient nur als Grundlage für die Angebotsphase. Wird der Auftrag konkret, wird die Berechnung der Stütze noch einmal gründlich von einer Ingenieurin überprüft, bevor sie in die Produktion geht.