Analysera och prognostiera efterfrågan i byggprojekt med hjälp av Machine Learning

Ett byggprojekt har mellan 8-10 leveranser per dag i genomsnitt och transporterna står för ca 10% av utsläppen under ett byggprojekt. För att minska miljöpåverkan och öka transporteffektiviteten genom att minska antalet transporter kan man inom byggbranschen arbeta för att samordna transporter till olika byggprojekt. Ett problem idag är att byggbranschen består av många små aktörer som alla var och en beställer sitt material, vilket gör det svårt för byggmaterialhandlarna att förstå vilka leveranser som kan samordnas. Vidare är den data som man får in via beställningarna inte alltid kopplade så att det är möjligt att se denna samordningspotential. Ahlsell vill förbättra sin fyllnadsgrad i transporter, men för att göra detta måste man koppla nuvarande data om leveranser till olika byggprojekt för att möjliggöra samlastning. Med hjälp av machine learning kommer order data att analyseras och klustras för att hitta olika sätt att identifiera mönster i transporterna till byggprojekt vilka kan användas för att prognostisera transportbehovet under olika faser av ett byggprojekt. Det kommer möjliggöra för Ahlsell att kunna förbättra sin fyllnadsgrad och optimera sina lager samtidigt som de servar kunden på ett bra sätt. Detta gör det också möjligt att minska miljöpåverkan genom färre transporter.
 

Mål

Identifiera transportmönster för olika typer av material/projekt i Östergötland. Hur kan man identifiera mönster i datan/klustring? Hur kan man prognostisera framtida trabsport och materialbehov för olika projekt baserat på mönsterna?