KI-gestützte Kapazitätsprognose für die Cargologic AG
Entwicklung eines KI-gestützten Prognosesystems zur vorausschauenden Einsatz- und Kapazitätsplanung in der Luftfrachtlogistik. Ziel: Schichtleitungen erhalten frühzeitig Transparenz über Arbeitslast und Engpässe, um Personal und Ressourcen im täglichen Betrieb proaktiv zu disponieren.
Sujani Ragumar & Naara Montzerrat Mata Rivera & Claudio Vinci, 2026
Art der Arbeit Projektarbeit/Praxisprojekt
Auftraggebende Cargologics AG
Betreuende Dozierende Renold, Manuel
Views: 6
Die Einsatzplanung im Luftfrachtbetrieb ist stark volatil: Frachtmengen, Verspätungen und Flugplanänderungen werden oft erst kurzfristig sichtbar. Engpässe werden daher reaktiv erkannt, was zu Überstunden, ineffizienter Ressourcenverteilung und Risiken für Termintreue und Servicequalität führt. Priorisierungen und Umplanungen erfolgen häufig ad hoc. Obwohl umfangreiche operative Daten vorhanden sind, werden sie bislang nicht konsolidiert genutzt, um die zukünftige Arbeitslast systematisch vorherzusagen und den Schichtbedarf frühzeitig abzusichern. Dadurch fehlt Vorlaufzeit in der Planung.
Vorgehen nach CRISP-DM: Business Understanding mit Workshops und Definition der Zielgrössen (Workload, FTE/Schichtbedarf, Engpassschwellen). Data Preparation: Datenquellen identifiziert, bereinigt, harmonisiert und über eine ETL-Pipeline konsolidiert; Feature Engineering (Kalender-, Lag- und Trendmerkmale). Modeling/Evaluation: Modellvergleich und Tuning (Gradient Boosting/XGBoost) mit zeitreihenadäquater Validierung (rollierende Splits) und MAE/WAPE. Ableitung von Unsicherheitsbändern und Engpasslogik; Feedback aus dem operativen Umfeld; Umsetzung im nutzerfreundlichen Dashboard dargestellt.
Ergebnis ist ein validiertes MVP mit automatisierter Datenpipeline (ETL), Prognosemodell mit bis zu 4-Wochen-Horizont und operativem Dashboard. Die Prognosen werden täglich aktualisiert, inkl. Unsicherheitsband visualisiert und mit Ist-Werten vergleichbar gemacht. Potenzielle Engpässe werden über Schwellenwerte (z. B. >15 % über Plan-Kapazität) markiert und in eine planungstaugliche Sicht übersetzt (Hinweis auf benötigte FTE/Schichtbedarf). Dadurch erhalten Schichtleitungen frühzeitig Handlungsspielraum, um Massnahmen einzuleiten: Personal umdisponieren, Zusatzkapazitäten planen, Prioritäten anpassen und Aufgaben auf Prozessbereiche verteilen. Der Nutzen liegt in höherer Planungssicherheit, schnellerer Reaktionsfähigkeit auf Volumenschwankungen, reduzierter Ad-hoc-Überstundenplanung und stabilerer Termintreue. Das Dashboard ist ohne Data-Science-Vorkenntnisse nutzbar und unterstützt die tägliche Einsatzplanung als Entscheidungshilfe. Das MVP ist modular aufgebaut und bildet eine belastbare Grundlage für Pilotierung, Integration in bestehende Prozesse und spätere Skalierung; für den produktiven Betrieb sind definierte Betriebs-, Monitoring- und Governance-Prozesse erforderlich.
Studiengang: Business Artificial Intelligence (Bachelor)
Keywords Luftfrachtlogistik, Kapazitätsplanung, Arbeitslastprognose, Predictive Analytics, Maschinelles Lernen, Forecasting, Datenpipeline (ETL), Dashboard, Engpasswarnung, CRISP-DM, MVP
Vertraulichkeit: vertraulich