Industrial AI · Open Source
Laufwege sichtbar machen. Lagerplätze fundiert verbessern.
Community Edition · Open Source · MIT
Analysieren Sie strukturierte Lager- und Kommissionierdaten, rekonstruieren Sie modellierte Laufwege und prüfen Sie regelkonforme Stellplatzvarianten.
Auswertung
Was die Analyse sichtbar macht.
Der Motor rechnet auf strukturierten Exporten: Knoten, Kanten mit deklarierter Länge, Stellplätze, Artikel, Zuordnungen und Picksequenzen. Daraus entstehen nachvollziehbare Wege — keine Schätzung und keine Messung von Personen.
- Distanzen. Gesamtweg, Median und p90 je Auftrag, bezogen auf den Ganggraphen.
- Häufige Segmente. Welche Gänge in den modellierten Touren oft vorkommen — ohne Aussage über Stau, solange keine Zeitbelege vorliegen.
- Konzentration. Welche Stellplätze und SKUs den Weganteil tragen.
- Tauschpaare. Constraint-geprüfte Simulationen auf denselben historischen Aufträgen. Eine simulierte Verkürzung ist keine realisierte Ersparnis.
Von den Daten zur Entscheidung
Daten strukturieren → Wege berechnen → Varianten prüfen.
- 01
Daten strukturieren
CSV-Exporte werden mit einem expliziten Mapping in den kanonischen Vertrag überführt. Einheiten, Gangrichtungen und Constraints werden nicht geraten.
- 02
Wege berechnen
Dijkstra auf dem deklarierten Graphen rekonstruiert jede sequenzierte Tour. Ausgaben: JSON, Markdown, HTML, Flow-Map und Spaghetti-SVG.
- 03
Varianten prüfen
Einzelne Stellplatztausche laufen durch neun harte Checks und eine historische Replay-Simulation. Die Pickreihenfolge bleibt unverändert.
Eingang: strukturierte Lager- und Pickdaten. Ausgang: modellierte Metriken, Visualisierungen und nachvollziehbare Befunde mit Anspruchstyp.
Fiktives Beispiel
Vom Ganggraphen zum Spaghetti-Bild.
Fünf Pick-Gänge, Wareneingang, Packerei und Versand. Die Linien sind die 8 längsten der 18 modellierten Aufträge. Sie folgen dem deklarierten Ganggraphen und den Öffnungen — nicht den Regalen.
Start Wareneingang · Ende Packerei · Sequenz geplant · Distanz: kürzester erlaubter Weg auf dem Graphen. Regale, Wände, Tore und Büro sind eine Darstellungsschicht. Sie gehen nicht in die Berechnung ein. Das Werkzeug importiert keinen Hallenplan als Bild.
- Rekonstruierte Aufträge
- 18 / 18
- Modellierte Gesamtdistanz
- 2 298 m
- Median je Auftrag
- 137 m
- p90 je Auftrag
- 171,8 m
- Dargestellte Wege
- 8 von 18
- Pickzeilen
- 54
Community und Industrie
Der offene Kern rechnet lokal. Die Halle braucht Kontext.
Die Community Edition ist der vollständige deterministische Motor — nicht eine abgespeckte Demo. Der mitgelieferte MCP-Server bleibt absichtlich bei fiktiven Datensätzen.
| Community Edition (MIT) | Industrielle Umsetzung |
|---|---|
| Vollständiger Python-Motor, lokal, deterministisch | Mapping gegen Stammdaten vor Ort |
CLI ifa für echte strukturierte Exporte auf Ihrem Rechner | Konnektoren zu WMS, ERP oder SQL, projektbezogen |
| Strukturierte Importe, Validierung, Tests und Evals | Feldvalidierung der modellierten Wege |
| Visualisierungen und constraint-geprüfte Simulationen | Betrieb, Zugriffsschutz und Begleitung |
| Skill plus lokaler MCP-Demobetrieb mit fiktiven Daten | Gehostete Anbindung nur nach eigener Sicherheitsarchitektur |
Die rechte Spalte beschreibt den industriellen Rahmen, nicht eine bereits ausgelieferte Produktliste.
Community Edition auf GitHubEinsatz im eigenen Lager besprechen
FAQ
Häufige Fragen.
Was berechnet der Flow Analyzer konkret?
Der Flow Analyzer rekonstruiert modellierte Kommissionierwege auf einem von Ihnen deklarierten Ganggraphen. Er liefert Distanzen, häufig genutzte Segmente, Stellplatzbesuche und — unter expliziten Constraints — die simulierte Wirkung einzelner Tauschpaare. Die Sequenz der Positionen wird nicht neu optimiert.
Misst das Werkzeug echte Laufwege?
Nein. Die Distanzen sind der kürzeste erlaubte Weg auf dem deklarierten Graphen zwischen aufeinanderfolgenden Zugriffsknoten, in der gelieferten Pick-Reihenfolge. Das ist eine modellierte Distanz, keine Messung realer Bewegung. Ob die Sequenz geplant, scan-bestätigt oder beobachtet ist, steht in jedem Datensatz.
Wie erhalte ich die Community Edition?
Die Community Edition ist Open Source (MIT) und liegt auf GitHub. Nach dem Klonen installieren Sie das Python-Paket lokal und nutzen die CLI `ifa` für Normalisierung, Validierung, Analyse und Simulation. Der Rechenkern benötigt Python 3.10 oder neuer und keine Pflichtabhängigkeiten.
Brauche ich MCP oder eine KI, um zu rechnen?
Nein. Der deterministische Python-Kern und die lokale CLI rechnen ohne Modell. Der Skill gibt einem Agenten die Fachsprache vor, damit Fakt, Berechnung, Simulation und Hypothese getrennt bleiben. Der mitgelieferte MCP-Server ist ein lokaler Demobetrieb und erreicht ausschließlich fiktive Datensätze.
Was unterscheidet Community und industrielle Umsetzung?
Die Community Edition enthält den vollständigen lokalen Motor, die CLI, strukturierte Importe, Visualisierungen, constraint-geprüfte Simulationen, Tests, den Skill und den MCP-Demobetrieb. Mapping gegen Stammdaten, Konnektoren, Feldvalidierung, Betrieb, Sicherheit und Begleitung gehören zur industriellen Umsetzung. Sie sind nicht als fertige Stecker in der Community Edition enthalten.
Kann das Werkzeug einen Hallenplan als Bild importieren?
Nein. Ein Lageplan wird nicht automatisch aus einer Grafik gelesen. Koordinaten, Gangkanten und deklarierte Längen kommen als strukturierte Daten. Eine architektonische Darstellung kann die gleichen Koordinaten nutzen, geht aber nicht in die Distanzberechnung ein.
Erst den Graphen prüfen, dann über die Halle sprechen.
Die Community Edition rechnet lokal. Wenn Mapping, Konnektoren oder Feldvalidierung nötig sind, klären wir das am konkreten Lager — ohne versprochene Ersparnis aus einem Modell.
Einsatz im eigenen Lager besprechenAlle Werkzeuge