Präzise Ankunftszeiten intelligent berechnen Echtzeittransparenz für Lieferketten dank Big Data und KI

Anbieter zum Thema

synetics GmbH

VMware Global Inc Zweigndl. Deutschland

Fujitsu Technology Solutions GmbH

Bei Versandhändlern wie Amazon, Zalando und Co. ist es üblich, Bestellungen nachzuverfolgen und zu sehen, wann die Lieferung ankommt. Was im Consumer-Bereich längst zur Gewohnheit geworden ist, war im B2B-Umfeld lange Zeit nicht möglich. Dabei ist das Wissen um die wahrscheinliche Ankunftszeit eines LKW eine wichtige Kennzahl für produzierende Unternehmen, Logistikdienstleister und Händler.

Für die Echtzeit-Lieferkettentransparenz im B2B-Umfeld fehlten bisher eine ausreichende Datengrundlage und bezahlbare Rechenkapazitäten. Mit modernen Algorithmen, künstlicher Intelligenz und Big Data lassen sich inzwischen diese wahrscheinlichen Ankunftszeiten – ETA für Estimated Time of Arrival – von Lieferungen so exakt vorhersagen und kommunizieren, dass mögliche Verspätungen nicht mehr Produktionsabläufe durcheinander bringen oder zu langen Wartezeiten an Laderampen führen, die ihrerseits zu noch größeren Verspätungen führen. Dafür stellen wir von Shippeo eine Plattformlösung bereit, die dieses aus dem B2C-Bereich bekannte Szenario auf Basis von KI in den B2B-Kontext überträgt: Termine für Warenlieferungen werden mit einer Genauigkeit von bis zu 98 Prozent berechnet.

Im Handel, in Produktionsstätten und Warenlagern erwarten die Mitarbeiter um eine bestimmte Uhrzeit die Ankunft des LKW mit neuer Ware. Sollte der sich signifikant verspäten, rufen sie im Lager an, von dort aus wird die Spedition angerufen, die versucht, den Fahrer zu erreichen. Dies ist ein zeitaufwändiger und ineffizienter Prozess. Bekommt der Empfänger über ein Tracking-System frühzeitig mitgeteilt, dass der LKW verspätet eintrifft und wann er voraussichtlich ankommen wird, entfallen die lästigen Anrufe.

Ist rechtzeitig bekannt, dass sich eine Lieferung verzögert, müssen die Mitarbeiter nicht unnötig an der Rampe warten, sondern können in der Zwischenzeit andere Aufgaben erledigen. Einkäufer profitieren ebenfalls von Echtzeitdaten. Sie geben ihnen einen Überblick darüber, ob Lieferungen pünktlich angekommen sind. Auch Kennzahlen und die Einhaltung von Service Level Agreements lassen sich so besser prüfen.

Getrackt wird, was wichtig ist

Für eine lückenlose Verfolgung einer Sendung müssen alle drei bis fünf Minuten Daten erhoben werden. Hinzu kommen Lagerdaten und Verkehrsinformationen, aus denen die LKW-Geschwindigkeit errechnet wird. Diese Daten stammen von mehreren Telematik-Anbietern in Europa. Auch die übliche Pausen- oder Verladezeiten an der Rampe gilt es zu berücksichtigen. Um die ETA aus den Echtzeitdaten so exakt wie möglich zu errechnen, sind außerdem externe Datenquellen, wie Wettervorhersagen oder Stauprognosen nötig. Letztlich bedarf es Daten aus bis zu 500 verschiedenen Quellen.

Neben dem Tracken von LKW-Lieferungen ist auch das Erfassen von Schiffslieferungen wichtig. Verspätete Lieferungen nehmen oft schon im Hafen ihren Anfang. Entweder haben Schiffe Verspätung, das Löschen der Ladung verzögert sich, oder die Zollabfertigung nimmt mehr Zeit in Anspruch als geplant. Auch ein hohes LKW-Aufkommen im Hafen kann zu Verzögerungen führen. Daher sind Informationen aus Häfen ebenfalls sehr wichtig für die genaue Berechnung des ETA und stehen am Anfang einer transparenten Lieferkette.

Mit Machine Learning zur Echtzeit-Lieferkettentransparenz

Die vielen erhobenen Daten zu bearbeiten, ist ein klassischer Anwendungsfall für Machine-Learning-Technologie. Sämtliche Daten, allen voran GPS- und Verkehrsdaten, werden zunächst aggregiert und, im Fall von Shippeo, an einen proprietären ETA-Algorithmus übergeben, der sie analysiert und so die voraussichtliche Ankunftszeit der Sendung berechnet. Mit der Zeit lernt der Algorithmus dazu und verfeinert seine Prognosen. Ist auf einem bestimmten Streckenabschnitt zu einer bestimmten Tageszeit immer Stau, nimmt er diese Information in zukünftige Berechnungen auf.

Auch die Auf- und Abladezeiten an verschiedenen Stationen schätzt der Algorithmus mit der Zeit immer besser ab. So kann Shippeo oftmals schon einen Tag vor der Lieferung eine genauen ETA ausgeben. Das hilft Herstellern, Abläufe zu rationalisieren und Latenzzeiten oder Engpässe in ihrer Lieferkette zu reduzieren. Wenn solche Informationen mit langer Vorlaufzeit verfügbar sind, lassen sich auch Routen rechtzeitig anpassen und optimieren. Dies verkürzt im Idealfall die Transportzeit. Außerdem führen optimierte Routen zu geringerem Treibstoffverbrauch. Dies ist nicht nur ein ökonomischer, sondern auch ein ökologischer Vorteil.

Gerade bei einer so großen Datenmenge ist es essenziell, nur Daten zu erheben, die relevant sind. Informationen aus den Telematik-Systemen der Spediteure sollten daher immer nur dann abgefragt werden, wenn es einen Transportauftrag gibt und nur auf der letzten Meile. Dabei geht es vor allem um allgemeine Daten wie Geoposition, Geschwindigkeit und Fahrtrichtung, die in einem engen Muster abgefragt werden.

Mehr Effizienz, mehr Produktivität

Die so erreichbare Steigerung der Effizienz kommt allen Beteiligten zugute: Spediteuren und ihren Mitarbeitern, Händlern, produzierenden Unternehmen und auch der Umwelt. Denn eine erhöhte Transparenz in der Lieferkette führ zu optimierten Routen und besser ausgelasteten LKW, die weniger fahren und so Treibstoff sparen.

Neben den Anrufen bei Speditionen, wo denn die Lieferung bleibt, ist es möglich, Empfänger vorher aktiv zu informieren, beispielsweise über eine App oder per SMS. Diese systemgenerierten Nachrichten sparen allen Beteiligten Zeit und tragen ebenfalls zum verbesserten Kundenservice bei. Anbindungen an Yard- oder Warehouse-Management-Systeme sind ebenfalls denkbar.

Eine einheitliche Lösung zum Tracken von Lieferungen und dem Berechnen von ETAs kann die vielen verschiedenen Insellösungen ersetzen. Viele Spediteure und Logistikanbieter haben verschiedene Plattformen und Lösungen im Einsatz. Dies verhindert einen ganzheitlichen Blick auf das eigene Lieferkettennetzwerk und geht zu Lasten der Transparenz. Auch gibt es eine Vielzahl verschiedener Telematik-Apps, die auch von Fernfahrern genutzt werden. Allerdings ist diese Vielzahl oft verwirrend. Eine Lösung, die an mehrere Telematiken angebunden ist und mehrere Plattformen ersetzt, verschafft hier Abhilfe und bringt Fahrern Erleichterung. Die Verwendung einer Single Source of Truth verbessert die Datenqualität und hilft, genauere ETAs zu prognostizieren.

KI und Big Data optimieren Handel, Produktion und Logistik

Das präzise Wissen um die Ankunftszeit von Lieferungen ist ein in der Wirtschaft immer wertvoller werdendes Gut. Nicht nur lassen sich Produktionsprozesse danach ausrichten, auch für die Kundenzufriedenheit, im B2B- und letztlich auch im B2C-Bereich tragen exakte ETAs signifikant bei.

Denn dank solcher Informationen lässt sich die Verfügbarkeit von Waren im Handel sicherstellen. Spediteure und Verlader profitieren gleichzeitig davon, dass sie Verspätungen eher melden und hohe Strafzahlungen vermeiden. In einer Welt durchgetakteter Lieferketten bringt Planbarkeit von Ankunftszeiten also nicht nur einen betriebswirtschaftlichen, sondern auch einen volkswirtschaftlichen Nutzen.

* Der Autor Thomas Spieker ist Director Central Europe bei Shippeo.

(ID:47085624)