Logistik gehört zu den wichtigsten und komplexesten Branchen der Welt. Wenn man es mit buchstäblich einer Million beweglicher Teile rund um den Globus zu tun hat, gibt es viel Raum für Fehler. Data Science gibt Logistikunternehmen jedoch die Möglichkeit, diese Punkte miteinander zu verbinden.

Die Herausforderung

Ein grenzüberschreitendes Speditionsunternehmen mit Sitz in Laredo, Texas, bietet Komplettladungsverkehre zwischen allen wichtigen wirtschaftlichen Ballungsräumen in zwei Ländern an. Die Flotte besteht aus 250 Zugmaschinen und 500 Aufliegern.

Vor der Zusammenarbeit mit Insight Softmax verfügte das Unternehmen über große Datenmengen, etwa Fahrtdaten, Statusmeldungen und Dispositionsinformationen. Es fehlte jedoch ein unternehmensweiter Zugriff auf diese Informationen. Einzelne Abteilungen arbeiteten in Silos, was zu Ineffizienzen, Doppelarbeit und verpassten Chancen führte.

Benötigt wurde eine Lösung, die Daten unternehmensweit zugänglich macht und so analysiert, dass sie Effizienz schafft, das Ziel selbstorganisierter Teams unterstützt und sogar die Zufriedenheit der Fahrer verbessert.

Vor der Zusammenarbeit mit ISC
Unternehmensdaten lagen in vielen voneinander getrennten Systemen, was einen breiten Zugriff verhinderte.

Nach der Zusammenarbeit mit ISC
Unternehmensdaten fließen nun durch einen zentralen Data Lake und machen den Zugriff in der gesamten Organisation möglich.

Der ISC Ansatz

Veränderungen in der Datennutzung beginnen mit einem Verständnis dafür, was verfügbar ist. Zu Beginn analysierte ISC Datenpunkte wie Fahrerbindung und Effizienz. Wir stellten Fragen zu verschiedenen Faktoren, etwa warum Fahrer kündigen oder welche Herausforderungen die Liefereffizienz beeinträchtigen. Anschließend entwickelten wir KI/ML-basierte Modelle, um diese Fragen zu beantworten.

Eine Erkenntnis aus unserer ersten Modellierung war, dass die ideale Situation auf der Straße aus einem Fahrer besteht, der 10 Stunden mit 60 mph fährt. Als „100% Effizienz“ entspräche das 600 Meilen pro Tag und 3,000 Meilen pro Woche. Die tatsächlichen historischen Daten zeigten jedoch, dass die Fahrer nur 2,434 Meilen pro Woche fuhren, also 81% Effizienz. Damit erhielt der Kunde eine klare Geschäftskennzahl, die täglich und wöchentlich verfolgt werden konnte, sowie ein klares Ziel.

Neben Effizienz ist Fahrerbindung eine wichtige Kennzahl für langfristigen Erfolg. Die Beziehung zwischen Planung, Überstunden, Leerlaufzeiten, Routenführung und allgemeiner Fahrerbindung ist komplex. Ein Bayes'scher Ansatz ermöglichte es uns, ein KI/ML-Modell zu entwickeln, das auf dem vorhandenen Wissen des Kunden aufsetzt und die komplexen Beziehungen zwischen Variablen lernt. Das Modell konnte die Effizienz von Tag zu Tag und die Fahrerfluktuation langfristig schätzen.

Das Team des Kunden konnte mit dem Modell verschiedene Eingabeparameter erfassen, darunter Kraftstoffkosten, Verschleißkosten, Fahrerüberstunden und bezahlte Leerlaufzeiten, und deren Auswirkungen auf die prognostizierte Effizienz sehen. IoT-Daten aus den Fahrzeugen der Flotte halfen dabei, Ineffizienzen einzelner Ausrüstungsgegenstände zu identifizieren. KI ermöglichte es, in einer hypothetischen Umgebung „mit den Zahlen zu spielen“ und zu sehen, was funktionierte und was nicht.

Im Verlauf dieses Prozesses stellten wir außerdem fest, dass die historischen Daten in Silos lagen. Das bedeutete, dass nur ein Bruchteil des Unternehmens überhaupt von dieser Effizienzkennzahl wusste. Um das zu ändern, machten wir die Daten über ein Dashboard in der gesamten Organisation teilbar. So konnten unterschiedliche Teams ihren Fortschritt nicht nur für sich selbst, sondern auch im Vergleich zu anderen verfolgen.

Die gemeinsame Arbeit an der Verbesserung dieses Effizienzwerts entwickelte sich von einer einzelnen Herausforderung zu einem Gemeinschaftsprojekt, bei dem Techniken geteilt, abteilungsübergreifend beraten und die Aufgabe gemeinsam gelöst wurde.

Der KI/ML-Unterschied

So funktioniert es: Im ursprünglichen Rahmen bezog das Unternehmen Daten aus verschiedenen Quellen, darunter Statusmeldungen, Fahrtdaten, Telematik, Disposition und Buchhaltung. Diese Datenpunkte wurden durch unterschiedliche Analysesysteme geleitet, zum Beispiel Telematik nur über GPS und Buchhaltung nur über Finanzsysteme. Anschließend wurden sie in verschiedenen Business-Intelligence-Berichten ausgegeben, die für ihre jeweiligen Silos nützlich waren, aber Chancen verpassten, Schwachstellen bereichsübergreifend zu prüfen.

Die Einführung von KI/ML-Programmen änderte die Eingabequellen nicht unbedingt, hatte aber einen deutlichen Effekt auf die Ergebnisse. Statt Datenpunkte durch getrennte Kanäle zu leiten, wurde alles durch ein cloudbasiertes Machine-Learning-Programm geführt. Dieses konnte jeden Datenpunkt in einem Data Lake zusammenführen und auf neue Weise analysieren. Statt der bisherigen Berichte konnten die neuen, ML-gestützten Berichte Teams in der gesamten Organisation deutlich bessere Daten auf völlig neue Weise bereitstellen.

Zusätzlich zu diesem neuen übergreifenden Rahmen wurden mehrere eigeninitiierte KI-Experimente umgesetzt, darunter Preisprognosen für Frachtraten, Document-Vision-KI (OCR und Microsoft Form Recognizer) sowie Fahrzeugkennzeichen-KI mit der Google AI Vision API.

Praxisnahe Ergebnisse

Durch die Kombination von Big Data, Advanced Analytics, IoT und Geodaten-Systemen mit KI/ML erzielten wir einige beachtliche Ergebnisse:

• Die Erstellung eines bereinigten, organisierten Data Lake mit einer Einweg-Synchronisierung laufender Ereignisse sorgte dafür, dass die Quelldaten in ihrem ursprünglichen Format geschützt blieben und gleichzeitig eine bislang nicht erreichte Transparenz entstand. Durch die Auflösung der Silos, die zuvor rund um verschiedene Machtstrukturen innerhalb der Organisation bestanden, konnten wir den Zugriff auf die Daten demokratisieren. Mit diesem freien Zugriff konnte das Unternehmen sein unternehmensweites Ziel erreichen, auf selbstorganisierte Teams umzustellen.
• Die Analyse von Fahrerpräferenzen je Arbeitsaktivität (Langstrecke vs. Kurzstrecke, lokal vs. international) führte zu besser abgestimmter Planung sowie zu höherer Arbeitszufriedenheit und Mitarbeiterbindung.
• Die Berechnung von Effizienzwerten für Ausrüstung führte zu den Ursachen von Problemen. Dieses Verständnis steigerte die Nutzung von Ausrüstung und Services, was niedrigere Kosten und höhere abrechenbare Leistungen bedeutete.
• Die Optimierung des Vertriebsprozesses reduzierte die Zeit für die Erstellung von Verkaufsangeboten von 4 Stunden auf 2 Sekunden.

Eine KI/ML-Denkweise etablieren

ISC arbeitete gemeinsam mit dem Speditionsunternehmen nicht nur daran, KI/ML-Programme zu entwickeln und bereitzustellen, sondern auch ein internes Programm zu starten, das Neugier und Innovation rund um die dadurch entstehenden Möglichkeiten fördern sollte. Dieser nächste Schritt in der Partnerschaft führte zu mehreren Pilotprojekten, darunter die Entwicklung einer Prognose-Engine für Frachtraten. Sie nutzte Machine Learning, um aus Ratenhistorie und weiteren Merkmalen Prognosen zu künftigen Preisen zu erstellen, bevor sich der Markt veränderte.

Der Prozess befindet sich zwar noch in einer frühen Phase, doch die Einführung einer Data-Science-Denkweise hat in der gesamten Organisation neue Chancen und Wachstumsmöglichkeiten eröffnet.

Wenn Sie erkunden möchten, wie Sie den transformativen Wert der Daten Ihres Unternehmens erschließen können, schreiben Sie uns.