Neue Horizonte durch horizontale Integration

Drei KI-Szenarien aus der Logistik

15.01.2019
Von   IDG ExpertenNetzwerk
Der Diplom Ökonom Torben Niemtschke ist Head of S/4HANA Innovation & Portfolio bei der itelligence AG.

Beispiel 3: Umsatz statt Leerfahrten in der Spedition

Ähnliches gilt für das dritte Szenario - Flottenmanagement einer Spedition. In der Speditionsbranche bedeuten Leerfahrten immer unproduktive Zeit, dennoch machen sie rund ein Drittel aller LKW-Fahrten aus. Dabei sind moderne LKWs bereits smart, enthalten unzählige Sensoren für Elektronik, Motor und bieten riesige Datenmengen zu Position, Strecke, Geschwindigkeit, Kraftstoffverbrauch und vielen anderen Punkten.

Neben der Routenoptimierung kann KI dafür sorgen, dass die unproduktiven Leerfahrten vermieden werden.
Neben der Routenoptimierung kann KI dafür sorgen, dass die unproduktiven Leerfahrten vermieden werden.
Foto: Vytautas Kielaitis - shutterstock.com

Auch diese Daten werden heute vor allem für eine gute Wartung und traditionelles Flottenmanagement genutzt: Vertikale Integration. Eine horizontale Integration der Daten würde den Nutzen potenzieren. Wenn zum Beispiel die Positions- und Geschwindigkeitsdaten einer größeren Flotte zur Verfügung stehen, entsteht schnell ein Datenpool, mit dem sich Verkehrsprobleme zu bestimmten Tageszeiten und an bestimmten Wochentagen oder zu saisonalen Ereignissen, wie dem Ferienbeginn eines Bundeslandes, voraussehen lassen. Bevor eine Staumeldung kommt, also der Stau überhaupt entsteht, hat der LKW schon eine bessere Route eingeschlagen. Eine Integration mit weiteren Datenquellen, wie Wetterdaten, könnte dazu führen, dass die LKWs der Spedition Straßen mit erhöhter Unfallquote bei bestimmten Wetter- und Lichtverhältnissen vorausschauend umfahren, um möglichen Problemen aus dem Weg zu gehen und Zeit zu sparen.

Auch hier würde aber die horizontale Integration mit den Business-Anwendungen die Möglichkeiten potenzieren. Neben der Routenoptimierung kann KI dafür sorgen, dass die unproduktiven Leerfahrten vermieden werden. Das beginnt bei der Preisoptimierung im Auftragswesen: Möglicherweise ist es sinnvoll, Strecken, auf denen häufig Leerfahrten vorkommen, mit automatisierter Preisfindung günstiger anzubieten und andere Strecken teurer.

Es wäre aber auch ein disruptives Modell der Auftragsakquise vorstellbar: Das System erkennt, dass in wenigen Tagen eine Leerfahrt von Köln nach Hamburg eingeplant ist. Es klärt: Welche Auftraggeber haben unter ähnlichen Bedingungen (zum Beispiel Wochentag, Jahreszeit) in der Vergangenheit Fahrten von Köln nach Hamburg gebucht. Über das CRM-System kann die Firma automatisiert ein attraktives Last-Minute-Angebot machen und bei Beauftragung alle nötigen Schritte einleiten. Das System kann Entscheidungen treffen und es lernt aus den daraus generierten Daten. Das heißt, wie wir Menschen lernt es aus Erfahrungen, inklusive Fehlern.

Auch für diesen Fall müssen die Sensordaten aus den Fahrzeugen auf der Basis von moderner In-Memory-Technologie in Echtzeit mit den Logistik- und Kunden-Daten kommunizieren können. Je mehr Daten zur Flotte und zur Geschäftstätigkeit der künstlichen Intelligenz zur Verfügung stehen, desto eher wird sie neue Muster erkennen. Aktualisierte Prozesse können dann die Wertschöpfung massiv positiv beeinflussen.

Diese drei Szenarien zeigen, dass Künstliche Intelligenz und maschinelles Lernen zwar längst in Unternehmen Einzug gehalten haben, aber dass noch kaum jemand die Möglichkeiten der horizontalen Integration, der Einbindung in Prozesse, nutzt. Teil zwei dieses Beitrags geht darauf ein, wie Unternehmen jeder Branche vorgehen können, um den Schatz zu bergen, der in ihren Daten verborgen ist.