Fortgeschrittene Datenanalyse zur Optimierung von Transportrouten

Eine der größten Herausforderungen für jedes Transportunternehmen ist die Optimierung seiner Routen. Es gilt, das optimale Gleichgewicht zwischen dem Kundenservice und den damit verbundenen Kosten zu finden, oder anders gesagt: Das Hauptziel besteht darin, die höchstmögliche Rentabilität bei den Warentransaktionen zu erzielen.

Um diese Gewinnoptimierung zu erreichen, muss nach der besten Kombination von Mitteln und Ladungen gesucht werden, wobei alle externen Bedingungen und Einschränkungen, die diesen Prozess beeinflussen, zu berücksichtigen sind. Diese Aufgabe erfordert umfassende Kenntnisse der Branche, des Marktes, der Transportmittel, der Ladungstypen, der Kundenbedürfnisse und vieles mehr, da jedes Puzzleteil die Einpassung des nächsten bedingt.

Die Analyse all dieser Variablen erweist sich für Verkehrsleiter oft als mühsamer Prozess. Häufig greifen sie auf marktübliche Optimierungstools zurück, denen es jedoch an der nötigen Flexibilität fehlt, um die passenden Informationskombinationen für einen maximalen Nutzen anzuwenden. Da es viele Variablen und Daten zu berücksichtigen gilt, müssen Werkzeuge zur Optimierung von Transportrouten mindestens Folgendes bieten:

• Integration verschiedener Datenquellen, um über alle notwendigen Informationen zu verfügen
• Fähigkeit zur Datenverarbeitung sowohl im Batch- als auch im Streaming-Verfahren in einem sich ständig verändernden Umfeld wie dem Transportwesen
• Leistungsstarke und intuitive Visualisierungen für den Anwender
• Agile und benutzerfreundliche Funktionen für eine effiziente Nutzung

Welches sind die Phasen eines Projekts zur Optimierung von Transportrouten?

Die Erfahrung von Baitech bei der Entwicklung von Projekten zur Verbesserung von Transportprozessen hat es uns ermöglicht, die komplexe Kasuistik des Sektors zu verstehen und fünf Phasen für die Verarbeitung und Analyse der erzeugten großen Datenmengen festzulegen:

• Phase 1: Durchführung einer Analyse der aktuellen Situation, um eine vollständige Sicht auf das Geschäft mit allen beeinflussenden Bedingungen und Einschränkungen zu erhalten.
• Phase 2: Untersuchung der im Unternehmen vorhandenen Daten. Hierbei müssen die einzubeziehenden Variablen und die Informationsquellen definiert werden.
• Phase 3: Modellierung aller Daten, Definition der für die Entwicklung erforderlichen Infrastruktur und Architektur sowie der im Automatisierungsprozess abzudeckenden Funktionalitäten. In diesem Schritt wird das Modell mit Künstlicher Intelligenz ausgestattet.
• Phase 4: Entwicklung der Visualisierungsumgebung, entweder in den Tools des Kunden oder durch ganzheitliche Entwicklungen des Baitech-Teams.
• Phase 5: Implementierung und Validierung der Lösung am Zielort.

Welche technischen Implikationen bringt ein Routenoptimierungsprojekt mit sich?

Wie wir sehen, ist das Erreichen des Endziels – die Optimierung der Transportkanäle – ein langer Weg. Er erfordert zwingend eine hohe technische Spezialisierung für das Projekt und die definierten Entwicklungen sowie fundierte Branchen- und Geschäftskenntnisse, um Analyse und Ergebnis miteinander zu verknüpfen. In diesem Rahmen gibt es besonders komplexe und sensible Aspekte, die gemeinsam von multidisziplinären Teams des Kunden und Baitech definiert werden müssen und sich wie folgt zusammenfassen lassen:

• Analyse aller internen Datenquellen: Tabellen, Entitäten, Informationsvolumen, Korrelationen usw.
• Analyse von Einschränkungen und Rahmenbedingungen des Kundengeschäfts: entscheidend für eine gute Optimierung und Planung.
• Kenntnis der Vorschriften für den Straßengüterverkehr auf europäischer Ebene, um „exogene“ Einschränkungen und Bedingungen berücksichtigen zu können.
• Untersuchung und Analyse einzubindender externer Datenquellen mit der damit verbundenen technischen Komplexität, insbesondere bei der Integration und Erfassung dieser Daten: Verkehr, Wetter, Frachtenbörsen usw.
• Untersuchung, Definition und Entwicklung von Algorithmen, die optimale Ergebnisse zur Unterstützung des Verkehrsleiters liefern, unter Berücksichtigung aller zuvor genannten technischen, branchen- und geschäftsspezifischen Punkte.
• Gemeinsame Definition der finalen Visualisierungen oder Funktionalitäten des Projekts mit dem Kunden, sofern diese nicht auf Kundentools (wie BI-Tools, TMS, marktüblichen oder eigenen Planern usw.) basieren.

Dadurch gelingt es dem Kunden, ein Projekt zur Optimierung seiner Routen zu implementieren, was es ihm ermöglicht – wie eingangs erwähnt –, die Betriebskosten zu senken und gleichzeitig das Serviceniveau für den Kunden zu erhöhen.

Was tragen Advanced Analytics und Künstliche Intelligenz bei?

Nach der Analyse der Daten aus Unternehmen, Branche, Umfeld, soziopolitischem Klima, externen Eventualitäten und anderen vordefinierten Variablen können Verbesserungen aus verschiedenen Blickwinkeln der operativen Tätigkeit des Kunden erzielt werden. Diese sind so vielfältig wie die existierenden Transportdienstleistungen oder Vertikalen. In Modellen mit standardisierten Abläufen (Abholung, Sortierung und Weiterleitung von Plattformen zu Endlieferstellen) zeigt sich der Verbesserungsprozess zu Beginn des Betriebs. Er kann periodisch optimiert werden, wenn Lernverfahren auf das entwickelte Tool angewendet werden, die es ermöglichen, Verbesserungsvorschläge zu unterbreiten.

In Modellen mit täglicher Planung und festen Annahmeschlusszeiten für Bestellungen wird die allgemeine Planung durch alle Variablen, die in das Modell integriert werden sollen, gestärkt und verbessert. Es wäre sogar möglich, den Prozess zu automatisieren, sodass das System zu einer bestimmten Zeit automatisch startet und die Ergebnisse den Verkehrsleitern zur Überprüfung, Änderung und Abnahme vorgeschlagen werden.

Ist das Planungs- oder Zuweisungsmodell hingegen kontinuierlich und stochastisch, sollte das System stets auf neue Ladungen achten und die Zuweisungen kontinuierlich optimieren, um für jede eingehende Ladung konkrete Vorschläge zu unterbreiten. In diesem Fall erhält der Disponent Vorschläge auf seinem Panel, die er akzeptiert oder besseren Optionen neu zuweist, wodurch die Rentabilität und der Service auf den Routen verbessert werden. Dieses Modell erfordert ein komplexeres und längerfristiges Lernen und eine Intelligenz, die zudem kontinuierlich sein muss, aber hervorragende Ergebnisse bei der Kostenverbesserung liefert.

Schlussfolgerungen

Es ist offensichtlich, dass der Prozess der Routenoptimierung und -planung in einem Transportunternehmen kritisch und strategisch ist. Daher sind auch Verbesserungsprojekte in diesem Bereich von großer Bedeutung und erfordern ein hohes Maß an technischem sowie Branchen- und Geschäftswissen, das wir durch Partnerschaften zwischen Kunden und Baitech erreichen.

Diese umfassende Analyse liefert eine riesige Menge an zu verarbeitenden Informationen, die aus dem großen Volumen der erzeugten Daten resultieren. Dies ist in einem Umfeld, in dem sowohl Ladungen als auch Transportmittel in Bewegung sind, von entscheidender Bedeutung. Im Transportsektor ist die Rückverfolgbarkeit lebenswichtig und erfordert eine Datenverarbeitung in Echtzeit, die Berechnung präziser voraussichtlicher Ankunftszeiten oder sogar kurzfristige Änderungen früherer Planungen. Hier kommt Big Data ins Spiel.

Da das System, das die Verkehrsleiter unterstützt, mit Intelligenz ausgestattet wird, ist es zudem entscheidend, die Einschränkungen und Bedingungen zu kennen, die für den Entscheidungsalgorithmus und das gewählte Lernmodell gelten.

Ebenso ist die Definition der Architektur und Infrastruktur komplex und muss die künftige Skalierbarkeit und Flexibilität berücksichtigen. Die Fähigkeit zu ganzheitlichen Entwicklungen oder zur Arbeit auf Kundentools macht den technologischen Partner, auf den man bei dieser Art von Projekten setzt, ebenfalls zu einer strategischen Komponente.