Echtzeittransparenz für Lieferketten mit Big Data und KI

Einzelhändler konkurrieren mehr denn je darum, Bestellungen und Kundenwünsche schneller umzusetzen als die Konkurrenz. Der globale Konsumhunger hat im Jahr 2019 mit Handelsumsätzen von 25 Billionen US-Dollar einen neuen Höhepunkt erreicht. Trotz eines Einbruchs seit Beginn der Covid-19-Pandemie wird sich der allgemeine Aufwärtstrend in den nächsten zehn Jahren weiter fortsetzen.

Eine größere Zahl an Menschen konsumiert größere Mengen an Gütern; Käuferpräferenzen sowie das Verhalten von Kunden ändern sich. Sie erwarten bereits heute, dass Einzelhändler jederzeit sämtliche Waren im Angebot haben, die sie erwerben möchten. Von Onlinehändlern wird eine schnelle Lieferung, spätestens am nächsten Tag, und ein einfacher Retourenprozess gefordert. Der Anspruch an den Kundenservice ist eine 24/7-Omnichannel-Erreichbarkeit. Darüber hinaus möchte der Kunde stets wissen, in welchem Stadium sich seine Bestellung befindet.

Nachverfolgbarkeit und Transparenz von Lieferungen immer wichtiger

Bei den allermeisten Versandhändlern 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 („ETA“ = „Estimated Time of Arrival“) eine wichtige Kennzahl, um Wartezeiten an Laderampen zu minimieren und um die Kapazität dort besser zu planen.

Dennoch war eine Echtzeit-Lieferkettentransparenz im B2B-Umfeld lange nicht möglich. Das liegt zum einen an der schieren Größe und Heterogenität des Marktes. Allein in Europa gibt es rund 600.000 Logistikanbieter, die bis zu 600 Telematik-Systeme verwenden, um Positions- und andere Daten ihrer Fahrzeuge zu ermitteln. Zum anderen war es bis vor wenigen Jahren schlicht nicht möglich, solch ein komplexes Tracking-System aufzusetzen. Es fehlten eine ausreichende Datengrundlage und bezahlbare Rechenkapazitäten.

KI macht es möglich: ETA in Echtzeit berechnen

Mit modernen Algorithmen, künstlicher Intelligenz und Big Data lassen sich inzwischen ETAs von Lieferungen so exakt vorhersagen und kommunizieren, dass mögliche Verspätungen nicht mehr zu langen Wartezeiten an Laderampen führen. Das französische Unternehmen Shippeo stellt 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.

Enormer Wertschöpfungshebel für den Handel

Von dieser Technologie profitiert vor allem der Handel. In Supermärkten erwarten die Mitarbeiter um eine bestimmte Uhrzeit die Ankunft des LKW mit neuer Ware. Sollte dieser 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 Supermarkt über ein Tracking-System frühzeitig mitgeteilt, dass der LKW verspätet eintrifft und wann er voraussichtlich ankommen wird, entfällt diese aufwändige Kommunikation. Dies führt zu einer allgemeinen Steigerung der Effizienz. Selbst wenn Anrufe eingehen, kann der Kundenservice auf Basis eines solchen Systems besser auf Kundenanfragen reagieren und die Kundenzufriedenheit steigern. 

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.

Zudem lässt sich die Standzeit vor der Rampe besser planen und sogar verkürzen. Vor allem lassen sich die oft sehr hohen Strafzahlungen für verspätete Lieferungen deutlich verringern. Für die Hof- und Lagerplanung bietet Shippeo eine Lösung, unter deren Einsatz Verlader die durchschnittliche Standzeit eines LKW von 110 auf 60 Minuten, also fast um die Hälfte, reduzieren können. 

Mit Machine Learning zur Echtzeit-Lieferkettentransparenz

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.

Die vielen erhobenen Daten zu bearbeiten, ist ein klassischer Anwendungsfall für Machine-Learning-Technologie. Sämtliche Daten, allen voran GPS- und Verkehrsdaten, werden aggregiert und analysiert, um eine voraussichtliche Ankunftszeit der Sendung zu berechnen. Durch lernende Algorithmen verfeinern sich die Prognosen zunehmend. Ist auf einem bestimmten Streckenabschnitt zu einer bestimmten Tageszeit immer Stau, nimmt der Algorithmus diese Information in zukünftige Berechnungen auf. Auch die Auf- und Abladezeiten an verschiedenen Stationen kann so mit der Zeit immer besser abgeschätzt werden.

Kollaboration und Aufbrechen der Datensilos schaffen Mehrwert für alle

Wie in anderen Industrien auch, werden große Herausforderungen, die mehrere Stakeholder betreffen, am besten gelöst, wenn Branchenmitglieder zusammenzuarbeiten und ihr Wissen, ihre Daten und Erkenntnisse austauschen und kombinieren. Die Zusammenarbeit aller Player hat einen großen Einfluss auf Effizienzsteigerung, Rationalisierung von Prozessen, Beschleunigung der Innovation sowie der Lösung weiterer Herausforderungen des Wirtschaftssektors. Es gilt, die Silos einzelner Unternehmen aufzubrechen und die darin liegenden Datensätze auf einer Plattform zu integrieren. So entsteht der maximale Nutzen für alle Partner der Lieferkette.