Big Data in der Logistik

Big Data-Analyse in der Logistik

Risiken vorhersehen, Prozesse straffen, Tempo steigern

 

Am Beispiel von Natureinflüssen zeigt sich, dass die deutschen Sachversicherer allein im Jahr 2014 nach bisherigen Schätzungen rund zwei Milliarden Euro für die Folgen von Naturgefahren geleistet haben. Schiffe, die wegen schweren Wetters am Kai festgemacht bleiben müssen oder Straßen und Autobahnen, die gesperrt sind, sind keine Seltenheit. 

Durch solche Natureinflüsse entstehen wesentliche Herausforderungen für Logistik und Supply Chain im Bereich der veränderten Verfügbarkeit und Zuverlässigkeit von Transportinfrastruktur. Dies kann zu Verzögerungen und Ausfällen in Logistikprozessen führen, die sich wiederum auf nachgelagerte Wertschöpfungsprozesse auswirken. Etwa, wenn Rohstoffe, Kraftstoffe oder Halbfabrikate nicht termin- und plangemäß zur Verfügung stehen. "Extremwetterereignisse, wie etwa das Sturmtief Kyrill 2007 oder der Hitzesommer 2003 lassen heute bereits eine Einschätzung möglicher Klimawandelfolgen zu, die zukünftig mit größerer Häufigkeit und Intensität erwartet werden", berichten die Fachleute des Instituts für ökologische Wirtschaftsforschung.

Ein weiteres Beispiel ist die Globalisierung. Kunden- und Lieferanten-Netzwerke weiten sich auf den gesamten Erdball aus. Daraus entstehen einerseits Chancen. Andererseits kommt es aber zu einem weltweit verschärften Wettbewerb, der auch die beteiligten Logistiker trifft. Und durch die Digitalisierung schließlich ändern sich Produktentwicklungs- und Auftragsabwicklungszeit, womit die Reaktionsschnelligkeit der Unternehmen massiv gefordert ist - was sich ebenfalls bis zur Logistik durchschlägt, die oft als letztes, wichtiges Glied in der Kette agiert.

Konsequenz für die Branche daraus: Gerade die Optimierung der Transport- und Streckennetzplanung durch Big Data Analytics hat für die Branche hohe Relevanz. Nicht allein durch Umwelteinflüsse, sondern auch durch massiv gestiegene Verkehrsaufkommen und dem Wunsch nach mehr Speed. So können Logistiker auf der Kostenseite beispielsweise reduzierte Wartezeiten der Fahrer und ideale Betankungsintervalle der Fahrzeuge hohe Einsparungen bringen. Umsatzseitig gilt: Je besser die Kapazitätsauslastung, desto höher die Renditen. Auch hierbei kann Data Analytics durch Laderaum- und Routenoptimierung etwa deutliche Wettbewerbsvorteile bieten.

Webinar: Qualitätssicherung von Big Data Lösungen
Wie testen Sie Big Data Lösungen, um sich ausreichend gegen das Risiko fehlerhafter Daten abzusichern?
Zur Aufzeichnung

Ein Positivbeispiel dieses Ansatzes: Schmitz Cargobull Telematics, seit mehr als einem Jahrzehnt und mit vielen Tausenden installierten Telematik-Systemen führend auf dem europäischen Markt der Trailer-Telematik. Das Unternehmen stellt seinen Kunden ein Telematik-Portal zur Verfügung. Damit lassen sich wichtige Daten wie etwa GPS-Position des Fahrzeugs, Geschwindigkeit oder Ruhezeiten abrufen. Gleiches gilt für die Anzeige von Zustandsdaten des Fahrzeugs wie Bremsen, Luftdruck und Reifenzustand oder auch die Verläufe der Kühltemperatur von Waren. Hier erkennt das moderne Analytics-Werkzeug Störungen des Transportablaufes im Sinne von Predictive Maintenance rechtzeitig, schlägt Alarm, und der Kunde kann unvorhersehbare Störungen des Transports vermeiden. Logistikprozesse können so besser gesteuert werden, Leerfahrten und Umwege lassen sich vermeiden.

Gleichzeitig steigt die Effizienz bei der Auslastung der Fahrzeugflotten deutlich, die Kraftstoff-Kosten sinken. Andere Predictive Analytics-Ansätze gehen noch weiter, vor allem für international tätige Logistiker. Hier sammelt man beispielsweise automatisiert relevante Risikoinformationen auf Basis länderspezifischer Indizes sowie tagesaktueller Informationen und analysiert die Auswirkungen der Ereignisse auf das Risikoniveau der Produkte. Dazu gehören indes nicht allein Gefahren in der Lieferkette sondern ebenso Herausforderungen für die Integrität des Unternehmens wie Korruptions- und Kinderarbeitsindex. Proaktiv bekommt das Unternehmen dann Notiz davon, welche Produkte und Lieferketten beispielsweise aufgrund eines Streiks in einer Region Aufmerksamkeit benötigen. Andere Systeme überwachen gar der Nachrichtenlage, um eine Gefahr für die Lieferkette frühzeitig zu erkennen. Derart erstellt man Risikoszenarien durch Naturkatastrophen, Streiks, drohende Insolvenzen oder etwa politische Konflikte und handelt dementsprechend, erstellt etwa Ausweichrouten.

Big Data Report
Erfahren Sie mehr über die spannenden Ergebnisse zu den Zielen und Herausforderungen von Big Data und gewinnen Sie in dieser Hinsicht Orientierung für Ihren weiteren Entwicklungsprozess.
Zum Download der Studie

Indes liegt nicht allein viel Potenzial in der Vermeidung von Risiken oder dem Transport- und Streckennetzmanagement. Auch die Gewinnung neuer Kunden und ein besseres Verständnis für die Kundenbedürfnisse sollten im Fokus liegen, fand die Unternehmensberatung PwC in einer Studie heraus. Fazit: Für Logistikunternehmen, die noch keinen vollen analytischen Gebrauch ihrer Daten machen, ergeben sich in den kommenden Jahren erhebliche Wettbewerbsnachteile. Dazu sprechen auch die faktischen Ergebnisse der Untersuchung eine deutliche Sprache: Gerade einmal in 19 Prozent der Unternehmen sei Big Data demnach ein fester Bestandteil der Wertschöpfungskette und somit auch Grundlage der Geschäftsprozesse. Aber die Investitionsbereitschaft in entsprechende Technologien fällt gemäß der PwC-Experten noch verhalten aus, dringend Zeit also, dass sich etwas ändert, der Wettbewerbsfähigkeit zuliebe wäre es mehr als angeraten. Denn die Fachleute bringen es auf die einfache Formel: Je besser die Kapazitätsauslastung, desto höher die Renditen - so einfach ist das.