In der Logistik sind Daten überall, aber selten an einem Ort. Das Transportsystem weiß, wann ein Lkw losgefahren ist, das Lager kennt den Kommissionierstatus, die Telematik protokolliert Strecke und Lenkzeiten, und Controlling-Tabellen zählen Kosten auf ihre eigene Weise. Die Betriebsleitung bleibt mit vier verschiedenen Wahrheiten und ohne Gewissheit zurück. Das Problem sind nicht fehlende Daten, sondern die fehlende Schicht, die daraus vergleichbare KPIs und konkrete Entscheidungen macht.
Aus unserer Erfahrung liegt das Schwierige nicht in der Visualisierung, sondern darin, sich darauf zu einigen, was genau wir messen und woher jede Zahl kommt. Deshalb starten wir in Analytics-Projekten mit Kennzahl- und Quellendefinitionen und erst danach mit Diagrammen. Unsere Daten- und BI-Kompetenz schöpft aus der gesamten RITS Group, einschließlich unserer Big-Data- und AI-/Datenteams, und unsere Erfahrung in Transport und Travel Tech ist zum Teil aus Arbeit an Data und Analytics entstanden. Auch wenn wir genau Ihr Szenario nicht gefahren haben, stellen wir die Menschen, die solche Lösungen entworfen und betrieben haben.
Warum sind Logistikdaten so zersplittert?
Die Zersplitterung ist niemandes Schuld, sie folgt aus der Geschichte der Systeme. Jedes Werkzeug wurde gebaut, um ein anderes betriebliches Problem zu lösen, und jedes hält Daten in seinem eigenen Format, mit seiner eigenen Definition von „Lieferung”, „Auftrag” oder „Status”. Ein TMS denkt in Transportaufträgen, ein WMS in Kommissionierpositionen und die Telematik in GPS-Ereignissen im Sekundentakt.
Dazu kommen Signale von außerhalb der Organisation: Status von Frachtführern, Buchungsmeldungen von Kunden, EDI-Dateien in mehreren Spielarten. Das Ergebnis ist, dass dieselbe Sendung an drei Stellen eine andere Kennung trägt und ihre Lieferzeit davon abhängt, wen man fragt. Bevor wir irgendeine Kennzahl berechnen, müssen wir diese Welten zusammenführen und uns auf ein gemeinsames Vokabular einigen. Das ist unspektakuläre, aber entscheidende Arbeit, denn jeder KPI auf schlecht verbundenen Daten ist reine Fiktion.
Wie bauen Sie operative KPI-Dashboards in der Logistik?
Ein gutes Dashboard zeigt nicht alles, es zeigt, worauf die lesende Person reagieren kann. Wir entwerfen es entlang der Rolle: Der Bildschirm der Disposition sieht völlig anders aus als das Cockpit der Betriebsleitung. Der Satz an Transport-KPIs, der am häufigsten trägt, ist:
- Termintreue (OTD/OTIF), aufgeteilt nach Frachtführer, Region und Kundentyp,
- Kosten je Sendung und je Kilometer, mit Trennung eigener Strecken von Subunternehmern,
- Flottenauslastung und Füllgrad der Fahrzeuge (Nutzlast, Leerkilometer),
- Auftragsdurchlaufzeit von der Annahme bis zur Lieferung,
- Datenqualität als eigener KPI, also wie viele Ereignisse pünktlich und vollständig ankommen.
Jede Zahl ist mit einem Weg zum Hineinzoomen verbunden, vom Aggregat bis zu einer einzelnen Strecke, denn ohne das ist ein KPI eine Kuriosität und kein Entscheidungswerkzeug.
Wie berechnen Sie die echten Kosten je Sendung?
Kosten je Sendung klingen einfach, bis man versucht, sie zu berechnen. Das Problem ist, dass Kosten in verschiedenen Systemen und in verschiedener Granularität liegen: Rechnungen der Frachtführer kommen gebündelt, Kraftstoff wird je Fahrzeug abgerechnet und Lagerarbeit je Schicht, nicht je Paket. Um zu einer ehrlichen Zahl zu kommen, zerlegen wir die Gesamtkosten in ihre Treiber und verteilen sie über sinnvolle Schlüssel wie Gewicht, Volumen oder Positionszahl zurück auf die Sendungen.
Das legt offen, was eine Sammelrechnung verbirgt: dass eine Relation strukturell defizitär läuft, dass kleine Pakete trotz korrekter Preise die Marge aufzehren oder dass die Kosten von Leerfahrten die Ersparnis durch einen günstigen Frachtführer übersteigen. An diesem Punkt hört Kosten auf, eine Zeile im Report zu sein, und wird zum Argument in Verhandlungen und zur Grundlage für eine neue Streckenführung.
Wie berichten Sie über Termintreue (OTD)?
Ein Termintreue-Report wirkt trivial, und doch hängt alles an der Definition von „pünktlich”. Zählen wir ab der Buchung oder ab der Bestätigung? Ist die Toleranz ein Zeitfenster oder eine exakte Minute? Gilt eine Teillieferung als erfüllt? Diese Regeln festzulegen zählt mehr als das Diagramm selbst, denn sie entscheiden, ob eine Termintreue von 95 Prozent ein Erfolg ist oder ein unter den Teppich gekehrtes Problem.
Sind die Regeln klar, legen wir den Termintreue-Report so aus, dass er nicht nur das Ergebnis zeigt, sondern auch die Ursache:
- den Verlauf der Termintreue über die Zeit, aufgeteilt nach Frachtführer und Niederlassung,
- die Gründe für Verzögerungen, einheitlich kategorisiert statt im Freitext,
- gefährdete Sendungen, vor dem Verstreichen des Termins gemeldet und nicht danach.
Dieses letzte Element verschiebt das Reporting vom Buchhaltungsmodus in den operativen, denn es erlaubt dem Team zu reagieren, solange sich noch etwas retten lässt.
Wie prognostizieren Sie Durchsatz und Auslastung?
Sobald die historischen Daten in Ordnung sind, ist der Blick nach vorn der natürliche nächste Schritt. Wir bauen Modelle, die Sendungsvolumen und Lagerauslastung wöchentlich und saisonal prognostizieren, sodass Sie Schichtbesetzung und Fahrzeugzuteilung planen können, bevor ein Engpass entsteht. Das ist kein Kaffeesatzlesen, sondern das Verankern von Kapazitätsentscheidungen in den Mustern, die sich ohnehin jedes Jahr wiederholen.
Die Prognoseschicht behandeln wir als Erweiterung der Analytics, nicht als eigene Welt. Erst wenn das Fundament aus sauberen Daten und abgestimmten Kennzahlen trägt, ergänzen wir Vorhersagemodelle und, wo es sinnvoll ist, eine AI-Komponente. Diese Kompetenz existiert in der RITS Group wirklich, deshalb schalten wir sie zu, wenn sie Wert bringt, und nicht, weil es gut klingt.
Wie entwerfen Sie Data Warehouse und Kennzahlenschicht?
Unter jedem Dashboard muss ein wiederholbares Fundament liegen, sonst laufen die Zahlen auseinander, sobald sich eine Quelle ändert. Wir bauen es als Data Warehouse mit einer ausdrücklichen Kennzahlenschicht, gespeist von Pipelines, die regelmäßig aus den operativen Systemen ziehen:
- Pipelines aus TMS, WMS und Telematik, robust gegenüber fehlenden und doppelten Ereignissen,
- eine Modellierungsschicht, die aus rohen Tabellen stimmige Entitäten macht (Sendung, Strecke, Auftrag),
- eine zentrale Kennzahldefinition, damit Termintreue oder Kosten je Sendung in jedem Report identisch berechnet werden,
- Datenqualitätsprüfungen, eingebaut in die Pipeline, mit einem Alarm, wenn eine Quelle keinen vollständigen Satz mehr liefert.
Diese Architektur sorgt dafür, dass eine neue Kennzahl in Tagen statt in Wochen verfügbar ist und alle im Unternehmen auf dieselben Zahlen schauen.
Welche Kompetenzen stellen wir für Logistik-Analytics bereit?
Wir stellen das Team passend zur konkreten Phase und zum Arbeitsumfang zusammen, nicht „auf Vorrat”. In Datenprojekten besetzen wir meist diese Rollen:
- einen Data Engineer, der Pipelines und Warehouse baut und betreibt,
- eine BI-Analystin oder Dashboard-Entwicklerin, die Kennzahlen in lesbare Bildschirme übersetzt,
- einen Datenarchitekten, der Modell und Kennzahlenschicht verantwortet,
- eine ML-Spezialistin oder Data Scientist, wo Prognosen und eine AI-Komponente dazukommen.
Ein solches Team kann als Erweiterung Ihrer Datenabteilung arbeiten oder als dediziertes Team, das das Thema durchgängig führt. Die Unterschiede zwischen diesen Modellen haben wir in unserem Artikel zu IT-Kooperationsmodellen dargelegt.
Wie machen wir das bei RITS?
Wir arbeiten als Nearshore-Partner aus Polen, der Datenkompetenz mit Erfahrung in Transportprojekten verbindet:
- unsere Daten- und BI-Kompetenzen schöpfen aus der RITS Group, einschließlich unserer Big-Data- und AI-/Datenteams,
- im Sektor Transport und Travel Tech haben wir Arbeit an Data und Analytics geliefert,
- wir starten mit Kennzahldefinitionen und Datenqualität, nicht mit einem schönen Diagramm,
- wir prüfen die Kompetenzen vor dem Start und skalieren das Team, während das Projekt reift.
Meist machen wir das als Individualsoftware für Analytics, gebaut von unserem Team, und dort, wo Lücken schnell zu schließen sind, als Team-Verstärkung.
Womit fangen Sie bei Logistik-Analytics an?
Starten Sie mit einer Entscheidung, die Sie besser treffen wollen, zum Beispiel welchen Frachtführer Sie zurückfahren oder welche Relation Sie neu verhandeln. Diese Entscheidung bestimmt die Kennzahlen, die Sie brauchen, und die Kennzahlen bestimmen Quellen und Architektur. Das ist ein weit gesünderer Ausgangspunkt, als alles auf einmal messen zu wollen, denn es liefert ein Ergebnis, das Sie sofort im Betrieb sehen.
Sie wollen aus Daten von TMS, WMS und Telematik KPIs und Entscheidungen machen? Sprechen wir darüber - wir stellen Team und Architektur passend zu Ihrer Logistik zusammen.