Was kann KI und kann/wird diese den Disponenten ersetzen?
Die Disposition in Speditionen und Logistikunternehmen erfordert hochkomplexe und zeitintensive manuelle (Planungs-)Prozesse und steht zudem gegenwärtig vor einer Vielzahl anderweitiger Herausforderungen. Diese kennen wir alle leider zu gut – u.a. Inflation, hohe Energiepreise, Mauterhöhungen und der Fachkräftemangel (vor allem Disponenten und Fahrer) machen der Transportbranche schwer zu schaffen.
In vielen Unternehmen ist die Dispositionsplanung sehr oft noch immer mit großem manuellen Aufwand verbunden. Dabei ist kaum eine Aufgabe so komplex: Disponenten müssen effiziente Routen planen, die eine Vielzahl von planungsrelevanten Faktoren und Restriktionen wie bspw. Fahrzeugattribute, Verkehrslage, Zeitfenster, Fahrzeugkapazitäten, Kundenanforderungen uvm. berücksichtigen. Hinzu kommt, dass mit den vorhandenen Ressourcen gut gewirtschaftet werden muss: Disponenten müssen sicherstellen, dass Fahrzeuge, Fahrer und andere Ressourcen optimal genutzt werden, um Leerfahrten zu minimieren, die Auslastung zu maximieren und Kosten zu senken.
Es erfordert viel Fachwissen und eine intensive (oft jahrelange) Einarbeitung in einem Betrieb, um all diesen (teils auch betriebsspezifischen) Anforderungen gerecht zu werden. Fachwissen ist dabei enorm wichtig; aber das größere Problem hierbei ist, dass dieses Know-how einzelner Disponenten für andere gar nicht oder oftmals nur sehr eingeschränkt zugänglich ist. Fallen diese aus, kann es im Vertretungsfall äußerst schwierig werden, qualitativ gleichwertige Planungen zu erhalten. Zudem muss beachtet werden, dass aufgrund von Rente, Arbeitsplatzwechsel, o.ä. das wertvolle Wissen von Disponenten komplett wegfallen kann – langfristig geplant, aber möglicherweise auch kurzfristig. Neue, gute Disponenten zu finden ist ebenfalls nicht einfach.
Aber wie können Unternehmen gegensteuern? Wie kann man Disponenten entlasten und wie kann man das Berufsbild für den Nachwuchs attraktiver gestalten? Das sind u.a. Fragen und Herausforderungen, vor denen die gesamte Transportbranche steht!
Der Einsatz von KI in der Disposition – ein Überblick
„Künstliche Intelligenz ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logi(sti)sches Denken, Lernen, Planen und Kreativität zu imitieren.“ (Zitat Europäisches Parlament).
Und wie soll dies der komplexen Dispositionsplanung weiterhelfen? Weil gerade in der Komplexität und in der Masse der Daten auch die Chancen liegen! In der Dispositionsplanung finden sich typische Muster, die KI aus den Daten lernen und nutzen kann. Denn genau dafür steht die Technologie – für mathematische (Optimierungs-)Algorithmen, die aus großen Datenmengen Strukturen und wiederkehrende Muster herauslesen, diese für sich zu nutzen und daraus zu lernen.
Dabei werden zwei Hauptziele verfolgt: die Automatisierung von Prozessen und Tätigkeiten und die stetige Optimierung eben jener. Heißt: Wissen zu digitalisieren, sich wiederholende und manuelle Tätigkeiten zu automatisieren, die Disponenten damit zu entlasten, mehr Einsparpotential umzusetzen und Prozesse allgemein transparenter zu gestalten. Basis dafür sind vor allem zwei Bereiche der KI: Optimierungs-Algorithmen und Machine Learning.
Mithilfe von Optimierungs-Algorithmen lassen sich selbst komplexe Entscheidungs- und Planungsprozesse schnell und effizient umsetzen. Nur ein einfaches Rechenbeispiel: Sie haben 20 Zustellaufträge, diese sollen auf 2 Fahrzeuge verteilt werden. Allein in diesem Fall gibt es 1.048.576 verschiedene Kombinationsmöglichkeiten (Lieferzeiten & Co. außer Acht gelassen). Natürlich kommen weitere Restriktionen wie maximale Ladekapazität, Fahrzeugattribute uvm. hinzu. Da kommt der Mensch schnell an seine Grenzen. Mithilfe guter Optimierungs-Algorithmen lässt sich diese Planung unter Einhaltung aller Planungsrestriktionen innerhalb weniger Sekunden bis Minuten lösen.
Machine Learning geht darüber hinaus und lernt automatisch aus Erfahrungen (Daten), was zu einer stetigen Verbesserung der Datenqualität führt. Denn je besser die Datenqualität ist, desto besser wird letztendlich auch die Tourenplanung. Mit einer guten Datenqualität sind Daten gemeint, die die Realität wiedergeben; seien es Sendungsmaße, Stoppzeiten, durchschnittliche Fahrzeuggeschwindigkeiten, … Die Bandbreite an Daten, die im Rahmen einer Tourenplanung berücksichtigt werden, ist groß. Je genauer diese sind, desto realistischer wird dementsprechend auch die Planung und desto mehr realistisches Einsparpotential kann generiert werden. Damit ist Machine Learning ebenfalls ein sehr spannender Bestandteil einer guten Dispositionssoftware. Mithilfe von Machine Learning lassen sich somit
Eine gute Datenqualität ist die Grundlage für den Einsatz von KI in der Disposition – Korrekt?
Oft wird gesagt „KI ist nur so gut wie die Daten, auf denen sie trainiert wird – ohne saubere, relevante Daten können KI-Systeme nicht die erwartete Leistung erbringen“. Das ist absolut richtig, aber dennoch ist Sinn und Zweck von KI ebenso zu lernen und mit der Zeit die Datenqualität zu verbessern. Man muss natürlich bedenken, dass eine gewisse Menge an Daten zur Verfügung stehen muss, um entsprechende Schlüsse ziehen zu können; Je besser die Daten, umso schneller lernt und umso effizienter plant das System. Dennoch, langfristig betrachtet, kann der Einsatz von einer KI-basierten Software auch bei anfangs “schlechter” Datenqualität deutliche Optimierungen erzielen.
Gerade in der Stückgutlogistik gibt es jedoch oftmals Diskrepanzen zwischen den vermeintlich logisch definierten Planungsrestriktionen in der Tourenplanungssoftware, den gelieferten Daten für die Planung und der operativen Handhabung in der Praxis. Dies betrifft Angaben wie Zeitfenster, Auftrags- und Fahrzeugattribute (Hebebühne, ADR-Befähigung, …), Gebietsrestriktionen uvm.; Daten, die große Auswirkungen auf das Planungsergebnis haben können. Hier können wir mit großer Sicherheit aus der Praxis berichten, dass dies teils ziemlich unterschiedliche Welten sind. Doch woran liegt das? Die Gründe hierfür sind vielfältig. Um einige zu nennen:
- Teils sind die hinterlegten Daten nur Schätzungen und grobe Angaben aus Erfahrungswerten
- Oft wurden die Daten irgendwann (vor einigen Jahren) in das System eingepflegt und seitdem nicht wieder angepasst/aktualisiert (Beispiel Liefer- und Abholzeitfenster)
- Teils haben sich einfach Fehler in der Stammdatenpflege eingeschlichen
- Disponenten haben grundsätzlich mehr Wissen im Kopf, als es in den Stammdaten im System hinterlegt ist (und das aus verschiedensten Gründen)
- In der Operativen ist nicht immer alles nur eindeutig; Disponenten handeln oftmals in einem Graubereich, rein intuitiv, was nicht in Stammdaten definierbar ist.
Genau hier kann jedoch KI bereits ansetzen und die Diskrepanzen zwischen Planungsrestriktionen, übermittelten Daten und Handhabung in der Praxis beseitigen – so auch Smartlane Transport Intelligence.
Praxisbeispiele aus der Disposition zur Verbesserung der Datenqualität mithilfe von KI
Anpassung der maximalen Fahrzeugkapazität auf Stellplatzbasis oder Korrektur der Sendungsgröße
In der Praxis kommt es oft vor, dass laut Daten die maximale Fahrzeugkapazität überschritten wird. In der Regel handelt es sich hierbei um die Überladung der maximalen Stellplatzkapazität. Dies kann daran liegen, dass entweder Maß-/Stellplatzangaben der Sendungen fehlen oder falsch sind oder – eine andere Möglichkeit – der Verlader / Fahrer kann besonders gut „Tetris spielen“ und überlädt damit faktisch die Fahrzeuge auf Basis der Stellplatzangaben. Je nach Fall kann somit entweder automatisiert die Ladekapazität von Stellplätzen bei einem bestimmten Fahrer um einen errechneten Faktor x erhöht werden oder die Stellplatzangaben können automatisiert – auf Basis historischer Werte – korrigiert werden.
Korrektur von Stopp-/Aufenthaltszeiten
Ein weiteres Beispiel und sehr wichtiger Anwendungsfall für das Machine Learning ist die Korrektur der durchschnittlichen Stoppzeiten. Dabei können die Stoppzeiten von einem Fahrzeug unter Berücksichtigung der Sendungsgröße (Stellplätze) analysiert werden. Schon vermeintlich geringe Abweichungen können enorme Auswirkungen auf die Stoppdichte einer Tour sowie Pünktlichkeit zu Folgeaufträgen innerhalb einer Tour haben. Bei einer Reduzierung von Stoppzeiten passen mehr Aufträge auf die Tour und der Fahrer kommt nicht mehr deutlich zu früh bei Folgestopps an und verschenkt dadurch nicht mehr wertvolle Zeit. Andersherum – bei einer Verlängerung der Stoppzeit – passen zwar weniger Stopps auf eine Tour, der Fahrer kommt aber nicht mehr zu spät bei Folgeaufträgen an, was die Servicequalität erhöht und sich allg. positiv auf die Kundenbeziehung, aber auch Fahrerzufriedenheit auswirkt.
Aus diesem Grund bieten wir mit Smartlane Transport Intelligence eine KI-basierte Software an, welche sich allen speziellen Anforderungen der Disposition im Nahverkehr anpasst. Unsere Software lernt tagtäglich dazu und kann durch den jahrelangen Einsatz bei zahlreichen Kunden aus vielen historischen Daten schöpfen und so auch mit geringerer Datenqualität oder unvollständigen Daten gute erste Planungsergebnisse erzielen. Mithilfe von Smartlane Transport Intelligence lassen sich
- fehlende Daten ergänzen,
- falsche Daten korrigieren
- oder auch Daten komplett ersetzen
WIRD KI DEN DISPONENTEN ERSETZEN?
KI kann zwar sich wiederholende Aufgaben automatisieren, funktioniert aber gerade in der Disposition am besten in Verbindung mit menschlichem Fachwissen. Der Mensch ist nach wie vor unverzichtbar für die Entscheidungsfindung, die Problemlösung, den Umgang mit Ausnahmen und – gerade in der Disposition vermutlich der wichtigste Aspekt – den Austausch mit Menschen (Kunden, Fahrern, …), für die KI-basierte Dispositionssoftware nicht gerüstet ist.
KI wird damit den Disponenten nicht ersetzen, sondern diesen entlasten. Die Aufgaben eines Disponenten werden sich verändern. Manuelle und wiederkehrende Aufgaben fallen mit der Einführung einer KI-basierten Dispositionssoftware weg und es werden neue Aufgaben entstehen, wie die Kontrolle von KI-Systemen. Dies schafft wiederum mehr Zeit für eine gute Kundenkommunikation.
FAZIT
KI ist in aller Munde, aber noch zu selten im Einsatz. Dabei lässt sich mithilfe von KI die Datenqualität in der Disposition deutlich verbessern und komplexe Entscheidungsfindungsprozesse wie die Tourenplanung lassen sich deutlich schneller und effizienter gestalten. Neben der enormen Entlastung der Disponenten kann eine KI-basierte Dispositionssoftware dazu beitragen, das Berufsbild und den Aufgabenbereich des Disponenten attraktiver zu gestalten.
Durch den Einsatz unserer Smartlane Transport Intelligence konnte zum Beispiel unser Kunde Hartmann International seine Dispositionszeit um ganze fünf Stunden reduzieren! Dies führte zu einer enormen Entlastung der Disponenten, die jetzt ihren Arbeitsalltag nicht mehr mitten in der Nacht beginnen müssen. Weitere Details dazu können Sie in unserer Success Story mit Hartmann International nachlesen: https://smartlane.ai/de/kunden/success-story-hartmann-international/