Sendungen zuverlässig und schnell vom Verlader zum Empfänger transportieren – das ist der Kern des Speditionsgeschäfts. Jeder Sendungsauftrag enthält wichtige Informationen zum Sender, zum Empfänger, zu Art und Menge der Ladung und zu bestimmten Anforderungen bei der Belieferung. Diese Informationen bilden gemeinsam mit anderen Parametern die Grundlage für die Disposition, die Verteilung von Ladung auf Flottenfahrzeuge und Tagestouren.
Je mehr Sendungen eine Spedition zu verteilen hat, umso höher die Informationsdichte und die Komplexität der Disposition. Die Disponenten werden dabei unterstützt von Planungstools, die bestimmte Teilaufgaben mehr oder weniger automatisch durchführen. Je genauer und vollständiger die verfügbaren Planungsdaten sind, desto besser lassen sich die Arbeitsgänge durch moderne Software automatisieren und Kosten einsparen.
Das Problem: Die verfügbaren Daten sind in der Praxis oft leider nicht sehr genau und auch nicht vollständig. Zwei typische Beispiele:
- Die Maß- bzw. Gewichtsangaben von Packstücken fehlen oder stimmen nicht. Der Disponent kann anhand der Angaben nicht sicher feststellen, ob die Ladefläche ausreicht bzw. das Zuladegewicht des Fahrzeugs eingehalten wird.
- Nicht jedes Fahrzeug eignet sich für jeden Kunden: Manchmal ist die Laderampe zu klein für einen 12-Tonner, oder der Fahrer hat womöglich Hausverbot bei einem Empfänger.
Es gibt noch viele weitere Randbedingungen der Planung, die in den gespeicherten oder gedruckten Daten zu den Sendungsaufträgen oder zur Fahrzeugflotte nirgends zu finden sind. Der Disponent muss sie sich merken und ständig im Blick behalten. Das ist mühsam und erschwert die Arbeit unter Zeitdruck unnötig.
Maschinelle Lernverfahren und Künstliche Intelligenz können die Vorplanung wesentlich erleichtern: Integriert man solche Funktionalitäten in das Transport-Management-System, erkennen sie im Laufe der Zeit bestimmte Muster bei der Disposition und „lernen“, diese automatisch anzuwenden. Wenn ein Disponent beispielsweise über viele Wochen immer wieder die gleiche Art von Packstücken den gleichen Fahrzeugen zuweist, obwohl sie der Datenlage nach eigentlich nicht passen, lernt die Software: Hier liegt ein Muster vor (z.B. dieses Packstück für diesem Empfänger ist eigentlich kleiner als in den Daten vermerkt und passt deshalb doch auf Fahrzeug X). So kann das System die Fahrzeug-Zuweisung künftig immer dann, wenn das gleiche Muster erkannt wird, selbsttätig vornehmen.
Ein anderes Beispiel: Die Software erkennt, dass ein bestimmter Fahrer niemals eine bestimmte Ortschaft anfährt. Auch das merkt sich das System als zukünftige Regel. Je mehr solcher Regeln die Software auf diese Weise lernt, umso leichter wird die Arbeit für die Disposition. Im Laufe der Zeit wird der Disponent zunehmend von lästigen Detail-Arbeiten entlastet und kann sich voll auf die optimale Auslastung der Fahrzeuge und Fahrer, die Steigerung der Effizienz und die Senkung der Kosten konzentrieren.