Datengetriebene Logistik: Kraftstoffkosten der Flotte um 15 % gesenkt
Zurück zur Übersicht
LogistikContract Talent

Datengetriebene Logistik: Kraftstoffkosten der Flotte um 15 % gesenkt

Contract-Spezialisten verstärken das Datenteam eines Logistikkonzerns und bauen eine prädiktive Routing-Engine.

-15 %
Kraftstoffkosten
Direkte jährliche Einsparung (ca. 2 Mio. $)
98 %
SLA-Einhaltung
Vor der Einführung 82 %
100 %
Nutzung
Im Einsatz in allen 50 regionalen Dispositionszentren

Die Herausforderung

T.L Logistics steckte in einer doppelten Krise: stark steigende Kraftstoffpreise und neue EU-Vorgaben, die Lieferketten mit hohem CO2-Ausstoß sanktionieren. Das alte Routing-System war statisch und stützte sich auf vorab berechnete Strecken, die Echtzeitfaktoren wie Staus an Grenzen, Wetterlagen oder Unfälle ignorierten. Disponenten entschieden nach Bauchgefühl statt nach Daten, was zu 15 % ineffizienter Fahrleistung und häufigen SLA-Verstößen führte. Das interne IT-Team beherrschte SAP, es fehlten aber die spezialisierten Kenntnisse in Data Science und Geodaten-Engineering, die für eine dynamische, datengetriebene Lösung nötig waren. Gebraucht wurden sofort Experten, die komplexe Routing-Probleme mathematisch modellieren konnten.

Statisches Routing führte zu 15 % Mehrverbrauch an Kraftstoff.
Fehlende Echtzeit-Transparenz für Disponenten.
Der CO2-Effekt je Sendung ließ sich nicht berechnen.
Wissenslücke bei Python/TensorFlow im internen Java-Team.

Die Lösung

GTEMAS verstärkte die Engineering-Abteilung von T.L Logistics um 2 Senior Data Scientists und 1 Geospatial Engineer, die direkt in die bestehenden Scrum-Teams eingebunden wurden. Die Engineering-Leads von T.L legten die Prioritäten und Ziele für die „Optimization Engine“ fest, darunter die Entscheidung, einen Disponenten im Prozess zu belassen statt vollständig zu automatisieren, und nahmen die Liefergegenstände ab, während GTEMAS die Ingenieure führte, die die Modellierungsarbeit lieferten. Prädiktive Modellierung: Unsere Ingenieure bauten ein Machine-Learning-Modell auf historischen GPS-Logs (3 Jahre Daten), das Staumuster an bestimmten Grenzübergängen vorhersagt. Das Modell nimmt Wetter- und Verkehrs-APIs in Echtzeit als Eingabe und bewertet damit Streckenabschnitte. Entscheidungsunterstützung: Weil T.L keine Black-Box-Automatisierung wollte, bauten unsere Ingenieure ein „Human-in-the-Loop“-Dashboard. Die KI schlägt 3 optimale Routen vor, geordnet nach Kosten, Zeit und CO2-Fußabdruck. Der Disponent entscheidet am Ende selbst. Das senkte die kognitive Belastung der Disponenten erheblich.

Architekturansatz

Die Lösung nutzt eine Microservices-Architektur: Der Optimization Service (Python/FastAPI) kommuniziert über REST-APIs mit dem zentralen TMS (Transportmanagementsystem). Die Daten fließen für Echtzeit-Analysen in Google BigQuery.

Ergebnisse und Wirkung

Das Projekt machte aus T.L Logistics, einem klassischen Transportunternehmen, einen technologiegestützten Logistikanbieter. Die CO2-Kennzahlen sind heute ein zentrales Verkaufsargument in B2B-Ausschreibungen und halfen, Verträge mit umweltbewussten Einzelhändlern zu gewinnen.

-15 %
Kraftstoffkosten

Direkte jährliche Einsparung (ca. 2 Mio. $)

98 %
SLA-Einhaltung

Vor der Einführung 82 %

100 %
Nutzung

Im Einsatz in allen 50 regionalen Dispositionszentren

Bereit für Ihre eigene Erfolgsgeschichte?

Mit Global Tech Masters bauen Sie skalierbare, leistungsstarke digitale Produkte.