Logistiker sind sich einig – eine Konkurrenz der wichtigsten Transportwege sei für die Wirtschaft nicht zielführend. Häfen, Autobahnen, Schienen, Flugrouten, Wasserstraßen hätten ihre jeweilige Bedeutung innerhalb übergreifender Logistik- und Wertschöpfungsketten. Die Kunst sei es nicht, etablierte Transportwege gegeneinander auszuspielen – vielmehr sollten sie alle in ein Gesamtkonzept eingebunden sein.
Beim Aufbau eines Mobilitätsportals sind immer die sogenannten „Geodaten“ das Fundament. Die Auswertung der Informationen aus GPS-Applikationen bildet Landkarten und Routen innerhalb der Informationssysteme und Analyseanwendungen ab. Mit der Auswertung und Verknüpfung der Lokalisierungsdaten von Fahrzeugen, Schiffen, Containern oder Gütern können die Big-Data-Anwendungen Prozesse verstehen, sie straffen, Lieferketten verbessern, automatisieren und Prozesskosten reduzieren.
Transportmanagement: Positionsdaten sind entscheidend
Das Fundament legen die Lokalisierungsdaten – aber das Wesen einer Mobilitätsplattform ist der Community-Gedanke. Eine Online-Plattform soll so designt sein, dass sie möglichst viele Unternehmen und Dienstleister mit an Bord nimmt. Für IT-Partner ist die Plattform die Grundlage ihrer Geschäftsmodelle – mit Auswertungen, Planungen und Automatisierung sorgen sie für Effizienz, Pünktlichkeit oder auch Umweltverträglichkeit. Hier entsteht der Mehrwert, der dieser Online-Konstruktion am Ende zum Erfolg verhilft.
Vier Modelle für die Wertschöpfung auf einer Mobilitätsplattform sind:
„Visualisierung und Mapping“
Die Big-Data-Systeme übertragen die Daten auf die digitalen Karten. Hier werden die Informationen als Bild oder Liste dargestellt. Neben offensichtlichen Analysen wie „welches Fahrzeug ist wo unterwegs“, können die Anwendungen beispielsweise auch Auswertungen über die Pünktlichkeit der Transporte erstellen oder den Gesamtwert der transportierten Güter nach Kunden oder Route anzeigen.
„Clustering“
Wenn Big-Data-Systeme Transportaufträge oder Routen nach ihrer geographischen Nähe zusammenfassen, also „clustern“ und analysieren, ergeben sich daraus Anwendungen wie „Shipsharing“, Stauwarnungen oder die Möglichkeit, den Transport von Ladungen und das Managen von Fahrten wirtschaftlich zu organisieren. Und die Güter entlang der im jeweiligen Moment besten Transportwege zu schicken.
„Regeln und Gesetzmäßigkeiten erkennen“
Je mehr Daten in die Auswertung geschickt werden, desto mehr Normen und Gesetzmäßigkeiten können aus den Informationen abgeleitet werden. Und die meisten dieser Regeln gelten für alle Mitglieder der Online-Community. Werden diese Regeln wiederum in Software übersetzt, eröffnen sich die Dienstleister ganz neue Geschäftsfelder – etwa die Berechnung von Versicherungsprämien für Fracht, Schiff oder LKW.
„Klassifizierung und Automatisierung“
Datenspezialisten erkennen die Gesetzmäßigkeiten und Programmierer erstellen auf Basis dieser Regeln Algorithmen. Im nächsten Schritt „füttern“ sie die Algorithmen mit Daten und „trainieren“ sie. Ziel des sogenannten Machine Learnings ist es, dass Anwendungen selbstständig die Resultate verschiedener Eingaben – etwa über Sensoren oder GPS – berechnen. Sie sollen Probleme erkennen und Lösungen vorschlagen. Diese Vorschläge können zu Prozessen verkettet werden – und diese Digitalisierung ist der erste Schritt zur Automatisierung der Transporte.
