An AI model optimizes utilization and detects discrepancies in real-time, automatically suggesting actions to improve efficiency and shorten delivery times. This makes the entire supply chain process faster and more cost-effective.
Ein führendes, börsennotiertes Transport- und Logistikunternehmen stand vor der folgenden zentralen Herausforderung: Die Schiffsauslastung ließ sich mit den vorhandenen Methoden nur eingeschränkt prognostizieren. Obwohl historische Buchungsdaten und vergangene Leistungswerte verfügbar waren, reichten diese Informationen nicht aus, um kurzfristige Buchungstrends, saisonale Schwankungen oder wirtschaftliche Entwicklungen zuverlässig abzubilden. Die Folge waren operative Unsicherheiten und ungenutzte Ertragspotenziale.
Im Rahmen des ada Future Lab(LINK) -Projekts wurde deshalb folgendes Ziel formuliert: Mithilfe von KI sollte ein Prognosemodell entwickelt werden, das präzisere Auslastungsvorhersagen ermöglicht und konkrete Handlungsempfehlungen zur Steuerung kommerzieller Maßnahmen liefert. Damit sollte ein zukunftsweisender Beitrag zur Optimierung logistischer Prozesse und zur Effizienzsteigerung im globalen Seeverkehr geleistet werden.
Ursprünglich war das Projekt breit angelegt und verfolgte die Vision, die gesamte Logistik durch KI zu transformieren. Um jedoch schnell valide Ergebnisse zu erzielen, wurde im Rahmen von Ideation-Workshops der Fokus auf eine bestimmte Route eingegrenzt: den Handel zwischen Asien und Lateinamerika (Asia–LATAM). Diese Route wies starke Buchungsschwankungen, wirtschaftliche Relevanz und ein klares Potenzial für datenbasierte Optimierungen auf und stellte somit das ideale Pilotprojekt zur Validierung des Modells dar.
Zunächst wurden die bestehenden Abläufe im Trade Management analysiert, dokumentiert und hinsichtlich ihrer Eignung für eine KI-gestützte Lösung bewertet. Die Harmonisierung der Prozesse war entscheidend, um eine belastbare Datenbasis zu schaffen und die interne Zusammenarbeit zu optimieren.
Neben den historischen Buchungswerten wurden zusätzliche Einflussfaktoren wie saisonale Trends, das Bestandsniveau, wirtschaftliche Entwicklungen und externe Marktdaten integriert. Auf dieser Grundlage können nun fundierte Auslastungsprognosen erstellt werden, die flexibel, aktuell und mehrdimensional sind.
Auf Basis der strukturierten Prozess- und Datenlage entwickelte das Projektteam ein funktionsfähiges Minimal Viable Product (MVP). Das KI-Modell konnte präzise vorhersagen, ob ein Schiff innerhalb eines definierten Kapazitätsrahmens ausgelastet sein würde. Bei drohender Unterauslastung schlug das System Maßnahmen wie die Reduzierung von Tarifen oder gezielte Rabattstrategien vor. Ebenso wurden Empfehlungen zur Erhöhung der Segelfrequenz bei steigender Nachfrage generiert.
Diese Handlungsempfehlungen wurden direkt an das Trade Management übermittelt und flossen in dessen tägliche Entscheidungsfindung ein. Dies ist ein praxisnahes Beispiel dafür, wie sich Logistik durch KI optimieren lässt.
Nach der erfolgreichen Implementierung des Prototyps zeigten sich schnell konkrete Ergebnisse. So verbesserte sich beispielsweise die Genauigkeit der Buchungsprognosen erheblich. Durch die frühzeitige Identifikation von Unter- oder Überauslastung konnten Steuerungsmaßnahmen effizienter umgesetzt werden. Die Schiffsauslastung erhöhte sich, wodurch sich die Einsätze als wirtschaftlicher erwiesen.
Neben der operativen Wirkung erzielte das Projekt auch kulturelle Effekte. Die Akzeptanz für datengetriebene Entscheidungen innerhalb des Unternehmens nahm deutlich zu, und die digitale Transformation im Bereich Logistik wurde greifbar und zukunftsorientiert vorangetrieben.
Ein wesentlicher Erfolgsfaktor war die enge Zusammenarbeit zwischen Data Scientists, Business Units und dem Senior Management. Die agile Projektstruktur ermöglichte schnelles Feedback, iterative Verbesserungen und eine lösungsorientierte Umsetzung. Zudem wurde frühzeitig eine überzeugende Präsentation vorbereitet, die das Potenzial des Modells aufzeigte und den internen Rückhalt sicherte.
Nach Abschluss der Pilotphase ist die Weiterentwicklung des Modells bereits in Planung. Es sollen weitere Handelsrouten integriert, zusätzliche Datenquellen erschlossen und das Modell in bestehende Systeme skaliert werden. Das Ziel besteht darin, die KI-Lösung dauerhaft in die operative Steuerung der Logistik zu integrieren, um auch langfristig Effizienzpotenziale zu realisieren.
Das Projekt zeigt: KI in der Logistik ist kein Zukunftsszenario mehr, sondern heute ein strategisches Werkzeug zur Auslastungsoptimierung, zur Stärkung der Wettbewerbsfähigkeit und zur datenbasierten Transformation ganzer Wertschöpfungsketten.
