5 Jahre DACHSER Enterprise Lab

Wir schreiben  das  Jahr 1930:  Thomas  Dachser  gründet als  Ein-Mann-  Betrieb ein  Transportunternehmen  in Kempten. Die  Zeiten waren damals  natürlich ganz andere als  heute. Nicht nur die Mode der 1930er-Jahre war eine  andere, auch die damalige Logistik lässt sich nur noch  rudimentär mit der heutigen vergleichen. Ob Thomas  Dachser zu dieser Zeit bereits ahnte, dass das Unternehmen  DACHSER einmal Enterprise-Lab-Partner des  Fraunhofer IML sein würde? Wohl kaum. Gewünscht  hätte er es sich bestimmt, wenn er gewusst hätte, wie  erfolgreich die Zusammenarbeit einmal sein würde.

Der Logistikdienstleister DACHSER ist schon lange kein Ein- Mann-Betrieb mehr und zählt heute mehr als 32.000 Mitarbeiterinnen  und Mitarbeiter. Bei seinen Forschungs- und  Entwicklungsaktivitäten verlässt sich das Allgäuer Familienunternehmen  nicht nur auf die eigene Expertise, sondern setzt  auch auf eine umfassende Einbindung relevanter Expertinnen  und Experten von z. B. Hochschulen, Instituten und Kunden.  »Als Unternehmen bewegen wir uns, was Entwicklung angeht,  immer in dem Bereich, in dem Dinge schon existieren.  Der riesige Vorteil für uns ist, dass wir durch die Zusammenarbeit  mit dem Fraunhofer IML Entwicklungsthemen anderthalb  bis zwei Jahre früher aufsetzen können. Das könnten  wir im betrieblichen Rahmen nicht erzielen, weil das Wissen  noch fehlen würde«, sagt Stefan Hohm, Chief Development  Officer (CDO) und Mitglied des Vorstands bei DACHSER.

Der Austausch innerhalb des Enterprise Labs ermöglicht es DACHSER, tief in die Forschung einzudringen – und das  bereits seit fünf Jahren. Aber auch für das Fraunhofer IML  ist die Zusammenarbeit wertvoll und vor allem lehrreich.  So unschön es manchmal sein kann, darüber zu sprechen:  Dabei spielt das Thema Geld natürlich auch eine entscheidende  Rolle, denn ohne Geld keine Forschung. Dr. Volker  Lange, Abteilungs- und Lab-Leiter am Fraunhofer IML, weiß  die bereitgestellten Mittel zu schätzen, denn auch für das  Fraunhofer IML ergeben sich durch die Kooperation neue  Möglichkeiten: »Wir forschen gemeinsam in der Anwendung,  was auch für uns ein großer Fortschritt ist, das muss  man einfach sagen. Natürlich entwickeln wir uns mit dem  Kunden weiter. Einerseits, was das Know-how angeht, und  andererseits, was die Erweiterung unseres Portfolios angeht «, sagt Dr. Volker Lange. 

Projekte früher und heute

In den ersten Jahren lag der Fokus innerhalb des Labs auf  den Themen Connectivity und Data Science. Das Ziel war  es, Informationen aus der gesamten Supply Chain miteinander  zu verbinden, diese schneller und besser zwischen den  Beteiligten austauschen zu können und die verschiedenen  Daten für bessere Prozesse und Services zu nutzen. Dies  beinhaltete u. a. Empfehlungen für die strategische Planung  der zentralen IT bei DACHSER und Algorithmen zur  besseren Prognose zum Beispiel in puncto Mengen- und  Kapazitätsplanung. Aber auch die Nutzung von Bild- und  Texterkennung für Ortungs-, Vermessungs- und Zählaufgaben  spielte dabei eine wichtige Rolle.

Unterstützung aus dem Datenkosmos

Eine Anwendung, die aus dem DACHSER Enterprise Lab  bereits ihren Weg in den Logistikalltag gefunden hat, nennt  sich PAnDA One. Das Akronym steht für Predictive (P) Analytics  (An) DACHSER (DA) und (One) für das erste Machine-  Learning-(ML-)Projekt.  Das PAnDA One-Modell wurde speziell zur Prognose der  Eingangsmengen einer DACHSER Road Logistics Niederlassung konzipiert. Ziel ist es, den verantwortlichen Mitarbeiterinnen  und Mitarbeitern in den Niederlassungen eine  Entscheidungsunterstützung für die saisonale Kapazitätsplanung  bereitzustellen. So können frühzeitig entsprechende  Laderaumkapazitäten auf dem Markt gesichert beziehungsweise  Ressourcen im Umschlaglager vorgeplant werden.  Dazu liefert das Prognosemodell von PAnDA One entsprechende  Eingangsmengen bis zu 25 Wochen im Voraus.  Für PAnDA One wurden umfassend Prozesse analysiert und  Kriterien für belastbare Prognosen identifiziert. Dabei wurden  Sendungsdaten bis ins Jahr 2011 zurückverfolgt. Dieser  Datenpool wird um kalendarische Daten wie zum Beispiel  Feiertage oder Schulferien ergänzt. Das Modell erkennt  damit die im Landverkehr wichtigen saisonalen Muster. Um  Trends noch besser zu antizipieren, wurden außerdem verschiedenste  Konjunkturindizes integriert.