Das Datenproblem hinter Leerfahrten
Jeder Logistiker weiß: Leerfahrten existieren. Aber kaum jemand weiß, wo genau sie in den eigenen Daten stecken. Der Grund ist einfach – die meisten Transportsysteme sind nicht dafür gebaut, Leerfahrten zu erkennen.
TMS-Exporte enthalten Aufträge, Routen, Zeiten. Was sie nicht enthalten: eine klare Markierung „diese Fahrt war leer." Das muss aus dem Kontext abgeleitet werden – und genau hier kommt KI ins Spiel.
Warum herkömmliche Systeme versagen
Typische TMS- und ERP-Systeme haben folgende Limitierungen:
- Keine Gewichtsdaten: Viele Einträge enthalten keine Ladegewichte – ob ein LKW leer oder beladen war, ist nicht erkennbar
- Keine Rückfahrt-Logik: Das System kennt Auftrag A → B, aber nicht, was zwischen B → nächster Auftrag passiert
- Inkonsistente Formate: Jeder Kunde, jedes System liefert andere Spalten, andere Einheiten, andere Logik
- Fehlende Verknüpfung: Einzelne Fahrten werden nicht als zusammenhängende Tour betrachtet
Was KI anders macht
KI (Künstliche Intelligenz) erkennt Muster, die Menschen in tausenden Zeilen nicht sehen. Im Kontext von Leerfahrten bedeutet das:
- Kontext-Analyse: Die KI versteht Spaltenbezeichnungen automatisch – egal ob „Gewicht", „Weight", „Ladungsgewicht_kg" oder „GW"
- Lücken-Erkennung: Wenn zwischen zwei Aufträgen eine Strecke ohne Ladung liegt, erkennt die KI das als potentielle Leerfahrt
- Plausibilitätsprüfung: Gewicht = 0 bei gleichzeitigem Dieselverbrauch? Distanz ohne zugehörige Ladung? Rote Flagge.
- Automatische Klassifikation: Jede Fahrt wird als „beladen", „teilbeladen" oder „leer" klassifiziert
ESGOs 7-Layer KI-Pipeline
ESGO hat dafür eine mehrstufige KI-Architektur entwickelt, die weit über einfache Regellogik hinausgeht:
Layer 1: Kontext- & Strukturerkennung
Rohe CSV- oder Excel-Dateien werden eingelesen. Die KI erkennt automatisch Spaltentypen, Formate und Datenstrukturen – ohne Templates oder Vorarbeit.
Layer 2–4: Algorithmische Leerfahrten-Erkennung
Mehrere KI-Agenten analysieren die Daten parallel. Jeder Agent prüft mit eigener Methodik – Gewichtsanalyse, Routenlogik, Zeitfenster-Plausibilität. Am Ende entsteht ein Konsens.
Layer 5–7: Forensische Validierung
Die identifizierten Leerfahrten werden mathematisch verifiziert. Fehlerhafte Klassifikationen werden aussortiert. Das Ergebnis: 100 % geprüfte, standardisierte Datensätze.
Vom Datenchaos zum buchbaren Angebot
Das Endergebnis der Pipeline ist nicht nur ein Report. Die erkannten Leerfahrten werden direkt in buchbare Kapazitäten umgewandelt:
- Verifizierte Routen mit Start, Ziel und Zeitfenster
- CO₂-Einsparungspotential pro vermiedener Leerfahrt
- ISO-14083-konforme Emissionsdaten
- Sofort verfügbar für Matching mit passenden Ladungen
„Die beste Leerfahrt ist die, die nie stattfindet. Aber dafür muss man sie erst in den Daten finden."
Fazit
Leerfahrten verstecken sich in den Daten – zwischen den Zeilen, in fehlenden Feldern, in unverknüpften Aufträgen. Klassische Systeme sind nicht dafür gebaut, sie zu finden.
ESGOs 7-Layer KI-Pipeline macht genau das: Sie nimmt rohe, unstrukturierte Logistikdaten und verwandelt sie in transparente, verifizierte und buchbare Transportkapazitäten.