Der Insider-Blick: Ein Jahrzehnt Lieferkettendaten in Entscheidungen verwandeln

Öffnet man heute eine Sendungsverfolgungs-App, ist der Punkt meist da – was keine Kleinigkeit ist, wenn man bedenkt, wie viel Fracht früher auf Anrufen, veralteten ETAs und besten Vermutungen basierte. Die Echtzeit-Transparenz hat ihre erste Aufgabe erfüllt: Sie hat die Fracht gefunden.

Die schwierigere Frage beginnt direkt danach: Was soll man mit dem tun, was man jetzt sehen kann?

Hier kommt mein Team ins Spiel.

Mein Name ist Cathy Slesnick, und ich bin Director of Data Science bei Tive. Ich kam im Dezember 2021 als erste Datenexpertin zu Tive, was bedeutet, dass ich das seltene Privileg hatte, die Datenfunktion von Grund auf aufzubauen. Das Team, der Stack, die Infrastruktur, die Ausrichtung. Alles davon.

Hier beginnt die Geschichte wirklich: nicht nur damit, Fracht zu sehen, sondern sie zu verstehen. Jahrelange Lieferkettendaten, Netzwerkmuster und viel Arbeit hinter den Kulissen ermöglichen es, Echtzeit-Sendungsverfolgung in umsetzbare Entscheidungen zu verwandeln.

Mein Weg hierher

Um zu erklären, wo wir jetzt stehen, ist es hilfreich, am Anfang zu beginnen – denn als ich ankam, existierte fast nichts davon.

Wie ein Kind im Süßigkeitenladen

Ich bin nicht zu Tive gekommen, weil ich eine lebenslange Leidenschaft für Logistik habe. Ich bin gekommen, weil Tive für einen Datenmenschen wie mich so aussah, wie ein Süßigkeitenladen für ein Kind. Hier war ein Unternehmen mit Sensoren, die sich weltweit bewegten und einen enormen Datenstrom über Sendungen, Bedingungen und Routen erzeugten, und fast nichts davon wurde vollständig genutzt.

Für jemanden, der einen echten Nervenkitzel beim Finden von Mustern in Daten empfindet (ich habe einen Doktortitel in Astrophysik, daher ist das Starren auf riesige Datensätze und das Warten darauf, dass sich etwas offenbart, sozusagen mein Ding), war das unwiderstehlich.

Die Grundlagen schaffen 

Bevor man in der Datenwissenschaft etwas Cleveres tun kann, muss man viel Fleißarbeit leisten. Als ich anfing, sammelten wir Rohdaten, aber es fehlte die grundlegende Infrastruktur, um diese Daten tatsächlich für aussagekräftige Erkenntnisse zu nutzen. Daher gingen die ersten Jahre in die am wenigsten aufregende, aber notwendigste Arbeit überhaupt: das Bereinigen, Organisieren und Aufbauen dessen, was wir eine Datentransformationsschicht nennen.

Vereinfacht ausgedrückt bedeutet das, alle Rohdaten, die von unseren Sensoren und Systemen kommen, zu nehmen, sie zu bereinigen, zusammenzuführen und in zuverlässige Datensätze umzuwandeln, auf denen jemand aufbauen kann. Es ist die Sanitärinstallation im Haus: Man sieht sie nie, aber ohne sie funktioniert nichts, und es ist der Teil, den die meisten Menschen unterschätzen.

Krabbeln, Gehen, Laufen

Der Ablauf ist für mich: Krabbeln, Gehen, Laufen.

Als ich ankam, war die Vision für Lieferkettendatenprodukte kaum ausgeprägt. Aber als unsere derzeitige VP of Product, Kyra, sich dahinterklemmte, nahmen die Dinge schnell Fahrt auf. Der Zeitpunkt war sinnvoll: Hardware wächst nur so schnell, während Software- und Datenprodukte viel schneller skalieren, und erfolgreiche Unternehmen wandeln ihre Daten in Dynamik um.

Jetzt leite ich ein Team von 13 Personen aus drei Disziplinen: Data Science, Datenanalyse und Data Engineering, plus Analysepartner, die im gesamten Unternehmen eingebettet sind. Das Team ist verteilt, mit Data Science in Boston, Analytics zwischen Boston und Kosovo, Engineering dezentral und QA in Kanada.

Mit diesem Team und sauberen Daten können wir unsere Zeit nun damit verbringen, Erkenntnisse zu gewinnen und Produkte zu entwickeln anstatt uns mit den Grundlagen herumzuschlagen.

Was wir jetzt sehen: Menschen wollen Kontext, nicht nur Datenberge 

Sobald die „Crawl, Walk, Run“-Arbeit erledigt ist und die Daten endlich stimmen, ändert sich das Gespräch fast sofort. Teams hören auf, nach Rohinformationen zu fragen, und beginnen, nach umsetzbaren Informationen zu fragen. Wenn Lieferkettendaten ausgereifter werden, verlagert sich der Fokus von der Sichtbarkeit um ihrer selbst willen hin zur Unterstützung von Menschen bei der Entscheidung, was als Nächstes zu tun ist.

Beginnen Sie mit diesem hier

Die meisten Frachtteams funktionieren jedoch nicht so. Sie beginnen den Tag mit Alarmen, die während ihres Schlafs eingegangen sind, Trackern, die an einem ungünstigen Ort pausierten, Temperaturmesswerten, die sich gerade so weit bewegten, dass sie alle nervten, und einer Karte voller Punkte, die alle gleichermaßen Aufmerksamkeit erfordern, bis einer von ihnen teuer wird.

Das ist der erste Trend, den ich immer wieder sehe: Der Appetit auf rohe Lieferkettendaten ist gesunken, während der Appetit auf umsetzbare Erkenntnisse explodiert ist. Teams wollen, dass das System die Lage einschätzt. Sie wollen, dass es sagt: „Beginnen Sie mit dieser Ladung, dann schauen Sie sich diesen Spediteur an und verschwenden Sie Ihren Morgen nicht mit den anderen acht Alarmen, es sei denn, es ändert sich etwas.“

„Normal“ ist zur Herausforderung geworden

Eine Sendung wirkt erst dann seltsam, wenn man weiß, was „seltsam“ bedeutet, was offensichtlich klingt, bis man versucht, das dahinterstehende System aufzubauen.

Ein LKW, der seine erwartete Route verlässt, könnte bedeuten, dass der Fahrer eine bessere lokale Straße kennt. Es könnte auch bedeuten, dass die Ladung gerade in ein Diebstahlmuster geraten ist. Der Unterschied hängt vom Kontext ab: die Strecke, die Ware, der Korridor, die Stopphistorie, die Tageszeit und die Tausenden von unauffälligen Fahrten, die dem System beigebracht haben, wie „normal“ normalerweise aussieht.

Intelligente Routenabweichungsalarme wurden geschaffen, um genau dieses Problem zu bekämpfen. Das System muss die Straßen verstehen, die Sendungen normalerweise nehmen, bevor es die Straße markieren kann, die einen zweiten Blick verdient.

Das Netzwerk beginnt, die Lücken zu füllen

Sobald das System normale Bewegungen versteht, kann es beginnen, Dinge abzuleiten, die Kunden niemals in ein Formular eingeben. Referenzdaten sind aus diesem Grund immens wichtig. Natürlich würde ich mir eine Welt wünschen, in der jeder Kunde jede Sendung sorgfältig für uns kennzeichnet, aber diese Welt existiert nicht.

Nehmen wir Beeren. Ein Kunde wird uns vielleicht nie sagen, dass der LKW Erdbeeren transportiert. Die Sendung kann sich jedoch trotzdem wie Beerenfracht bewegen, sich wie Beerenfracht verhalten und den Alarmmustern ähneln, die wir bei anderer Beerenfracht sehen. Von dort aus kann das System eine intelligentere Alarmkonfiguration empfehlen, ohne den Kunden zu bitten, eine von Grund auf neu zu erstellen.

Vertrauen muss von Anfang an in dieser Art von Intelligenz verankert sein. Wir gruppieren Endpunkte, lassen private Einzelstopps außerhalb der Routengrenzen und nutzen das Netzwerk-Muster anstelle des privaten Fußabdrucks des Kunden. Kollektive Intelligenz sollte jede Sendung intelligenter machen, ohne dass jemand das Gefühl hat, das Netzwerk würde über den Zaun schauen.

Die eigentliche Anforderung ist eine frühere Warnung

Nachdem sich Kunden an Priorität, Kontext und klarere Warnmeldungen gewöhnt haben, stellen sie die Frage, die jeder schon immer stellen wollte: Können Sie mir sagen, dass etwas nicht stimmt, bevor das Problem teuer wird?

Diese Anforderung sieht man überall. Welche Häfen halten Fracht so oft drei Tage lang fest, dass Teams dies einplanen sollten? Welche Spediteure lösen immer wieder dieselbe Warnung aus? Welche Routen verursachen Kühlprobleme, Frachtdiebstahl -risiko oder wiederkehrende Verzögerungen, die bei einer einzelnen Sendung zufällig erscheinen, aber im gesamten Netzwerk offensichtlich sind?

Die Kühlwarnung, die wir gerade eingeführt haben, passt zu diesem Muster. Kunden fragten sich früher, ob ein Fahrer das Gerät eingeschaltet hatte, wenn die Ladung Schutz benötigte. Jetzt können sie es sehen, beweisen und die richtige Partei zur Rechenschaft ziehen, wenn eine Sendung fehlschlägt – derselbe Datensatz, der das Problem im Moment kennzeichnet, wird zum Beweis, der später klärt, wer wem was schuldet, und zur Lehre, die der nächsten Sendung sagt, wo zuerst gesucht werden muss. 

Lieferkettendaten beginnen an diesem Punkt, sich zu bewähren. Die Fracht von gestern lehrt das System von heute, wo zuerst gesucht werden muss.

Der beste Teil des Jobs: Das Gesamtbild sehen

Ich schließe mit dem Teil dieser Arbeit, den ich am meisten liebe. Wenn Leute fragen, was mich dabei hält, sind diese fünf Dinge die ehrliche Antwort:

• Ein Blick über alles hinweg: Da mein Team das Data Warehouse betreibt, fließen im Wesentlichen alle Arten von Tive-Daten durch uns – von Sensorwerten über Sendungsaufzeichnungen bis hin zu dem, wer was bestellt. Ein Team, das nur an einem Ausschnitt arbeitet, kann nicht sehen, wie diese Teile zusammenhängen, und diese Perspektive ist es, was ich an der Arbeit am meisten schätze.
• Der Moment, in dem ein Muster erscheint: Erinnern Sie sich an diese Magic Eye-Poster, die wie Rauschen aussahen, bis sich Ihr Fokus verlagerte und ein Bild auftauchte? Gute Datenarbeit hat den gleichen Effekt: Man sitzt vor einer überwältigenden Menge an Informationen, wartet, und ein Muster, das die ganze Zeit da war, wird sichtbar. Dieser Moment der Erkenntnis wird nie langweilig.
• Einer Anomalie auf den Grund gehen: Einige der befriedigendsten Arbeiten sind reine Detektivarbeit. Ein Kollege bemerkte kürzlich, dass uns ein Lieferant zu viel berechnete, und zog den Faden weiter, bis er die Grundursache fand. Einem seltsamen Signal bis zu seiner Quelle zu folgen, ist wirklich lohnend.
• Es von Grund auf neu aufbauen: Als Tives erste Datenkraft hatte ich die seltene Gelegenheit, diese Funktion von Grund auf zu gestalten: jede Person einzustellen, den Tech-Stack auszuwählen und die Richtung vorzugeben. Nicht viele Menschen bekommen die Möglichkeit, das zu bauen, was sie dann selbst betreiben dürfen.
• Daten in Entscheidungen umwandeln: Das ist es, was den Rest bedeutsam macht. Ein Muster, das innerhalb einer einzelnen Sendung unsichtbar ist, wird im gesamten Netzwerk offensichtlich – und das ermöglicht es uns, einem Kunden eine klare Antwort zu geben, anstatt einen Haufen Daten. Zu sehen, wie das die Art und Weise verändert, wie jemand seine Lieferkette betreibt, ist der bedeutungsvollste Teil von allem.

Der Blick von hier

Wenn ich auf das zurückblicke, was ich 2021 vorgefunden habe, ist die Veränderung kaum zu überschätzen. Eine Flut ungenutzter Daten wurde zu einer sauberen Grundlage, und diese Grundlage entwickelte sich zu einer Plattform, die Ihnen nicht nur zeigt, wo sich Ihre Fracht befindet, sondern Ihnen auch sagt, was Sie damit tun sollen. Das nächste Jahrzehnt dieser Branche gehört der Intelligenz, nicht nur der Transparenz, und diese Zukunft wird Muster für Muster aufgebaut.

Genau hier ist Tive zu Hause. Wir sind eines der wenigen Unternehmen, das Echtzeit-Tracking Hardware und Transparenz-Software mit mehr als einem Jahrzehnt Netzwerkdaten. Diese Kombination verwandeln wir in umsetzbare Intelligenz: intelligentere Routenführung durch Smart Route Deviation Alerts, frühere Hinweise auf Diebstahl und Risiken, Voraussicht, wo Sendungen stecken bleiben werden, und Empfehlungen, die aus dem Verhalten eines gesamten Netzwerks abgeleitet werden.

Wir wollen nicht das einzige Unternehmen sein, das dies tut. Wir wollen es am besten machen.

Starten Sie noch heute mit Tive um mehr zu erfahren.