Die Zukunft der Tourenoptimierung ist jetzt!
- 15 April 2022
- 3 mins
Trotz der Leistungsfähigkeit der Optimierungsalgorithmen gehen die meisten Tourenoptimierungslösungen in der Regel nur sehr bedingt auf die alltäglichen Herausforderungen der Tourenplanung ein: Unvorhergesehene Ereignisse, falsche oder unbekannte Daten, Einschränkungen und Prioritäten, die nicht in den Algorithmus integriert werden können, etc.
Dies liegt in erster Linie daran, dass herkömmliche Softwares zur Tourenoptimierung aus ihren mathematischen Grundlagen eine rein theoretische Vorstellung vom „absoluten Optimum“ übernehmen, die sich nicht auf die Realität übertragen lässt. In der Praxis kann jede noch so fundierte Entscheidung schon wenige Minuten später infrage gestellt werden, sobald neue Informationen eintreffen, die Zeit vergeht oder sich der Kontext selbst ändert.
Folglich verbessert die Tourenoptimierung im Vergleich zu einer manuellen Planung zwar unbestreitbar die Effizienz der Touren, jedoch verliert der Nutzer einen Großteil seiner Reaktionsfähigkeit bei der Entscheidungsfindung. Trotz ihrer oft beeindruckenden theoretischen Leistungen scheitern klassische Optimierungslösungen in der Praxis oft daran, die Komplexität einer realen Welt zu erfassen, in der sich alles ständig in Veränderung befindet. Branchenübergreifend entwickeln sich neue Standards für die Dienstleistungsqualität, wie die Lieferung/der Service am selben Tag oder Echtzeitinteraktionen mit dem Endkunden. Der Optimierungskontext verändert sich heute wesentlich stärker und schneller, als es noch vor einigen Jahren der Fall war.
Weil die komplexen realen Verhältnisse die Möglichkeiten der meisten Softwareprogramme zur Tourenoptimierung übersteigen, verlassen sich viele Unternehmen auch heute noch auf die manuelle Planung.
Kontinuierliche und kontextbezogene Tourenoptimierung
Wir bei Kardinal sind davon überzeugt, dass wir die oben geschilderten Einschränkungen überwinden können. Dafür konzipieren wir unsere Tourenoptimierung auf Grundlage der beiden folgenden zwei Ansätze:
- Kontinuierliche Optimierung: unvorhergesehene Ereignisse sind die Regel und Entscheidungen müssen jederzeit neu getroffen werden können. Eine Software zur Tourenoptimierung muss ihren Nutzern unaufhörlich zur Seite stehen: vor, während und nach den Touren.
- Kontextsensitivität: Ohne Kontext beschränkt sich die Tourenoptimierungssoftware auf generische Empfehlungen, die für eine konkrete Situation oft irrelevant sind und letztlich mehr schaden als nützen. Um unabhängig vom Zeitpunkt die besten Entscheidungen treffen zu können, ist Kontextsensitivität in der Tourenoptimierung unabdingbar.
Diese beiden Prinzipien können nur gemeinsam funktionieren. Natürlich ist es eine technische Herausforderung, eine Software zur Tourenoptimierung zu entwickeln, die nie aufhört zu rechnen und gleichzeitig in der Lage ist, strukturierte und kontextbezogene Informationen in Echtzeit zu erfassen und zu nutzen – sowohl was das reine Softwaredesign als auch die mathematischen Algorithmen betrifft, die für die Ausführung der gesamten Kette erforderlich sind. Wir sind jedoch fest davon überzeugt, dass dies der einzig realistische Weg für eine performante Tourenoptimierung ist, die den Männern und Frauen in der Logistikbranche einen echten Mehrwert bietet.
Im Folgenden zeigen wir Ihnen, wie wir diese beiden Ansätze in der realen Welt umsetzen: vor dem Einsatz, während und sogar nach der Durchführung der Touren.
Lösung zur kontinuierlichen Tourenoptimierung
Vor der Tour
In den meisten Fällen sind die Daten für eine Tourenoptimierung nicht vollständig und fehlerfrei im Voraus bekannt. Bei Hausbesuchen in der ambulanten Pflege ist es etwa unmöglich, die genaue Patientenabfolge für den Tagesverlauf festzulegen, da sich diese Tätigkeit – wie viele andere auch – täglich mit Notfalleinsätzen konfrontiert sieht.
Bei der Express-Paketzustellung treffen die Lieferaufträge laufend im Informationssystem ein. Es ist undenkbar, bis zum letzten Moment mit der Optimierung zu warten, bevor mit dem Sortieren der Pakete begonnen wird.
Die Touren müssen also ständig angepasst werden, ohne dabei jedoch den Kontext und das Timing außer Acht zu lassen: Man kann nicht alle Pakete wenige Minuten vor der Abfahrt in einen Lkw laden, ohne damit die Abfahrt in Verzug zu bringen. Daher müssen die Optimierungsalgorithmen in der Lage sein, den Status jeder Tour zum Zeitpunkt t zu „verstehen“, um geeignete Änderungen vorzuschlagen, deren Auswirkungen sich mit der Lagerorganisation in Einklang bringen lassen.
Während der Tour
Auch bei einer bereits laufenden Tour können verschiedene unvorhergesehene Ereignisse eintreten. Allen voran: der Verkehr. Selbst unter Verwendung von im Durchschnitt zuverlässigen Verkehrsprognosen können sich Straßenstaus oder die Verfügbarkeit öffentlicher Verkehrsmittel ganz anders entwickeln als erwartet. Wenn es schlecht läuft, gefährden die damit einhergehenden Verzögerungen die Dienstleistungsqualität. Wenn sich die Verkehrsverhältnisse unerwartet gut gestalten, werden ohne eine performante Tourenoptimierung Chancen zur Leistungssteigerung vertan. Während des Einsatzes bezieht unser Lösung den Verkehr in Echtzeit sowie die zur Verfügung stehenden Mobilitätsoptionen in die Optimierung ein.
Möglicherweise müssen auch neue Aufgaben in die laufenden Touren aufgenommen werden, z. B. die spontane Abholung neuer Sendungen. Bei Hausbesuchen kann es vorkommen, dass eine Pflegekraft ihre nächsten Besuche absagen muss, weil sie bei einem Patienten mehr Zeit als erwartet aufwenden musste. Diese Änderungen können optimal auf die anderen verfügbaren Pflegekräfte verteilt werden.
Nach der Tour
Nach der Tour ist vor der Tour. In der Zwischenzeit werden die gesammelten Daten dazu genutzt, das System als Ganzes zu verbessern. Alle tatsächlichen Zeiten werden gemessen: Fahrtzeiten, Arbeitszeiten vor Ort etc. Diese können aufgrund einer Vielzahl von Faktoren variieren. Die aus der Analyse dieser Variationen erzielten Erkenntnisse werden für die folgenden Tourenoptimierung genutzt.
Bei der Paketzustellung ist bekannt, dass die Fahrer in ihnen gut bekannten Gebieten in der Regel schneller unterwegs sind. Wie aber kann man diesen Effekt quantifizieren? Faktoren wie Fahrzeugtyp, Alter des Fahrers, Tageszeit, Fahrzeugauslastung, Jahreszeit oder auch die Wetterbedingungen wirken sich allesamt auf die Geschwindigkeit des Fahrers aus. Ebenso wichtig ist die Art der Umgebung, in der er sich bewegt: Bürotürme mit vielen Stockwerken oder Wohngebiete wirken sich stark auf die Zustellzeit aus.
Bei Hausbesuchen ist zu erwarten, dass neue Kräfte aufgrund ihrer geringeren Erfahrung mehr Zeit für die Pflege benötigen. Darüber hinaus können die Patienten selbst unterschiedlich viel Zeit für die gleiche Leistung in Anspruch nehmen. All diese Parameter machen einen grundlegenden Ansatz, der X Minuten pro Patient zuweist, in der Praxis irrelevant.
In beiden Fällen lernen die Machine-Learning-Algorithmen aus den historischen Daten, um zu verstehen, wie sich all diese Faktoren auf die tatsächlichen Zeiten auswirken. Mit der Zeit nimmt die Menge der gespeicherten Daten zu und das gesamte System gewinnt an Präzision. So entsteht ein positiver Kreislauf, der die Lernkurve der Menschen vor Ort miteinbezieht. Statt nur eine Tour nach der anderen zu optimieren, optimiert das System auch sich selbst kontinuierlich weiter.
Die kontinuierliche und kontextsensitive Optimierung ist der logische Schritt hin zu einer stärkeren Verkettung zwischen Prozessen und Algorithmen. Diese performante Verbindung beschert Unternehmen eine größere Reaktionsfähigkeit und vor allem effizientere und realistischere Touren, die echte Leistungssteigerungen ermöglichen und die Arbeit für alle Beteiligten angenehmer gestalten.
