Transforming Logistics with AI – Selected Applications at DB Schenker

Interview mit Herrn Dr. Joachim Weise von DB Schenker

Herr Dr. Joachim Weise ist Senior Vice President für den Bereich Global Data Strategy and Analytics bei DB Schenker. Er studierte Wirtschaftsingenieurwesen an der TU Berlin, Production Management an der Chalmers University of Technology in Göteborg und promovierte im Innovationsmanagement an der TU Berlin. 

 

Was ist Ihr Aufgabenbereich als Senior Vice President Gobal Data Strategy and Analytics bei DB Schenker.

Seit Gründung 2016 leite ich den Bereich Global Data Strategy & Analytics (GDSA), eine von drei direkt unter dem CDO/CIO angesiedelten Digitalisierungseinheiten bei DB Schenker. Wir entwickeln und verfolgen eine unternehmensweite und zukunftsorientierte Datenstrategie, entwickeln und implementieren datengetriebene Geschäftsmodelle und generieren prozessrelevantes Wissen im Rahmen von Analytik- und Optimierungsprojekten. Unser Team besteht aus Business Consultants, Data Scientists, Operations Research Specialists und Big Data Engineers – größtenteils völlig neue Jobprofile für die Logistik. Hierbei kommen moderne Verfahren aus den Bereichen Machine Learning bzw. künstliche Intelligenz zum Einsatz, beispielsweise statistische Methoden, Verfahren der Mustererkennung, Simulationen und Optimierungsverfahren. Als Querschnittsfunktion setzen wir auf agile, abteilungsübergreifende Initiativen, die sich – ähnlich wie in einem Start-up – kurzfristig umsetzen lassen, um so Erfolge schnell nachzuweisen. 

Sind gute Data Scientists Ihrer Erfahrung nach tendenziell eher Beratertypen oder introvertierte Nerds?

Die Frage ist so einfach nicht zu beantworten. Ein guter Data Scientist sollte in meinen Augen nicht nur ein talentierter Mathematiker oder Informatiker sein, er sollte auch unternehmerische Fähigkeiten besitzen, eine schnelle Auffassungsgabe gemixt mit einem guten Verständnis von Geschäftsprozessen. Denn letztendlich ist der Erfolg einer unternehmensweiten Implementierung und Anwendung unserer Algorithmen davon abhängig, dass unsere Lösungen den Geschäftseinheiten einen Mehrwert bieten. Um die Anschlussfähigkeit meiner Abteilung mit dem Kerngeschäft sicherzustellen haben wir ja zusätzlich auch ein eigenes Team von „Business Consultants Data“ aufgebaut.

Logistikunternehmen erkennen immer mehr das Potential von Daten und entwickeln Strategien zur optimalen Nutzung. Wie sehen Sie den Reifegrad der Datennutzung in der Logistik und wo sehen Sie Ihr Unternehmen verglichen mit Wettbewerbern?

 Gerade in der Logistik ist die Anzahl der täglich generierten Daten in den letzten Jahren exponentiell gestiegen. Das Datenvolumen hat sich vertausendfacht, das stellt unsere doch sehr traditionelle Branche vor immer größere Herausforderungen, bietet allerdings gleichzeitig enormes Optimierungs- und Effizienzsteigerungspotential, was wir unbedingt nutzen wollen. Allerdings gehen große Datenmengen selten mit einer guten Datenqualität einher. Vor diesem Hintergrund wird die strukturierte Sammlung und Auswertung der generierten Daten immer wichtiger. Das Potential ist hoch! Neben der Schaffung technischer Grundvoraussetzungen ist insbesondere eine noch stärkere Sensibilisierung im operativen Geschäft für die immense Bedeutung von Datenqualität unverzichtbar. 

Als einer der größten Logistikdienstleister der Welt, verarbeiten wir bei DB Schenker bereits große Datenmengen aus verschiedensten internen und externen Quellen, beispielsweise Verkehrs- oder Wetterdaten, für komplexe Datenanalysen zur Aufkommensprognose, Netzwerkoptimierung, Predictive Pricing, Warehouse Analytics oder Kundenanalysen. 

Die Konkurrenz schläft aber auch nicht. Es tauchen völlig neue Player auf der Spielfläche auf, wie beispielsweise Amazon, die ursprünglich als Onlinebuchhändler gestartet sind und mit Amazon Logistics mittlerweile einen eigenen Speditionsdienst haben. Aber auch kleine Startups revolutionieren die Logistik gezielt mit digitalen, datenbasierten Geschäftsmodellen, und genau daran wollen wir auch anknüpfen. Wir nutzen das Potential, die aktuelle Dynamik und den Start-up-Spirit, um DB Schenker zu einem datengetriebenen Unternehmen zu transformieren und so auch zukünftig branchenführend zu bleiben.  

Welche Methoden und Tools aus dem Bereich AI finden bei Ihnen Anwendung und können Sie abschätzen, welche in Zukunft immer mehr an Bedeutung gewinnen werden?

Auf der einen Seite setzen wir gängige Methoden aus den Bereichen Statistik und Machine Learning an, wie zum Beispiel Zeitreihenanalysen, Ensemble Methoden oder Deep Learning. Auf der anderen Seite spielen in der Logistik natürlich Methoden aus dem Bereich Operations Research / Mathematische Optimierung eine große Rolle. Wir vereinen beide Kompetenzbereiche in einem Team und integrieren die Ansätze soweit möglich.

Praktische Beispiele sind u.a. die Echtzeitoptimierung bei der Disposition von Ladungsverkehren im Landverkehr, die Erstellung von Sendungsprognosen oder die Mustererkennung in großen Mengen von Sendungsdaten zur effektiveren Steuerung des operativen Geschäfts. Aber auch an der Kundenschnittstelle werden zunehmend Methoden der künstlichen Intelligenz eingesetzt, z.B. um die Kundenbindung zu erhöhen oder die Preisbildung zu optimieren.

Langfristiges Ziel ist es, entlang der gesamten Wertschöpfungskette immer mehr auf intelligente Unterstützung von Geschäftsentscheidungen durch künstliche Intelligenz zu setzen. Die Verfügbarkeit von qualitätsgesicherten Daten in Echtzeit wird dabei zur Grundvoraussetzung für intelligente, selbstlernde AI-Lösungen. 

Wo liegen die Grenzen von AI aus Ihrer Sicht?

Nach meinem Empfinden sind wir aktuell noch weit entfernt von einer „Artificial General Intelligence (AGI)“ – also einer künstlichen Intelligenz, die ähnlich wie ein Mensch ein breites Feld von Entscheidungssituationen bewältigen und dabei auch den Kontext von unscharfen Informationen und Situationen verarbeiten kann. 

Wenn wir die Entwicklung von AI auf ein Menschenleben übertragen, sind wir wohl aktuell noch auf der Entwicklungsstufe eines Kleinkinds. Neben derzeit viel diskutierten ethischen Grenzen spielen auch technische Limitierungen eine große Rolle. Fähigkeiten und Qualität eines AI-Systems hängen oft stark vom konkreten Use Case ab und auch ein Deep Learning System kann nur so gut sein wie die Daten, mit denen es trainiert wird. Wie bereits zuvor erwähnt, ist gerade der Aspekt der Datenqualität eine unserer größten Herausforderungen. Und das gilt sicher nicht nur für die Logistik. 

Dennoch sind wir sicher, dass Logistik zu den Branchen gehört, in der künstliche Intelligenz und die allgemeiner die Digitalisierung von Geschäftsmodellen zu den stärksten Veränderungen führen wird. Diese Veränderung wollen wir aktiv mitgestalten!


Dr. Joachim Weise (DB Schenker) präsentiert am 14. November 2019, dem zweiten Tag der Data Leader Days 2019, über „Transforming Logistics with AI – Selected Applications at DB Schenker.

Tickets für die Konferenz finden Sie auf der offiziellen Startseite, unter www.dataleaderdays.com.