Podcast: Wie digitale Lkw-Stellplatzbuchung von Webfleet Pausen planbar, sicher und wirtschaftlich macht

Daten brauchen einen Maßstab

Ob Kraftstoffverbrauch, Fahrleistung oder Auslastung: Flottenverantwortliche verfügen heute über eine Vielzahl von Kennzahlen. Schwieriger wird es bei der Einordnung. Verbessert sich beispielsweise der Verbrauch der eigenen Flotte von einem Monat zum nächsten, ist das zunächst eine positive Entwicklung. Ob der erreichte Wert tatsächlich gut ist, lässt sich daraus jedoch nicht ableiten.

Fleet Insights soll deshalb den Blick über die eigene Flotte hinaus ermöglichen. Die Anwendung stellt die vorhandenen Werte vergleichbaren Flotten gegenüber und zeigt, wie die eigene Performance im Verhältnis zum Durchschnitt und zu besonders guten Werten einzuordnen ist.

Damit verändert sich auch der Blick auf Daten. Nicht allein die Frage, wie sich ein Wert entwickelt hat, steht im Mittelpunkt, sondern auch, welche Bedeutung er im Branchenvergleich besitzt.

Vergleichbarkeit statt beliebiger Benchmarks

Eine zentrale Voraussetzung für belastbare Vergleichswerte ist die Auswahl geeigneter Referenzgruppen. Ein Gefahrguttransportunternehmen lässt sich schließlich nicht sinnvoll mit einem Busunternehmen vergleichen, selbst wenn beide Fahrzeuge auf ähnlichen Straßen bewegen.

Webfleet ordnet Flotten deshalb verschiedenen Kategorien zu. Nach Angaben von Wolfgang Schmid,Head of Central Region bei Webfleet, stehen dabei rund 200 unterschiedliche Flottentypen zur Verfügung. Die Vergleichswerte sollen dadurch möglichst relevant bleiben, ohne einzelne Unternehmen oder Flotten identifizierbar zu machen.

Die zugrunde liegenden Daten stammen aus dem Webfleet-Ökosystem. Das Unternehmen verfügt aufgrund seiner Marktpräsenz über eine große Datenbasis, die für anonymisierte Auswertungen genutzt werden kann. Schmid verweist im Gespräch auf die konkrete Zertifizierungen und Datenschutzmaßnahmen des Unternehmens, die diese Vergleiche absichern.

Für die Anwenderseite soll nachvollziehbar bleiben, wie die eigene Flotte in die jeweilige Vergleichsgruppe eingeordnet wurde. Transparenz ist damit nicht nur bei den Ergebnissen, sondern auch bei deren Kontext ein Bestandteil des Konzepts.

KI als Unterstützung bei der Interpretation

Fleet Insights unterscheidet sich zugleich von klassischen Dashboards. Während herkömmliche Auswertungen häufig voraussetzen, dass Anwenderinnen und Anwender wissen, welchen Bericht sie öffnen und welche Kennzahl sie betrachten müssen, soll die KI-gestützte Anwendung relevante Auffälligkeiten stärker in den Vordergrund rücken.

Dabei arbeitet Fleet Insights eng mit dem Fleet Advisor zusammen. Während der Fleet Advisor insbesondere die Möglichkeit bietet, Fragen zur eigenen Flotte sprachgestützt zu stellen, bereitet Fleet Insights Daten und Vergleichswerte strukturiert auf. Ausgehend von einem ausgewählten Zeitraum und einer Fahrzeuggruppe kann beispielsweise dargestellt werden, wie sich eine Flotte gegenüber dem Durchschnitt und gegenüber den leistungsstärksten Vergleichswerten positioniert.

Gerade bei größeren Datenmengen soll die Anwendung damit Orientierung schaffen. Im Podcast wird als Beispiel eine Vergleichsgruppe mit mehreren hundert ähnlichen Flottenprofilen genannt. Je nach Kennzahl können daraus Durchschnittswerte und Spitzenwerte abgeleitet und der eigenen Flottenleistung gegenübergestellt werden.

Geschlossene Datenbasis soll Fehler reduzieren

Mit dem Einsatz künstlicher Intelligenz stellt sich allerdings auch die Frage nach der Qualität der Ergebnisse. Große Sprachmodelle sind dafür bekannt, Informationen mitunter fehlerhaft zu interpretieren oder Inhalte zu erzeugen, die nicht durch belastbare Daten gedeckt sind.

Fleet Insights verfolgt nach Angaben von Schmid einen anderen Ansatz. Die KI greift auf eine definierte Datenbasis von Webfleet zurück und nicht auf die offene Welt des Internets. Dadurch lasse sich das Risiko sogenannter Halluzinationen reduzieren. Eine absolute Fehlerfreiheit werde damit nicht garantiert, die kontrollierte Herkunft der Daten schaffe jedoch eine andere Grundlage für die Auswertung.

Entscheidend ist dabei die Menge des verfügbaren Datenmaterials. Je differenzierter die Vergleichsgruppe und je genauer die Betrachtung einzelner Fahrzeugtypen oder Flottenmerkmale ausfallen soll, desto größer muss die zugrunde liegende Datenbasis sein.

Vom Report zur Handlungsempfehlung

Schmid ordnet Fleet Insights als weiteren Entwicklungsschritt in der Flottenanalyse ein. Auf klassische Reports folgten anpassbare Berichte und Dashboards. Mit KI soll nun ein Teil der notwendigen Analysearbeit automatisiert werden.

Das Ziel geht dabei über eine reine Darstellung von Kennzahlen hinaus. Statt sich durch Menüs und Reports zu arbeiten, sollen Flottenverantwortliche schneller auf auffällige Entwicklungen aufmerksam werden. Zeigt sich beispielsweise ein überdurchschnittlicher Kraftstoffverbrauch, kann die Analyse anschließend weiter vertieft werden – etwa mit Blick auf einzelne Fahrzeuge.

Die KI liefert damit vor allem einen Ausgangspunkt für die weitere Untersuchung. Die eigentliche Bewertung und die daraus folgenden Maßnahmen bleiben hingegen eine Aufgabe der verantwortlichen Personen.

Der Mensch bleibt Teil der Analyse

Hier zeigt sich somit auch eine wichtige Grenze der Automatisierung. Aus einem auffälligen Wert lässt sich zwar ableiten, dass eine nähere Betrachtung sinnvoll sein könnte. Die Ursachen liegen jedoch häufig außerhalb der reinen Datenanalyse.

Im nächsten Schritt können beispielsweise einzelne Fahrzeuge, Fahrverhalten oder Werkstattprozesse relevant werden. Dafür braucht es Erfahrung und Kenntnisse über die konkreten Abläufe eines Betriebs. Fleet Insights soll diese Arbeit nicht ersetzen, sondern die relevanten Informationen schneller zugänglich machen.

Webfleet Fleet Insights ist jetzt neu für alle Kundinnen und Kunden verfügbar und in den entsprechenden Tarifen enthalten. Ein separates, zusätzlich buchbares Add-on ist demnach nicht vorgesehen. Damit soll Fleet Insights einen weiteren Zugang zu den vorhandenen Flottendaten schaffen – mit dem Schwerpunkt auf Vergleichbarkeit, Einordnung und der Frage, wo sich aus Daten konkrete Ansatzpunkte für die tägliche Arbeit ergeben.