Optimale Struktur in der Zustellung

Der Einsatz von Daten und Algorithmen zur Optimierung der Zustellung ist ein bewährter Ansatz, um die steigenden Zustellkosten von Printprodukten zu reduzieren.
Zu den bekanntesten Ansätzen zählen:

1) GIS-basierte Optimierung der Zustellroute:
Durch die Analyse von Daten wie Lieferadressen, Lieferzeiten oder Verkehrslage können Algorithmen eine optimale Zustellroute für jeden Zusteller planen. Auf diese Weise können unnötige Strecken vermieden und die Zustellzeit reduziert werden.

2) Dynamische Tourenplanung:
Algorithmen können in Echtzeit reagieren und bei kurzfristigen Änderungen (z.B. Ausfall eines Zustellers) schnell neue Tourenpläne berechnen, um die Zustellung effizienter zu gestalten.

3) Effizienzsteigerung der Zusteller:
Durch den Einsatz von Wearables wie Smartwatches oder Smartglasses können die Zusteller schneller und effizienter arbeiten. Die Geräte können beispielsweise Informationen über die nächste Zustellung anzeigen oder den Zustellprozess automatisieren

 

Personaldisposition als neuer datengetriebener Ansatz zur Reduzierung der Zustellkosten

Bei SCHICKLER haben wir an einem weiteren Data Use Case gearbeitet, der sich der Personaldisposition, also der Verteilung der Zusteller auf die Bezirke, widmet.

Welcher Zusteller arbeitet auf welchen Bezirken? Welche Zusteller sind in welchen Bezirken eingesetzt? Wo ist die Zuordnung heute nicht optimal? Wo entstehen zu lange Anfahrtswege? Bei welchen Mehrfachbesetzungen entstehen zu lange Zwischenwege?

Hier treten in der Praxis sehr häufig Probleme auf. Zu den Gründe zählen:

  • die Zuweisung der Zusteller zu den Bezirken ist aufgrund der hohen Zahl an Bezirken und Zustellern zu zeitaufwendig und komplex, wird deshalb nicht regelmäßig durchgeführt
  • die Zustellorganisationen haben es mit einer kontinuierlich hohen Personalfluktuation im Tagesgeschäft zu tun – das zu lösende Optimierungsproblem verändert sich also von Tag zu Tag.

Abbildung 1: Typische Folgen einer (manuellen) Personaldisposition

Mit Hilfe des Einsatzes von Machine Learning können wir Entscheidungen über die optimale Verteilung der Zusteller auf die Bezirke treffen. Die Ergebnisse des Algorithmus lassen sich anschaulich visualisieren, was es den Verantwortlichen ermöglicht, schnell und einfach Optimierungspotenziale zu erkennen und umzusetzen.

Abbildung 2: Setup und Datenanforderungen

In Referenzprojekten konnten wir bereits tolle Ergebnisse erzielen. Die wichtigsten dabei sind:

  • Reduzierung des Bedarfs an Zustellern als eine Antwort auf den Personalmangel
  • Erhöhung der verfügbaren Zeit im Bezirk für mehr Qualität am Kunden
  • Reduzierung des Zeitaufwandes in der Zustellung für mehr Kosteneffizienz

Mehr Informationen finden Sie in unserem Showcase „Optimale Struktur in der Zustellung“ (Download-pdf)

Wenn Sie mehr über das Zustellermatching erfahren möchten, freuen wir uns auf Ihre Kontaktaufnahme:

Autor: Hendrik Langen, Geschäftsführender Partner

E-Mail: h.langen@schickler.de

Interessiert? Bleiben Sie mit dem SCHICKLER.essentials Newsletter auf dem Laufenden!