Zieldefinition und KPIs: Eine auf die zu erreichenden Ziele zugeschnittene Strategie stellt für Transportunternehmen die Grundlage für eine Nutzung von Big Data dar. Dabei ist zu prüfen, welche ökonomischen Faktoren besonders relevant sind (Kosten, Qualität, Geschwindigkeit, Compliance etc.) und welche Kenngrößen den stärksten Zusammenhang mit diesen Faktoren aufweisen. Die Definition von Key Performance Indikatoren (KPIs) steht folglich an erster Stelle. Sie basiert auf einem offenen Assessment, das alle Stakeholder im Unternehmen und in seinem Umfeld einschließt. Nur basierend auf klar definierten und akzeptierten KPIs können Ziele festgelegt und Methoden zu deren Erreichung abgestimmt werden.

Datenerhebung: Die Daten sollten strukturiert und skalierbar erhoben werden. Dies bedeutet, dass Daten systematisch vergleichbar sein sollten. Um die Effizienz bei der Erhebung zu erhöhen, ist auf Daten zu setzen, die aus der digitalen Abwicklung von Prozessen bereits vorliegen. Unter Umständen kann es notwendig sein, analoge Geschäftsprozesse zu digitalisieren oder bestehende digitale Lösungen zu erweitern, um die erforderliche Datenqualität zu erreichen. Damit solche Maßnahmen auch nachhaltig umsetzbar sind gilt es, neben der Transparenz und Auswertbarkeit auch die anderen Nutzen-Treiber der Digitalisierung zu berücksichtigen: Prozesssicherheit, Qualitätskontrolle, Automatisierung und Optimierung können oft die besten Argumente für die Investition in Digitalisierung sein.

Gleichzeitig ist darauf zu achten, dass verschiedene Datenquellen miteinander verbunden werden. Denn das Potenzial von Big Data wird erst voll genutzt, wenn Daten unterschiedlichster Bereiche zusammengeführt werden und in einem Gesamtbild betrachtet werden. Von großer Bedeutung ist auch die Frage, wie Rohdaten aufbereitet und abgelegt werden. Denn um eine Nutzbarkeit für Analysen zu gewährleisten, müssen die Daten auch über Prozess- und Systemveränderungen hinweg verfügbar und vergleichbar bleiben.

Übergreifende Vernetzung von Datenquellen: Gerade in großen Unternehmen existieren häufig sogenannte Silos – das bedeutet, dass Schnittstellen zwischen unterschiedlichen Fachabteilungen fehlen oder schwach ausgeprägt sind. Häufig existieren verschiedene Software-Systeme, die miteinander korrelierende Daten sammeln, aber diese nicht zusammenführen. In der Integration von Daten aus verschiedenen Bereichen liegt aber gerade der besondere Wert von Smart Data. So gilt es etwa, Daten aus Lager und Flotte zusammenzuführen mit solchen aus dem Vertrieb oder der Reklamationsbearbeitung. Ebenso gehört dazu die Integration externer Daten. Hier ist zu analysieren, wo Schnittstellen bereits vorhanden sind – und wo sie fehlen. Integrationspunkte sollten im Sinne einer umfassenden Big Data Strategie geschaffen werden.

Verkehr und Staudaten: Für eine optimierte Routenplanung sind Daten hinsichtlich Verkehr und Verkehrsbehinderungen die Grundlage – gerade wenn es um selbstlernende Systeme geht.

Energieverbrauch: Ein erhöhter Spritverbrauch geht heute nicht nur mit Mehrkosten einher. Auch die Eindämmung des Schadstoffausstoßes wird immer wichtiger. Hier bereiten Smart Data eine Zahlenbasis. Angesichts kürzerer Reichweiten, wenn es um den Einsatz von Elektrofahrzeugen geht, sind diese Daten noch wichtiger.

Sendungsdaten: Die Übersicht über Lieferzeiten ermöglicht etwa das Monitoring von Prozessen bei Drittunternehmen. Die daraus resultierenden Erkenntnisse ermöglichen es, die Servicequalität angeschlossener Dienstleister zu bewerten. .

Beladungsprozesse und Ladezeiten: An der Rampe kann viel Zeit verloren gehen. Die Übersicht über sämtliche Prozesse ist die Grundlage, um Schwachstellen zu erkennen und zu eliminieren.