Case Study · Logistik & Mobilität
Frachtpapiere automatisch erfassen, Disponenten entscheiden weiter
Ausgangslage
Papier und Fotos, die jemand abtippen muss
Die Spedition fährt Stückgut und Teilladungen. Lieferscheine und Frachtbriefe kommen als Foto vom Fahrer, als Scan oder als PDF per E-Mail, in unterschiedlicher Qualität und von vielen Absendern.
Zwei Personen in der Disposition tippten die Angaben ins Transportsystem ab, meist am Nachmittag, wenn die Fahrer zurück waren. Abweichungen bei Mengen oder Empfängern fielen dadurch oft erst am nächsten Tag auf, und Rückfragen an Kunden kamen entsprechend spät.
Die Geschäftsführung wollte die Erfassung beschleunigen, ohne die Prüfung aus der Hand zu geben, und die Disponenten dabei mitnehmen.
Vorgehen
Vom Foto zum Eintrag im Transportsystem
Das Projekt folgte den Phasen Analyse, Pilot und Rollout.
-
Dokumente und Fehlerarten sichten
Wir haben mit der Disposition rund zwei Wochen lang Belege gesammelt und typische Probleme benannt: schiefe Fotos, handschriftliche Ergänzungen, abweichende Layouts je Absender. -
Pilot mit drei Stammkunden
Ein Sprachmodell liest die Belege aus und schlägt Einträge für das Transportsystem vor. Bei unsicheren Feldern markiert es die Stelle, statt zu raten. Die Disponenten bestätigen oder korrigieren. -
Anbindung an das Transportsystem
Bestätigte Einträge werden über die Schnittstelle übernommen, Abweichungen zur Bestellung lösen eine Meldung an die Disposition aus. Dokumente und Protokolle bleiben in der Umgebung der Spedition. -
Einbindung der Disposition
Die beiden Disponenten haben die Prüfregeln mitgeschrieben und entscheiden, welche Absender zuerst folgen. Neue Absender werden schrittweise aufgenommen.
- weniger Zeit für die manuelle Erfassung (Spanne)
- Richtwert: 40 bis 60 %
- Belege des Vortags sind erfasst
- Am selben Vormittag
- wird markiert und von der Disposition entschieden
- Jede Unsicherheit
Was wir mitnehmen
Die Belege eines Tages liegen am Vormittag erfasst vor, nicht erst am Nachmittag oder am Folgetag. Abweichungen zur Bestellung werden früher sichtbar. Die Disponenten prüfen und korrigieren, sie tippen kaum noch ab.
Drei Learnings
- Die Fotoqualität der Fahrer beeinflusst die Ergebnisse stark. Eine kurze Anleitung zum Fotografieren brachte mehr als ein größeres Modell.
- Markieren statt Raten: Unsichere Felder sichtbar zu machen, schuf Vertrauen bei der Disposition.
- Der Start mit wenigen Stammkunden machte Fehler früh und überschaubar sichtbar.
Eingesetzte Bausteine
- Sprachmodell zum Auslesen von Belegen
- Automatisierung des Posteingangs
- Schnittstelle zum Transportsystem mit Protokollierung
Die Zeitangaben sind Richtwerte aus vergleichbaren Projekten und hängen von Belegqualität und Absendervielfalt ab. Die Fallbeschreibung ist ein anonymisiertes Muster.
Wir korrigieren, was das System unsicher findet, und tippen nicht mehr alles ab.