Fabian Crabus

Use Case: „Der smarte Hafen – präzisere Vorhersage von Containerlaufzeiten“

Stellen Sie sich einen Containerhafen wie eine große Stadt vor, in der sich ständig tausende Container bewegen. Jeder Container muss irgendwann ankommen, umgeladen oder weitertransportiert werden. Das Problem: oft ist unklar, wie lange ein Container wirklich braucht, bis er bereitsteht – das führt zu Verzögerungen, Wartezeiten und zusätzlichen Kosten.

So funktioniert die Lösung:
Echtzeit-Daten sammeln (IoT-Sensoren):
Container und Fahrzeuge im Hafen sind mit Sensoren ausgestattet. Sie liefern laufend Informationen wie Standort, Bewegung, Temperatur, Luftfeuchtigkeit oder Wetterbedingungen.

Digitale Abbildung des Hafens (Geofencing & Digital Twin):
Mit Geodaten wird ein digitaler Zwilling des Hafens erstellt. So sieht man jederzeit, wo sich Container befinden und wie sie sich bewegen.

Daten verknüpfen und verstehen:
Alle Sensordaten fließen in eine zentrale Plattform, die auch externe Informationen wie Terminal-Auslastung, Containerart oder Wetterprognosen berücksichtigt.

Künstliche Intelligenz für Vorhersagen:
Die KI „lernt“ aus historischen Daten und den aktuellen Sensordaten, wie lange ein Container voraussichtlich brauchen wird. Dabei nutzt sie Zeitreihenmodelle – ähnlich wie ein Navigationssystem, das die Fahrzeit anhand von Verkehr und Wetter prognostiziert.

Präzisere Planung für Logistiker:
Statt nur grobe Schätzungen zu haben, kann ein Logistiker nun sehen:
„Container A ist mit hoher Wahrscheinlichkeit in 47 Minuten bereit zum Laden.“
„Container B verspätet sich wegen Staus im Hafen um ca. 20 Minuten.“
Der Vorteil:
– Bessere Planung von Lkw, Zügen und Schiffen
– Weniger Wartezeiten
– Höhere Effizienz im Hafenbetrieb
– Kosteneinsparungen durch optimierte Abläufe

Use Case: „Das Bloomberg Terminal für die kommerzielle Schifffahrt“

Die weltweite Schifffahrt ist hochkomplex: Tausende Schiffe bewegen sich gleichzeitig über die Ozeane, Häfen sind überlastet, Frachtpreise schwanken stark. Reeder und Broker müssen in diesem Umfeld täglich Entscheidungen über Charterverträge in Millionenhöhe treffen – oft auf Basis unvollständiger oder unstrukturierter Daten.

Die Herausforderung:
Wichtige Daten stecken in E-Mails, PDFs oder Faxen – unstrukturiert und schwer nutzbar.
Satellitenbilder zeigen Schiffe und Häfen, müssen aber automatisch erkannt und analysiert werden.
Sensor- und Positionsdaten (AIS) sind unübersichtlich und enthalten Fehler (z. B. GPS-Spoofing).
Marktpreise hängen stark von Verfügbarkeit, Nachfrage und Wetter ab.

Die Lösung: Eine AI-gestützte Plattform für bessere Chartering-Entscheidungen

Daten sammeln & verknüpfen
E-Mails, Verträge und Dokumente werden mit KI-gestützter Texterkennung (OCR + NLP) automatisch in strukturierte Daten umgewandelt.
Satellitenbilder werden mit Computer Vision analysiert, um Häfen, Schiffe oder auch „Geisterschiffe“ zu erkennen.
IoT-Sensoren und Schiffspositionsdaten (AIS) liefern Echtzeit-Infos zu Routen, Geschwindigkeiten und Aufenthaltsorten.

AI-Analyse
NLP-Modelle (Spracherkennung): extrahieren automatisch Charterdetails aus Texten.
Computer Vision: erkennt Hafeninfrastruktur und Schiffe auf Satellitenbildern.
Anomalieerkennung: meldet ungewöhnliche Bewegungen, z. B. illegale Ship-to-Ship-Transfers.
Zeitreihenmodelle (LSTM): prognostizieren Treibstoffverbrauch und Frachtraten.

Big Data in Echtzeit
Millionen von Datenpunkten (50+ GB pro Tag) werden gesammelt, gefiltert und verarbeitet.
Ein Kafka-/Flink-Datenstrom erlaubt die nahezu sofortige Auswertung und Bereitstellung für Nutzer.

Nutzbare Insights für Reeder & Broker
Beispiel 1: „Schiff X wird in 18 Stunden in Rotterdam anlegen – voraussichtliche Liegezeit 36 Stunden.“
Beispiel 2: „Satellitenanalyse zeigt: mehrere Schiffe warten im Schwarzen Meer, was die Preise für Bulkerfracht senken dürfte.“
Beispiel 3: „E-Mail-Analyse identifiziert neue Charterangebote – automatisch strukturiert und direkt im Dashboard sichtbar.“

Der Mehrwert für die Branche:
Schnellere Entscheidungen: Reeder und Broker können Charterangebote sofort vergleichen.
Weniger Risiko: Früherkennung von Manipulationen oder illegalen Aktivitäten.
Kostenvorteile: Bessere Prognosen für Frachtpreise und Auslastung.
Transparenz: Ein bisher fragmentierter Markt wird durch Daten zugänglich und berechenbarer.

👉 Man kann sich die Plattform wie eine Mischung aus „Bloomberg Terminal für die Schifffahrt“ und „Google Maps für Schiffe“ vorstellen:

Bloomberg-Aspekt: Marktinformationen, Charterpreise und Prognosen.
Google Maps-Aspekt: Echtzeit-Tracking und intelligente Routenplanung.