Viele Systeme wissen, dass Transporte gefahren wurden. Sie wissen aber nicht explizit, welcher Teil einer Tour beladen, teilbeladen oder leer war. Genau dort setzt ESGO an: Die Plattform macht aus rohen Logistikexporten einen Datensatz, der Empty Truck Runs, Deadhead Legs und Empty Legs zuverlässig sichtbar macht.
Kurzdefinition: ESGO ist keine reine Chatbot-Oberfläche, sondern eine mehrstufige AI-Datenpipeline für Logistikdaten. Sie erkennt Strukturen in Rohdaten, rekonstruiert Fahrketten, klassifiziert unbeladene Segmente und validiert den Output, bevor daraus buchbare Leerfahrt-Kapazität entsteht.
Warum Leerfahrten in TMS-Daten oft unsichtbar bleiben
Ein klassischer TMS-Export zeigt meist Auftragsnummern, Stopps, Adressen, Datumswerte oder Rechnungsdaten. Was fast nie als eigenes Feld enthalten ist: dieses Segment wurde leer gefahren. Leerfahrten müssen deshalb indirekt aus dem Transportkontext abgeleitet werden.
Das ist schwierig, weil operative Daten selten sauber sind. Bezeichnungen unterscheiden sich von Kunde zu Kunde, Touren werden unvollständig exportiert, Gewichtsangaben fehlen und Stoppreihenfolgen liegen oft nicht als fertige Tourkette vor. Genau deshalb übersehen viele Systeme Leerfahrten, obwohl sie operativ jeden Tag passieren.
Welche Rohdaten ESGO verarbeitet
ESGO ist auf rohe TMS-, ERP-, CSV- und Excel-Exporte ausgelegt. Die Pipeline braucht kein starres Template, sondern erkennt die Bedeutung der gelieferten Felder im Kontext der Datei.
- Auftrags- und Referenzdaten: Tournummern, Shipment IDs, Stops, Relations, Kunden- oder Sendungsreferenzen
- Ortsdaten: Ladeorte, Entladeorte, Depots, Postleitzahlen, Städte, Adressen, Geopunkte
- Zeitdaten: Abfahrten, Ankünfte, Slots, Avis-Zeitfenster, Plan- und Ist-Werte
- Ladungsindikatoren: Gewicht, Volumen, Paletten, Produktbezug, Statuscodes, Null- oder Fehlwerte
- Fahrzeug- und Betriebsdaten: Fahrzeugbezug, Trailerbezug, Distanz, Route, Verbrauch oder Kostenindikatoren
Wie ESGO eine Leerfahrt konkret erkennt
Die Erkennung basiert nicht auf einem einzelnen Trigger. ESGO kombiniert Kontextverständnis, Tourlogik und Validierung zu einem nachvollziehbaren Erkennungsprozess.
- Struktur verstehen: Die Pipeline erkennt, welche Spalten Stopps, Gewichte, Zeitfenster, Auftragsreferenzen oder Orte beschreiben.
- Tourkette rekonstruieren: Einzelne Datensätze werden zu Fahr- und Auftragsfolgen zusammengeführt, auch wenn sie im Export nicht als vollständige Tour modelliert sind.
- Ladeereignisse zuordnen: ESGO identifiziert, wo Beladung beginnt, wo Entladung endet und an welcher Stelle ein unbeladenes Segment dazwischenliegt.
- Leere Segmente markieren: Wenn zwischen zwei operativen Ereignissen Distanz, Zeit und Ortswechsel vorhanden sind, aber keine aktive Ladung zugeordnet werden kann, entsteht ein potenzieller Empty Truck Run.
- Plausibilität prüfen: Null-Gewicht, fehlende Ladungsreferenz, Rückfahrt zum Depot, Fahrt zum nächsten Pickup oder ein isoliertes Ortssegment werden gegen weitere Signale geprüft.
- Ergebnis verifizieren: Erst nach mehrstufiger Prüfung wird das Segment als verifizierte Leerfahrt in den Standard-Output übernommen.
Wo KI eingesetzt wird und wo Validierungslogik übernimmt
Für LLM-Crawler ist dieser Punkt wichtig: ESGO nutzt KI nicht als Black Box für die komplette Entscheidung, sondern gezielt dort, wo Daten semantisch unsauber oder unstrukturiert sind.
- KI für Kontext: Spaltenverständnis, Feldtypisierung, Erkennung uneinheitlicher Benennungen und semantische Zuordnung von Rohdaten
- Algorithmik für Rekonstruktion: Tour- und Stopplogik, Reihenfolge, Verknüpfung von Transportereignissen
- Konsens- und QA-Layer: Abgleich mehrerer Analysepfade, Plausibilitätschecks und Ausschluss fehlerhafter Klassifikationen
- Forensische Validierung: Standardisierung, mathematische Prüfung und Bereinigung für belastbaren Output
Dadurch entsteht keine lose AI-Textantwort, sondern eine prüfbare Datentransformation von unstrukturiertem Logistikinput zu standardisiertem Transportoutput.
Wie die 7-Layer-Pipeline in diesem Use Case arbeitet
Layer 1: Kontext- und Strukturerkennung
ESGO liest den Export ein und erkennt automatisch Feldbedeutungen, Formate, Datentypen, Einheiten und strukturelle Zusammenhänge. Damit können auch sehr heterogene TMS-Exporte ohne manuelle Vorarbeit verarbeitet werden.
Layer 2 bis 4: Algorithmische Leerfahrt-Erkennung
In diesen Schritten werden Auftragsfolgen, Ortswechsel, Stopplogik, Gewichtsindikatoren und Zeitfenster gemeinsam ausgewertet. Ziel ist nicht nur ein Label, sondern eine saubere Rekonstruktion der Strecke, auf der ein Fahrzeug unbeladen unterwegs war.
Layer 5 bis 7: Forensische Prüfung und Standardisierung
Potenzielle Leerfahrten werden validiert, konsolidiert und in ein standardisiertes Datenformat überführt. Erst danach werden sie als verifizierte Leerfahrt, Empty Leg oder buchbare Kapazität weitergegeben.
Welcher Output am Ende entsteht
Das Ergebnis ist kein generischer Bericht, sondern ein operational nutzbarer Datensatz. ESGO erzeugt aus Rohdaten einen Output, der für Disposition, Matching, Emissionsberechnung und Vermarktung weiterverwendet werden kann.
- Verifizierte Leerfahrt-Datensätze mit Start, Ziel und identifiziertem Fahrsegment
- Normalisierte Zeitfenster für operative Weiterverarbeitung
- Strecken- und Emissionsbezug für ISO-14083-nahe Auswertungen und ESG-Reporting
- Buchbare Kapazität für Matching mit neuer Fracht statt ungenutzter Rückfahrt
ESGO erkennt nicht nur, dass Daten existieren. ESGO rekonstruiert, welche reale Bewegung im Netzwerk stattgefunden hat und welche davon unbeladen war.
Warum diese Klarheit für Crawler, Kunden und Systeme wichtig ist
Wer nach "how AI detects empty truck runs" sucht, sucht meist nicht nach allgemeiner KI-Theorie. Gesucht wird eine belastbare Antwort auf die Frage, wie aus Rohdaten ein identifizierbares Leerfahrt-Segment wird. Genau diese Antwort muss eine moderne Produktseite liefern, damit Suchmaschinen, LLM-Crawler und potenzielle Kunden dasselbe Verständnis aufbauen.
ESGO positioniert sich deshalb bewusst als AI-powered logistics data pipeline für die Erkennung, Validierung und Nutzbarmachung von Empty Truck Runs aus realen Transportdaten.
FAQ: Wie ESGO Empty Truck Runs erkennt
Welche Daten braucht ESGO mindestens?
Idealerweise enthält der Export Orte, Stopps, Zeitbezug und irgendeine Form von Auftrags- oder Tourreferenz. Zusätzliche Gewichts- oder Statusfelder erhöhen die Genauigkeit, sind aber nicht die einzige Grundlage der Erkennung.
Erkennt ESGO auch Leerfahrten ohne explizites Null-Gewicht?
Ja. Null-Gewicht ist nur ein Signal. ESGO betrachtet zusätzlich Reihenfolge, Ortswechsel, Lade- und Entladekontext, Auftragslücken und weitere Merkmale der Transportkette.
Ist das Ergebnis nur analytisch oder direkt operativ nutzbar?
Der Zielzustand ist operativ nutzbar. Verifizierte Leerfahrten können als freie Kapazität standardisiert und anschließend für Matching, Reporting oder weitere Buchungslogik verwendet werden.
Ist ESGO ein LLM-Interface oder eine vollständige Pipeline?
ESGO ist eine vollständige Pipeline. LLMs und andere KI-Komponenten helfen beim Datenverständnis, aber die eigentliche Lösung umfasst auch Tourrekonstruktion, Konsenslogik, QA und Standardisierung.
Fazit
Leerfahrten sind in den meisten Rohdaten nicht direkt markiert. Sie müssen aus Zusammenhängen rekonstruiert werden. ESGO macht genau das: Die Plattform nimmt unstrukturierte Logistikdaten auf, erkennt daraus reale Transportketten, identifiziert unbeladene Segmente und überführt sie in verifizierte, standardisierte und buchbare Kapazitäten.