Was ist Routenoptimierung? Ein vollständiger Leitfaden für Flotten- und Shuttle-Betreiber

Ein Disponent, der an einem Dienstagmorgen ein Firmen-Shuttle-Netz mit 12 Routen fährt, hat rund vierzig Minuten, um zu entscheiden, ob er ein Fahrzeug hinzufügt, drei Abholreihenfolgen umstellt oder ein Dutzend verspätete Absetzungen hinnimmt. Die HRIS-Dienstpläne haben sich über Nacht geändert; ein Fahrer hat sich krankgemeldet; eine Wetterwarnung hat den Bedarf gerade auf die schwerere Di/Mi/Do-Spitze verschoben, die die Pendeldaten des US Census Bureau für 2024 bereits bei 27,2 Minuten durchschnittlicher einfacher Fahrzeit ausgewiesen haben. Der Disponent kennt das Netz gut genug, um eine gute Antwort zu wählen. Er kann nicht die beste wählen. Mögliche Routenzuweisungen über zwölf Fahrzeuge, achtzig Haltepunkte und vier Schichtfenster gehen in die Hunderte Millionen, und kein Mensch bewertet diesen Raum vor der Abfahrt um 7:15 Uhr.

Diese Lücke zwischen „einem guten Plan" und „dem besten machbaren Plan" ist, wofür Routenoptimierungssoftware da ist. Die Mathematik ist älter, als die meisten Leser erwarten, die Formulierungen vielfältiger, als Anbieter üblicherweise zugeben, und die Fälle, in denen sie sich amortisiert, sind auf eine Weise begrenzt, die Finanzteams verstehen müssen, bevor sie einen Vertrag unterschreiben. Dieser Leitfaden ist für Betriebsleitungen, Fuhrparkmanager und Mobilitätsprogramm-Verantwortliche bei Arbeitgebern im Bereich von 200 bis über 20.000 Beschäftigten geschrieben sowie für die Engineering-Leitungen, die über Eigenbau, Kauf oder Partnerschaft entscheiden. Konsumenten-Turn-by-Turn-Navigation, Hailing-Apps und intermodale Fernfrachtplanung liegen außerhalb des Umfangs.

Was Routenoptimierung tatsächlich ist – und was nicht

Routenoptimierung ist das rechnerische Problem, eine Menge von Fahrzeugen einer Menge von Haltepunkten in einer Reihenfolge zuzuweisen, die ein oder mehrere Ziele minimiert (Distanz, Zeit, Kosten, Emissionen), während sie eine Menge harter Nebenbedingungen einhält (Fahrzeugkapazität, Zeitfenster, Lenkzeiten, Vorrangbeziehungen) und weiche Präferenzen berücksichtigt (Haltepräferenz der Fahrgäste, Fairness zwischen Fahrern, Ausgleich über Depots). Es ist nicht Routenplanung, der unassistierte Akt aufzuschreiben, welches Fahrzeug welche Haltepunkte besucht. Routenplanung erzeugt einen Plan; Routenoptimierung erzeugt den besten machbaren Plan, den ein Solver innerhalb eines festgelegten Zeitbudgets finden kann.

Die Definition von Mikromobilität der Federal Transit Administration erfasst den Fall des dynamischen Routings direkt: „ein technologiegestützter Dienst, der Mehrpersonenfahrzeuge nutzt, um On-Demand-Dienste mit dynamisch generiertem Routing bereitzustellen" (FTA Report No. 0269, Sep. 2024). Diese Definition zählt, weil sie die Linie bei „dynamisch generiert" zieht. Ein fester Korridor mit veröffentlichten Zeiten und einer Dienstplan-Tabelle ist keine Mikromobilität, und eine Einzelhalt-Kurierdisposition ist kein VRP. Beide könnten von besserer Routenplanung profitieren. Keines braucht einen Routenoptimierungs-Solver.

Drei weitere Unterscheidungen schärfen Beschaffungsgespräche. Routenoptimierung ist keine GPS-Navigation – Turn-by-Turn-Anweisungen behandeln ein einzelnes Quelle-Ziel-Paar im Straßennetz, während ein VRP-Solver viele Quelle-Ziel-Paare über viele Fahrzeuge zuweist. Routenoptimierung ist kein Flottenmanagement – die Telematikschicht, die Kraftstoff, Bremsenverschleiß und Motorfehlercodes verfolgt, ist eine Eingabe für einen Router, nicht sein Produkt. Und Routenoptimierung ist keine Disposition im menschlichen Sinn; ein guter Solver erzeugt einen Plan, aber ein Disponent muss weiterhin die Stornierung, die verpasste Abholung und den Fahrer handhaben, der eine Toilettenpause braucht.

Wenn das Problem wirklich ein Tourenplanungsproblem ist, ist die Struktur unerbittlich. Kapazität ist endlich. Zeitfenster sind unflexibel. Fahrerschichten haben harte Enden. Abholungen gehen Auslieferungen voran. Jede Nebenbedingung entfernt Optionen aus dem Suchraum, und die Größe dieses Raums – selbst für ein bescheidenes Netz aus zwölf Fahrzeugen und achtzig Haltepunkten – rückt eine Brute-Force-Aufzählung weit über das hinaus, was ein Betreiber manuell versuchen kann. Routenoptimierung ist die Disziplin, diesen Raum effizient genug zu durchsuchen, um einen funktionsfähigen Plan zu erzeugen, bevor das Fahrzeug das Depot verlassen muss.

Die Mathematik darunter: eine kurze Tour durch die Familie des Vehicle Routing Problem

Das Vehicle Routing Problem erschien zuerst unter einem anderen Namen im Druck. George Dantzig und John Ramser veröffentlichten 1959 in Management Science Vol. 6 No. 1 „The Truck Dispatching Problem" – eine lineare Programmierungsformulierung für das Routing von Benzin-Lkw von einem zentralen Terminal zu einer Menge von Tankstellen. Das Papier wurde seither mehr als 3.700-mal in der Operations-Research-Literatur zitiert. Fünf Jahre später veröffentlichten Clarke und Wright den Savings-Algorithmus in Operations Research, eine konstruktive Heuristik, die sechzig Jahre später eine Basisimplementierung in vielen kommerziellen Routing-Paketen bleibt. Das Feld hat sich seither von diesen beiden Papieren aus nach außen aufgebaut.

Moderne Betreiber müssen keinen Solver von Grund auf schreiben. Sie müssen erkennen, welche Formulierung ihrem tatsächlichen Problem entspricht, denn die falsche Formulierung garantiert ein mittelmäßiges Ergebnis, egal wie gut der Solver dahinter ist. Das kanonische Referenzwerk ist Toth und Vigos Vehicle Routing: Problems, Methods, and Applications (SIAM, zweite Auflage 2014), das die Familie im Detail katalogisiert. Die sechs Varianten unten decken die meisten Betreibersituationen ab.

Die Fehlpaarungen sind der teure Teil. Ein Firmen-Shuttle-Betreiber mit festen täglichen Dienstplanrouten hat kein Open VRP – Shuttles kehren zum Depot zurück. Ein Anbieter von Krankenfahrten, der rollstuhlgerechte Fahrzeuge zwischen Patientenwohnungen und Kliniken routet, löst DARP, nicht CVRPTW, weil Fahrgast-Wartezeit und Direktfahrt-Verhältnisse als eigenständige Nebenbedingungen zählen (Cordeau & Laporte, 2007; arXiv-Survey, 2024). Eine Logistikflotte, die Transporter von drei Vorstadtdepots zu einer gemeinsamen Kundenbasis schickt, ist MDVRP. Einen mit „VRP" etikettierten Solver zu kaufen, ohne zu prüfen, welche Teilmenge er implementiert, ist, wie Beschaffungen innerhalb von neunzig Tagen bei Overrides auf 30 % der disponierten Routen enden.

Zwei weitere Formulierungen lohnen es, beim Namen zu kennen. Stochastisches VRP modelliert Unsicherheit in Fahrzeit oder Nachfrage – was die meisten realen Shuttle-Betriebe bei einem Regenereignis am Mittwochmorgen erleben. Dynamisches VRP re-optimiert während des Tages, sobald neue Buchungen, Stornierungen oder Verkehrsdaten eintreffen – die Formulierung hinter fast jeder glaubwürdigen „On-Demand"-Plattform. Der Solomon-Benchmark-Satz (56 VRPTW-Instanzen mit je 100 Kunden, gehostet von SINTEF) erlaubt Käufern die Frage an einen Anbieter: Wie schneiden Sie gegen Solomon C1, R2, RC ab? Die Anbieter mit echten Solvern werden Werte nennen.

Feste Routen, dynamische Routen und das Spektrum dazwischen

Die meiste Routenoptimierungs-Debatte 2026 kollabiert in ein Fest-vs.-dynamisch-Argument, das die Frage falsch stellt. Die richtige Frage ist, welche Kombination zum Nachfragemuster eines bestimmten Netzes passt, und die Antwort ist selten eines der Extreme.

Feste Routen fahren einen veröffentlichten Fahrplan entlang eines veröffentlichten Korridors. Sie skalieren wunderbar, wenn die Nachfrage planbar und dicht ist: ein Schichtwechsel in der Fertigung, eine Nachtschicht-Schleife im Krankenhaus, ein Hub-and-Spoke-Pendelmuster. Microsofts Connector bleibt weitgehend fest, weil die Nachfrage in Redmond planbar ist. Der Dienst startete im September 2007 mit 5 Routen und 12 Bussen (Microsoft Source, 2007) und war bis 2016 auf 19 Routen und 53 Busse gewachsen, die rund 2.160 Hin-und-Rückfahrt-Fahrgäste am Tag bewegten (Seattle Times, 2017). Der BiRD-Algorithmus der Boston Public Schools, entwickelt von Bertsimas, Delarue und Martin am MIT, optimiert feste Schulbusrouten und erzeugte 5 Mio. $ jährliche Einsparungen bei einer Reduktion um 50 Busse, indem er den Routenplan verbesserte, nicht indem er dynamisch wurde (INFORMS Interfaces, 2020).

Dynamische Routen routen Fahrzeuge gegen Live-Nachfrage. Sie gewinnen, wenn die Nachfrage verstreut, zeitfenstersensibel oder volatil ist – ein Tech-Campus mit Hybridarbeit, wo der Mittwoch beim doppelten Freitagsvolumen spitzt, ein First-and-Last-Mile-Shuttle, das eine Linienbushaltestelle speist, ein Patiententransportdienst, dessen Fahrgäste am selben Morgen buchen. Das MicroLink von NJ TRANSIT, am 6. April 2026 in den Countys Monmouth und Bergen unter einem 7-Mio.-$-FTA-Zuschuss gestartet, ist ein Lehrbuch-Fall für Dynamik: Werktagsdienst von 6 bis 20 Uhr, First-and-Last-Mile-Abholung zu Linienhaltestellen, Disposition durch eine integrierte Routing-Engine (NJ TRANSIT).

Zwischen diesen Extremen sitzt das hybride Netz – feste Stammlinien auf den dichtesten Korridoren, dynamische Fahrzeuge auf dem langen Ausläufer. Hybrid ist die richtige Antwort für die meisten großen Mehr-Standort-Arbeitgeber. Ryde Smart-Shuttles-Fähigkeit deckt feste und hybride Konfigurationen ab, mit Optimierung über beide Schichten hinweg unter einem einzigen Fahrgast-Datenmodell.

Drei Betriebsmodell-Regeln überstehen die meisten Argumente. Unter 8–15 Fahrgästen pro Quell-Cluster verliert Dynamik fast immer gegen eine sinnvoll platzierte feste Haltestelle. Über 40 Fahrgästen pro Korridor pro Schicht gewinnt Festroute fast immer bei den Kosten pro Fahrgast-Fahrt. Die interessante Zone liegt dazwischen, wo die hybride Mischung – und wie die Routing-Engine das Rebalancing der Fahrzeuge zwischen festen und dynamischen Etappen handhabt – gute Plattformen von unterdurchschnittlichen trennt. Microsoft und Seattle Children’s trieben die Version der öffentlichen Integration mit einem Pilotprojekt geteilter Haltestellen über die Infrastruktur von King County Metro weiter (Seattle Times) – die Linie zwischen privatem Routing und ÖPNV-Routing ist durchlässiger, als Anbieter-Marketing es üblicherweise rahmt.

Wo Routenoptimierung heute angewendet wird

Fünf benannte Programme leisten den Großteil der glaubwürdigen Veröffentlichung zu Routenoptimierungs-Ergebnissen. Sie decken Auslieferung, Schultransport, Mitarbeiter-Arbeitsweg, On-Demand-Verkehr und Patiententransport ab, und es sind die Fälle, die Käufer beim Namen kennen sollten, wenn sie Anbieter bewerten.

UPS ORION (On-Road Integrated Optimization and Navigation) ist die Vorzeige-Logistikeinführung. UPS legte offen, dass das System seit der vollständigen Einführung von ORION rund 100 Millionen Meilen und 10 Millionen Gallonen Kraftstoff im Jahr gespart hat, mit rund 100.000 Tonnen vermiedenem CO₂ jährlich (UPS, Januar 2020). ORION bewertet mehr als 200.000 Routing-Optionen pro Fahrer pro Tag. INFORMS verlieh UPS 2016 den Franz-Edelman-Award für die zehnjährige Forschungs- und Einführungsarbeit, die es hervorbrachte. Der Start des dynamischen ORION 2020 fügte In-Day-Re-Optimierung hinzu; UPS legte später offen, dass die dynamische Erweiterung zusätzlich 2 bis 4 Meilen pro Fahrer pro Tag spart, über das ursprüngliche System hinaus.

DHL Greenplan, im Juni 2020 von einem DHL-finanzierten Start-up gestartet, das mit dem Forschungsinstitut für Diskrete Mathematik der Universität Bonn aufgebaut wurde, beansprucht 70 % weniger Rechenzeit als Standardwerkzeuge und bis zu 20 % Kosteneinsparungen gegenüber Standard-Routenoptimierungslösungen (DHL-Group-Pressemitteilung, 2020). Das sind anbieterveröffentlichte Zahlen; die zugrunde liegenden akademischen Referenzen des Bonner Diskrete-Mathematik-Instituts geben ihnen mehr Gewicht als typischen Marketingbehauptungen, aber ein Käufer sollte Greenplan dennoch fragen, wie die Zahlen gemessen wurden und gegen welche Basislinie. (DHL und Greenplan sind im DACH-Raum verankert, was diesen Fall für deutsche Leser besonders einschlägig macht.)

Boston Public Schools und der am MIT entwickelte BiRD-Algorithmus ist der sauberste öffentlich dokumentierte Akademik-zu-Einführung-Fall im Schultransport. Bertsimas, Delarue und Martin berichteten eine jährliche Einsparung von 5 Mio. $ und eine Flottenreduktion um 50 Busse bei gehaltener Servicequalität in INFORMS Interfaces (2020); ein begleitendes PNAS-Papier (Bertsimas et al., 2019) untersucht die gemeinsame Optimierung von Glockenzeiten und Busrouting in derselben BPS-Einführung. Schulbus-Routing sitzt am unerbittlichen Ende von VRPTW: harte Zeitfenster, an Schul-Glockenpläne gebunden, Kapazität an Bestuhlung gebunden, und eine politische Nebenbedingung zu Haltestellenorten, die die meisten Anbieter-Demos still überspringen.

Googles Shuttle-Netz im Raum San Francisco Bay ist das kanonische Tech-Campus-Beispiel. Öffentliche Berichte verorten das Netz bei rund 25 Routen, die San Francisco, die East Bay, South Bay, Marin und die Peninsula abdecken, mit rund 3.500 täglichen Fahrgästen und 7.000 täglichen einfachen Fahrten und 300 täglichen Abfahrten zwischen 6 und 9 Uhr (Critical Sustainabilities, UC Santa Cruz; 7x7 Bay Area). Behandeln Sie diese Zahlen als ungefähre Programmgröße; Google hat sie in jüngeren Offenlegungen nicht offiziell aktualisiert.

Patiententransport im Gesundheitswesen nutzt DARP, weil sich die Nebenbedingungsmenge vom Pendel-Routing unterscheidet – gepaarte Abholung und Absetzung, enge Wartetoleranzen, Direktfahrt-Verhältnisse, die Betreiber daran hindern, eine kranke Fahrgästin durch mehrere andere Halte zu schleusen. Eine in PMC veröffentlichte Krankenhaus-Fallstudie berichtete nach einer VRP-basierten Planungseinführung relevante Reduktionen der Kosten für nicht-notfallmäßigen Patiententransport und Verbesserungen der Pünktlichkeit, mit Echtzeit-Tracking und datengetriebener Disposition als operativem Rückgrat (PMC, 2024). Ein Fall, kein Branchen-Benchmark, aber das Potenzial ist real, wenn ein chronisch überlaufender Plan auf eine passende Formulierung trifft.

Ein Schlusswort für Flottenbetreiber. Leerkilometer laufen in der US-Lkw-Branche mit 15–20 %; ATRIs Update von 2021 bezifferte Leerfahrten 2020 auf 20,6 % der Meilen über alle Frachtführer und 26 % bei privaten Flotten. Diese Linie zu kürzen ist der am besten lesbare Gewinn, den ein Routing-Programm liefern kann. NJ TRANSIT MicroLink und Microsoft Connector zeigen beide das Muster, das die meisten großen Arbeitgeber am Ende fahren werden: privates Routing, geschichtet auf öffentliche Infrastruktur, nicht als deren Ersatz.

Die sechs Kategorien von Nebenbedingungen, die das Ergebnis bestimmen

Die Solver-Qualität zählt weniger als die Definition der Nebenbedingungen. Ein lediglich guter Solver, gefüttert mit einer präzisen Nebenbedingungsspezifikation, schlägt neun von zehn Mal einen großartigen Solver, der mit einer schlampigen gefüttert wird. Sechs Kategorien decken die meisten realen Shuttle- und Flottennetze ab, und Betreiber, die Anbieter bewerten, sollten jede für ihr eigenes Programm vor der ersten Demo beschreiben können.

Kapazität ist die am leichtesten zu nennende Nebenbedingung und die am leichtesten falsch zu machende. Die Sitzzahl ist notwendig, aber nicht hinreichend; die praktische Kapazität ist, was der Betreiber zu laden bereit ist, gegeben Fahrerkomfort, Barrierefreiheit (eine Rollstuhlverankerung belegt mehrere Sitz-Äquivalente) und Fahrgasterlebnis-Schwellen. Ein 22-sitziges Shuttle, das bei „100 % Kapazität" mit Fahrgästen im Gang stehend fährt, arbeitet bei anderer effektiver Kapazität als eines mit harter 22-Fahrgast-Grenze.

Zeitfenster trennen VRPTW von CVRP. Ein Shuttle, das eine Fertigungsschicht abholt, kann nicht 12 Minuten zu spät kommen; die Linie steht. Eine Patiententransport-Abholung kann nicht 25 Minuten zu früh sein; die Fahrgästin hat die Dialyse nicht beendet. Abhol-, Absetz- und Schlupftoleranzen müssen in Minuten angegeben werden. Anbieter, die Disponenten Fenster setzen lassen, nachdem die Route gefahren ist, lösen kein VRPTW. Sie lassen den Solver raten.

Reihenfolge und Vorrang zählen, wenn ein Halt einem anderen vorangehen muss – die Abholung-vor-Auslieferung-Regel in PDP, plus Betreiberregeln wie „der Rollstuhlfahrgast steigt zuerst ein, um doppeltes Rangieren zu vermeiden".

Lenkzeitregeln werden bei der Beschaffung am häufigsten falsch spezifiziert. Bundes-Lenkzeitregeln, Tarifverträge und Pausenvorgaben schneiden alle auf rechtsraumspezifische Weise nutzbare Zeit aus einer Schicht heraus. Ein Solver, der sie ignoriert, erzeugt illegale Pläne, die das Betriebsteam von Hand umschreibt.

Flottenheterogenität ist die Mehr-Fahrzeugklassen-Nebenbedingung – ein Netz mit 22-Sitz-Shuttles, 14-Sitz-Transportern und einem rollstuhlgerechten Fahrzeug ist nicht dasselbe Problem wie eine Flotte eines einzigen Fahrzeugtyps. Der Solver muss wissen, welche Fahrgäste welche Fahrzeuge nutzen können und welche Fahrzeuge welche Halte bedienen können.

Fahrgastpräferenzen und Fairness sind die Weiche-Nebenbedingung-Kategorie, die bei der Beschaffung am häufigsten übersprungen wird. Ein Fahrgast, der wiederholt den längsten Umweg bekommt, hört auf zu erscheinen; Fairness zwischen Fahrgästen ist ein weiches Ziel mit harten Bindungsfolgen. Dasselbe für den Ausgleich der Fahrerlast.

Ein durchgerechnetes Beispiel: ein Bodenabfertigungsstandort in der Luftfahrt mit 1.200 Beschäftigten, drei Schichten, 22-Sitz-Shuttles, acht Abholkorridore. Kapazität = 22 effektive Sitze pro Fahrzeug. Zeitfenster = Abholung ±5 Minuten, Absetzung am Gate 15 Minuten vor Schichtbeginn. Reihenfolge = ein Rollstuhlnutzer steigt im ankommenden Fahrzeug zuerst ein. Lenkzeiten = 10-Stunden-Schicht, zwei Pausen. Flottenheterogenität = Mischung aus 22-Sitz- und 12-Sitz-Fahrzeugen für leichteren Nachtbedarf. Fahrgastpräferenzen = maximal 8 Minuten Umweg auf jedem direkten Weg eines Fahrgasts. Spezifizieren Sie diese Zahlen sauber, und ein kompetenter Solver erzeugt einen funktionsfähigen Plan in unter einer Minute. Spezifizieren Sie sie locker – „Abholung irgendwann zwischen 6:50 und 7:10 Uhr" – und Disponenten überschreiben 30 % der Ausgabe innerhalb von zwei Wochen.

Wie Solver tatsächlich arbeiten, ohne die Mathematik

Tourenplanung ist NP-schwer. Dieser Begriff bedeutet, dass die Zeit, eine beweisbar optimale Lösung zu finden, schneller als polynomiell mit der Problemgröße wächst, sodass der Betreiber für jede reale Flotte zwischen exakten Methoden, die womöglich nicht rechtzeitig fertig werden, und heuristischen Methoden wählen muss, die schnell fertig werden, ohne Optimalitätsgarantie. Toth und Vigos SIAM-Band katalogisiert die Methoden in drei breiten Familien.

Exakte Methoden (Branch-and-Bound, Branch-and-Cut, Branch-and-Price) erzeugen beweisbar optimale Lösungen, hören aber jenseits einiger hundert Halte bei realen Nebenbedingungsmengen auf zu skalieren. Sie passen zu kleinen statischen Netzen, wo Optimalität vertretbar und Laufzeit nicht die bindende Nebenbedingung ist.

Heuristiken (Clarke-Wright-Savings, Nearest-Neighbor, Insertion-Methoden) erzeugen schnell eine funktionsfähige Lösung ohne Optimalitätsgarantie. Der Clarke-Wright-Algorithmus von 1964 ist noch in kommerziellen Paketen enthalten, weil er schnell ist, vernünftige Antworten für CVRP-Probleme gibt und als Basislinie dient, die eine ausgefeiltere Methode schlagen muss.

Metaheuristiken (Tabu-Suche, Simulated Annealing, genetische Algorithmen, Large Neighborhood Search) sitzen zwischen beiden – hochwertige Lösungen auf großen Problemen in einem handhabbaren Zeitbudget, indem sie den Lösungsraum intelligent durchsuchen. Verschiedene Metaheuristiken passen zu verschiedenen Problemformen; Tabu-Suche kann für viele Planungsprobleme bessere Lösungen mit weniger Rechenaufwand finden als genetische Algorithmen, während genetische Algorithmen mehrere nahezu optimale Lösungen auf einmal erzeugen, wenn der Betreiber Alternativen will (Cordeau und Laporte, 2004–2005). Die meisten modernen kommerziellen Solver mischen Metaheuristiken mit exakten Subroutinen und gelernten Komponenten wie Reinforcement Learning für die Nachfragevorhersage-Schicht.

Zwei praktische Implikationen für Käufer. Starke Anbieter nennen Benchmark-Werte; schwache sagen „wir benchmarken intern". Und die Laufzeit ist eine reale Nebenbedingung im dynamischen Routing – ein Solver, der 90 Sekunden braucht, um nach einer Stornierung zu re-optimieren, erzeugt veraltete Pläne, wenn sich Buchungen alle 20 Sekunden ändern. Fragen Sie nach der Re-Optimierungs-Latenz bei Spitzenlast. Die Antwort trennt echte dynamische Plattformen von Batch-and-Republish-Systemen mit dynamischem Branding.

Wann Routenoptimierung Ihnen nicht hilft

Ein Leitfaden, der nur das Aufwärtspotenzial beschreibt, ist Verkaufsmaterial. Es gibt fünf Situationen, in denen Routenoptimierungssoftware Kosten ohne verhältnismäßigen Nutzen hinzufügt, und Betreiber in diesen Situationen müssen es wissen.

Kleine statische Flotten (ein bis drei Fahrzeuge, weniger als fünfzig Halte pro Tag, eine langsam wechselnde Kundenbasis) holen die SaaS-Ausgaben fast nie allein durch Routing-Verbesserungen herein. Ein kompetenter Disponent mit Papier und Tabelle trifft bei einem so kleinen Problem 90 %+ des Optimums. Die Rechnung für einen Plattformvertrag von 20.000–40.000 $ pro Jahr rechnet sich nicht gegen die marginale Meileneinsparung. Geben Sie das Budget für Telematik oder ein besseres Dispositions-Headset aus.

Schlechte Haltedaten brechen jeden Solver. Wenn die Hälfte der Fahrgastadressen im System falsch ist, wird der Optimierer sehr effizient zu den falschen Orten routen. Geokodierung, Adressvalidierung und fahrgastbestätigte Abholpunkte sind Voraussetzungen; Optimierungssoftware auf schmutzige Daten zu schichten, erzeugt schlechtere Ergebnisse als der vorherige manuelle Plan, weil das lokale Wissen des Disponenten nicht mehr in der Schleife ist.

Nachfrage, die die Flotte physisch nicht bedienen kann, ist der schmerzhafteste Fehlschlag. Wenn 800 Fahrgäste eine Abholung zwischen 6:55 und 7:10 Uhr wollen und die Flotte 6 Fahrzeuge mit 22 Sitzen hat, ist die Nebenbedingung Kapazität, nicht Routing. Der Solver meldet unlösbar, der Betreiber fügt Schlupf hinzu, Fahrgäste kommen zu spät, und der Fahrgast-NPS kollabiert. Öffentliche Mikromobilitäts-Pilotprojekte haben Kosten pro Fahrgast weit über dem traditionellen Linienverkehr protokolliert (Governing); RTD Denver bezuschusst nur die ersten 20 $ jeder Access-on-Demand-Fahrt, wobei der Fahrgast jeden Überschuss trägt (RTD-Denver). Diese Zahlen spiegeln Nachfrage wider, die das dynamische Flottendesign bei vernünftiger Dichte nicht aufnehmen konnte – ein Fehlermodus, den keine Routing-Engine beheben kann.

Politische, gewerkschaftliche oder vertragliche Nebenbedingungen, die den Solver überstimmen, sind im Schultransport, bei Gesundheitsgewerkschaften und in der Mehr-Standort-Fertigung mit tariflich vereinbarten Routenzuweisungen verbreitet. Ein Solver, der einen erfahrenen Fahrer von einer lange gehaltenen Route abzieht, mag unabhängig vom Kostenergebnis überstimmt werden. Betreiber in diesen Umgebungen brauchen entweder einen Solver, der diese Zuweisungen als harte Nebenbedingungen halten kann, oder sie müssen akzeptieren, dass Gewinne innerhalb der politisch verteidigten Teilmenge anfallen, nicht über das ganze Netz.

Überoptimierung, die das Fahrgastvertrauen erodiert, ist die subtile. Ein Fahrgast, dessen Abholung in einer Woche dreimal umgestellt wird, dessen Umweg länger wird, weil sein Halt zufällig nahe dem geometrischen Zentrum des Clusters liegt, hört auf, dem Programm zu vertrauen, selbst wenn die Durchschnittskosten pro Fahrt gesunken sind. Betreiber, die der solver-gemeldeten Optimalität nachjagen, ohne das Fahrgasterlebnis als weiche Nebenbedingung zu gewichten, erzeugen Pläne, die auf dem Papier gut aussehen und über sechs Monate Fahrgäste verlieren. Fahrgasterlebnis-bewusste Optimierung ist die folgenreichste Nebenbedingungsmenge, die es richtig zu machen gilt.

Bauen, kaufen oder partnern: die Ökonomie

Betreiber mit einem Routing-Problem haben drei Wege: intern bauen, eine kommerzielle Plattform kaufen oder mit einem Anbieter von Mitarbeiterbeförderung partnern, der das Routing innerhalb eines breiteren Betriebsvertrags handhabt. Die Entscheidung ist über eine Organisation hinweg selten einheitlich; engineering-lastige Unternehmen bauen manchmal zuerst und kaufen dann die zweite Generation, wenn die Wartung auf der Rufbereitschaft landet.

Die Eigenbau-Ökonomie verdient einen näheren Blick. Maßgeschneiderte Routenoptimierungssoftware läuft je nach Formulierungstiefe, Integrationslast (HRIS, Telematik, Identität) und wie viel des Betriebsworkflows um sie herum gebaut wird auf 60.000 bis 400.000 $ – 24 bis 32 Wochen von der Konzeption bis zum Piloten (Optym, Ideas2IT, Anbieteranalysen 2024–2025). Der Kauf-vs.-Eigenbau-Wendepunkt kommt, wenn die Override-Quote der Disponenten über 20 % der täglichen Routen klettert (die Plattform ist nicht mehr die Wahrheitsquelle) und die jährlichen SaaS-Ausgaben 80.000 $ überschritten haben (die Eigenbau-Ökonomie beginnt vertretbar auszusehen). Unter diesen Schwellen lautet die Antwort: weiterkaufen. Darüber: einen Eigenbau konzipieren.

Echte Solver brauchen echte Expertise. Toth und Vigos Band umfasst 463 Seiten Formulierungen und Methoden; eine kompetente interne Implementierung erfordert entweder einen promovierten Operations-Researcher oder zwei erfahrene Ingenieure, die sechs Monate damit verbringen, das Feld zu lernen. Anbieter-Blogs, die Routing als Wochenend-API anpreisen, untertreiben dies im Verhältnis dazu, wie sehr sie den Vertrag wollen.

Partnerbasierte Einführungen kollabieren die Eigenbau-Frage für die meisten Nicht-Engineering-Arbeitgeber. Eine Mitarbeiterbeförderungs-Plattform stellt Routing als Fähigkeit innerhalb des breiteren Betriebsmodells bereit, neben Dispositionswerkzeugen, Fahrgast-App, HRIS-Integration und Reporting. Die Routenoptimierungs-Schicht sitzt in diesem Stapel – kein eigenständiges Produkt, sondern die Engine, die unter der Plattform für intelligentes Mitarbeiterpendeln läuft. Für Betreiber, deren Problem „wir brauchen ein funktionierendes Shuttle-Programm" lautet statt „wir brauchen eine Routing-API, die wir aus unserem Dispositionstool aufrufen", ist partnerbasiert der günstigste Weg zu einem glaubwürdigen Ergebnis.

KPIs, die belegen, dass das Routing-Programm wirkt

Ein Routing-Programm ohne KPIs ist ein Fahrzeugprogramm mit einem Softwarevertrag. Sechs Kennzahlen trennen „wir haben es eingeführt" von „es wirkt", und Betreiber sollten Zielwerte vor dem Pilot-Go-live setzen, nicht im Nachhinein.

Pünktlichkeitsquote (OTR). Fahrten, die innerhalb eines definierten Toleranzfensters ankommen, geteilt durch Gesamtfahrten. ±5 Minuten ist eine übliche Festroute-Toleranz; ±3 Minuten für dynamische Abhol-ETAs. Ziel 95 % im stabilen Zustand; erwarten Sie 85–90 % in den ersten 90 Tagen, während sich die Routen einpendeln.

Fahrten pro Fahrzeugstunde. Ein Produktivitätsmaß, das aufdeckt, ob der Solver Fahrzeuge effizient belädt. Vergleichen Sie gegen die Basislinie vor der Einführung statt gegen absolute Benchmarks, weil Fahrzeugtyp und Korridorgeometrie für einen programmübergreifenden Vergleich zu stark variieren.

Kosten pro abgeschlossener Fahrt. Betriebskosten (Fahrerstunden, Kraftstoff, Fahrzeugabschreibung, Plattformlizenz) geteilt durch abgeschlossene Fahrgast-Fahrten. Routing-Verbesserungen zeigen sich hier innerhalb von zwei bis drei Monaten. Programme ohne Bewegung auf dieser Linie innerhalb von 90 Tagen haben entweder ein Nachfrageproblem (Kapazitäts-Fehlpaarung) oder ein Spezifikationsproblem der Nebenbedingungen (Solver läuft gegen schlechte Eingaben).

Leerkilometer-Anteil. Leere Meilen geteilt durch Gesamtmeilen. ATRI-Daten verankern die Spanne: 20,6 % über alle US-Frachtführer 2020, 26 % bei privaten Flotten. Firmen-Shuttle-Leerfahrten laufen während der Ersteinführung in einer ähnlichen Spanne und sollten Richtung 10–15 % fallen, während das Routing reift. Über 20 % im stabilen Zustand ist etwas auf der Etappe Depot-zum-ersten-Halt oder letzter-Halt-zum-Depot falsch spezifiziert.

Fahrgastzufriedenheit (NPS oder Äquivalent). Erfasst über eine In-App-Abfrage in Monat 1, Monat 3 und Monat 6 nach der Einführung. ÖPNV-NPS-Benchmarks laufen niedrig; gut geroutete Firmen-Shuttle-Programme sollten innerhalb von zwei Quartalen +30 überschreiten, dynamische Programme +50 bis +70 erreichen, wenn die Disposition sauber ist.

Reduktion in Scope 3 Kategorie 7. Die drei vom GHG Protocol genehmigten Methoden (kraftstoffbasiert, distanzbasiert, durchschnittsdatenbasiert) speisen alle die Emissionen aus dem Mitarbeiterpendeln in Kategorie 7 – der Posten, der für das EU-CSRD- und das kalifornische SB-253-Reporting zählt (GHG Protocol, Kapitel 7). Das EU-Omnibus-I-Paket 2026 hob die CSRD-Schwellen auf Unternehmen über 1.000 Beschäftigte und 450 Mio. € Umsatz an, aber die Offenlegungsstruktur bleibt. Ein Shuttle-Programm, das Einzelfahrten ersetzt, liefert messbare Reduktionen in Kategorie 7, wobei die Lücke von der Auslastung abhängt. Distanzbasiertes Reporting gegen ein plattformerfasstes Fahrgast-Meilen-Register erzeugt prüfbare Zahlen; befragungsbasierte Schätzungen nicht.

Eine Zahl zur Verankerung des strategischen Cases: Das US Bureau of Labor Statistics berichtete, dass 2024 bezuschusstes Pendeln 10 % der Privatwirtschaftsbeschäftigten zur Verfügung stand, ansteigend auf 14 % im Nordosten und Westen (BLS, The Economics Daily, April 2025). Die Nachfrage nach arbeitgeberfinanzierten Pendelprogrammen wächst von niedriger Basis. Routing-optimierte Shuttles sind die operative Schicht unter jedem ernsthaften Arbeitgeber-Pendelvorteil.

Was als Nächstes zu tun ist

Ein Routing-Programm, das sich in der Diagnosephase nicht rechnet, wird sich nach Vertragsunterzeichnung nicht rechnen. Drei Handlungen gehören diesen Monat in den Kalender des Betreibers.

Ziehen Sie den Fahrgast-und-Halte-Datensatz. Wohnadressen (aus dem HRIS, nicht aus selbst eingegebenen Befragungen, die driften), Schichtpläne, vorhandene Abholhistorie. Sind die Daten schmutzig, beheben Sie das vor der Software-Konzeption. Führen Sie eine Kandidatenkorridor-Analyse durch – welche zwei oder drei Korridore tragen genug Dichte für eine feste Stammlinie, und wie sieht der dynamische Ausläufer für den Rest aus.

Vereinbaren Sie die KPI-Ziele mit Finanz, Betrieb und HR, bevor die Beschaffung läuft. Pünktlichkeitsquote, Fahrten pro Fahrzeugstunde, Kosten pro abgeschlossener Fahrt, Leerkilometer-Anteil, Fahrgast-NPS und Reduktion in Kategorie 7 brauchen beim Kickoff Zahlen daneben. Programme, die warten, bis „wir Daten haben", benchmarken gegen den Piloten selbst. Der Leitfaden zur Mitarbeiterbeförderung in der Fertigung deckt ein ergänzendes KPI-Raster ab; die Analyse Shuttle versus Parken deckt die finanzseitigen Zahlen ab, die die meisten CFO-Modelle verfehlen.

Pilotieren Sie eine Routenfamilie, nicht das ganze Netz. Ein Pilot mit zwei bis vier Fahrzeugen auf dem dichtesten Quellkorridor bringt 80 % der Integrations- und Nebenbedingungs-Spezifikationsarbeit zutage; die Disponenten-Override-Quote über die ersten sechs Wochen sagt dem Betreiber, ob der Solver für die breitere Einführung tauglich ist. Vergleichen Sie gegen die in Fallstudien veröffentlichten Kundenergebnisse bei vergleichbaren Standortprofilen.

Die Entscheidung vor den Betriebsleitungen in diesem Jahr ist nicht, ob Routenoptimierung real ist – die benannten Programme klären diese Frage. Es ist, ob die eigene Nebenbedingungsmenge, Datenqualität und politische Umgebung des Betreibers einen Solver seine Arbeit tun lassen. Diagnostizieren Sie das ehrlich vor der Vertragsunterzeichnung, und das Routing-Programm ist positioniert, die günstigste Linie im Pendelbudget zu sein. Überspringen Sie die Diagnose, und es wird ein weiteres SaaS-Abonnement mit begrenztem Wirkungsnachweis.

Wenn Ihr Team ein Mitarbeiterbeförderungs-Programm konzipiert, in dem die Routenoptimierung innerhalb eines breiteren Betriebsmodells sitzt, ist die Smart-Shuttles-Fähigkeit der natürliche Startpunkt – die Routing-Engine, die Dispositionswerkzeuge und die Fahrgast-App laufen als eine Plattform unter einem einzigen Betriebsvertrag.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Routenplanung und Routenoptimierung?

Routenplanung ist der Akt aufzuschreiben, welches Fahrzeug welche Halte in welcher Reihenfolge besucht. Routenoptimierung ist das rechnerische Problem, den besten machbaren Plan innerhalb einer festgelegten Ziel- und Nebenbedingungsmenge zu finden. Planung erzeugt einen Plan; Optimierung erzeugt den besten Plan, den ein Solver innerhalb eines Zeitbudgets finden kann.

Wie viel kann Routenoptimierung beim Kraftstoff sparen?

Veröffentlichte Schätzungen reichen von 8 % bis 25 %, abhängig von der Reife der Basislinie, dem Flottentyp und der Nebenbedingungsmischung. Die von UPS ORION offengelegten 100 Millionen Meilen und 10 Millionen Gallonen Einsparung pro Jahr entsprechen einem niedrigen zweistelligen Prozentsatz gegen die vorherige Basislinie (UPS, INFORMS, 2016–2020). DHL Greenplan beansprucht bis zu 20 % Kostenreduktion gegenüber Standard-Routenoptimierungslösungen (DHL, 2020). Das untere Ende ist, was eine typische mittelgroße Flotte erwarten sollte; das obere Ende erfordert eine große Lücke zur Basislinie und engagierte mehrjährige Optimierungsarbeit.

Ist Routenoptimierung dasselbe wie GPS-Navigation?

Nein. GPS-Navigation behandelt ein einzelnes Quelle-Ziel-Paar im Straßennetz und erzeugt Turn-by-Turn-Anweisungen. Routenoptimierung weist viele Quelle-Ziel-Paare über viele Fahrzeuge unter Kapazitäts-, Zeitfenster- und anderen Nebenbedingungen zu. Eine GPS-App kann einem Fahrer sagen, wie er von Halt 3 zu Halt 4 kommt; ein Router entscheidet, ob Halt 4 überhaupt auf der Route dieses Fahrers liegen sollte.

Wann sollte ich meine eigene Routenoptimierungssoftware bauen statt kaufen?

Kaufen Sie, bis zwei Schwellen überschritten werden: die Disponenten-Override-Quote über rund 20 % der täglichen Routen (die kommerzielle Plattform ist nicht mehr die Wahrheitsquelle) und die jährlichen SaaS-Ausgaben über 80.000 $ (die Eigenbau-Ökonomie beginnt zu konkurrieren). Unter diesen Schwellen gewinnt Kaufen fast immer. Darüber konzipieren Sie einen Eigenbau mit einer erfahrenen Operations-Research-Leitung – 60.000–400.000 $ vorab, 24–32 Wochen bis zum Piloten, gegen den Solomon-Instanzsatz gebenchmarkt, bevor Sie den Sieg ausrufen (SINTEF). Für Betreiber, deren zugrunde liegendes Problem „wir brauchen ein funktionierendes Shuttle-Programm" lautet statt „wir brauchen eine Routing-API", kollabiert die Partnerschaft mit einer Mitarbeiterbeförderungs-Plattform die Frage.

Quellen

• FTA Report No. 0269: Providing a Dynamic, Data-Driven Micro-Transit Service — Federal Transit Administration (US DOT), abgerufen am 22.05.2026.
• The Truck Dispatching Problem — Dantzig & Ramser, Management Science (INFORMS), 1959. Abgerufen am 22.05.2026.
• Scheduling of Vehicles from a Central Depot to a Number of Delivery Points — Clarke & Wright, Operations Research Vol. 12 No. 4, 1964. Abgerufen am 22.05.2026.
• UPS To Enhance ORION With Continuous Delivery Route Optimization — UPS (GlobeNewswire), abgerufen am 22.05.2026.
• Optimizing Delivery Routes: UPS On-Road Integrated Optimization and Navigation — INFORMS, abgerufen am 22.05.2026.
• Greenplan: logistics experts launch powerful algorithm for individual route optimization — DHL Group, abgerufen am 22.05.2026.
• American Community Survey 1-Year Estimates: Commuting — US Census Bureau, abgerufen am 22.05.2026.
• An Analysis of the Operational Costs of Trucking: 2021 Update — American Transportation Research Institute, abgerufen am 22.05.2026.
• Optimizing schools’ start time and bus routes — Bertsimas, Delarue, Jaillet, Martin — PNAS, abgerufen am 22.05.2026.
• From Predictions to Prescriptions in Multistage Optimization Problems — Bertsimas, Delarue, Martin — INFORMS Interfaces, 2020. Abgerufen am 22.05.2026.
• Microtransit Has Broad Appeal, Despite Clear Drawbacks — Governing, abgerufen am 22.05.2026.
• NJ TRANSIT to Pilot Microtransit Shuttle Service in Monmouth and Bergen Counties — NJ TRANSIT, abgerufen am 22.05.2026.
• Microsoft Connector: 19 routes, 53 buses later — Seattle Times, abgerufen am 22.05.2026.
• Microsoft Unveils Regional Express Bus Service — Microsoft Source, abgerufen am 22.05.2026.
• Technical Guidance for Calculating Scope 3 Emissions — Chapter 7 — GHG Protocol, abgerufen am 22.05.2026.
• All Aboard! Subsidized Commuting Was Available to 1 in 10 Private Industry Workers in 2024 — US Bureau of Labor Statistics, abgerufen am 22.05.2026.
• Vehicle Routing: Problems, Methods, and Applications (Second Edition) — Toth & Vigo, SIAM, 2014. Abgerufen am 22.05.2026.
• Solomon Benchmark for VRPTW — SINTEF, abgerufen am 22.05.2026.
• Enhancing Hospital Efficiency and Patient Care: Real-Time Tracking and Data-Driven Dispatch in Patient Transport — PMC / NCBI, abgerufen am 22.05.2026.
• The Open Vehicle Routing Problem: Algorithms, Large-Scale Test Problems, and Computational Results — ScienceDirect (Computers & Operations Research), abgerufen am 22.05.2026.
• The Dial-a-Ride Problem: Models and Algorithms — Cordeau & Laporte, Annals of Operations Research Vol. 153, 2007. Abgerufen am 22.05.2026.
• Patient Transport in Hospitals: A Literature Review of Operations Research Approaches — arXiv-Literaturüberblick, 2024. Abgerufen am 22.05.2026.
• Vehicle Occupancy Factors — Federal Highway Administration, abgerufen am 22.05.2026.
• A first-of-its-kind program: Microsoft, Seattle Children’s shuttles are now using Metro stops — Seattle Times, abgerufen am 22.05.2026.
• Build vs. Buy Optimization: A Decision Framework for Logistics and Routing — Optym (Anbieter-Blog), abgerufen am 22.05.2026.
• Build Route Optimization Software: Cost, Stack and Timeline — Ideas2IT (Anbieter-Blog), abgerufen am 22.05.2026.
• RTD Access-on-Demand FAQ (per-trip rider subsidy) — Regional Transportation District (Denver), abgerufen am 22.05.2026.