Ausgangslage
Ein führendes Schienengüterverkehrsunternehmen betrieb eine IoT-Geschäftseinheit mit hoher Komplexität und unwirtschaftlicher Kostenbasis. Die Systeme waren gewachsen, nicht gebaut: Ortungsgenauigkeit zu gering für gleisgenaue Ortung in Rangierbahnhöfen und Häfen, IT-Betrieb teuer, Vertrieb ohne klaren Marktfokus. Die Einheit stand unter Druck, ihren Beitrag zum Konzernergebnis nachzuweisen.
Was wir getan haben
Wir haben die IoT-Einheit entlang dreier Linien neu aufgestellt: operativ (Prozesse und Ressourcen), technisch (Migration auf einen automatisch skalierenden Kubernetes-Cluster) und kommerziell (marktorientierte Vertriebsstrategie, Endkunden-App für Mobile und Desktop). Parallel haben wir in Kooperation mit dem DLR eine hochpräzise Lokomotiv-Ortungslösung entwickelt — 250.000 € Fördervolumen, Ortungsgenauigkeit von 7,5 auf 1,75 Meter verbessert.
Ergebnisse
80 %
Betriebskostenreduktion
750.000 €
Folgefinanzierung gesichert
1,75 m
Ortungsgenauigkeit (von 7,5 m)
+25 %
Marktdurchdringung
Was wir dabei gelernt haben
IoT-Einheiten scheitern selten an der Technik und oft an der Geschäftslogik. Wer Kosten senken und Marktpräsenz gleichzeitig steigern will, muss operative, technische und kommerzielle Hebel parallel bewegen — nicht sequenziell. Sequenz ist die teurere Variante.
Das ist die Kurzfassung. Wie wir methodisch vorgegangen sind — welche Architekturentscheidungen wir getroffen haben, was wir verworfen haben und welche Muster sich auf andere Kontexte übertragen lassen — besprechen wir im persönlichen Fachgespräch.
Nicht, weil wir Ihnen etwas verkaufen wollen. Sondern weil diese Tiefe das ist, wofür unsere Kunden uns beauftragen — und das gehört nicht ins offene Internet.
Weitere Fallstudien
Versicherung
BU-Leistungsprüfung: KI-PoC mit 98 % Extraktionsgenauigkeit
98 % Extraktionsgenauigkeit auf 187 Dokumentklassen — technisch, wirtschaftlich und regulatorisch validiert.
Fallstudie lesenFood & Ingredients
KI-Portfolio-Steuerung bei einem Lebensmittelkonzern
49 Use Cases identifiziert und 2–5 Mio. € Einsparpotenzial p.a. validiert.
Fallstudie lesenFood & Ingredients
KI-gestützte Produktempfehlung für Lebensmittelzutaten
78 % der Antworten übertreffen Expertenniveau — bei bis zu 5 Stunden Zeitersparnis pro Kundenanfrage.
Fallstudie lesen