Ladung ist heute mehr wert als früher, und sie wird härter getroffen. Verisk CargoNet beziffert die geschätzten Verluste durch Ladungsdiebstahl 2025 auf rund 725 Millionen US-Dollar, 60 Prozent mehr als 2024, bei einem um 36 Prozent gestiegenen Durchschnittswert pro Diebstahl von 273.990 US-Dollar. Die Gesamtzahl der Delikte in der Lieferkette hat sich kaum bewegt. Die Täter wählen nur gezielter aus, welche Auflieger sie öffnen.
Verlader haben darauf reagiert, indem sie Transparenz eingekauft haben, und das meiste davon war eine Karte. Tracker, ein Dashboard, eine Linie auf der Karte. Das trägt, bis die Fracht in eine Stahlkiste geht, wo keine Koordinaten mehr ankommen und die Karte nutzlos wird. Und es beantwortet eine Frage, die selten zählt, sobald etwas schiefgeht. Niemand meldet einen Schaden, weil eine Sendung irgendwo war. Gemeldet wird, was mit ihr passiert ist.
Die Chance steckt in den Daten, die die meisten Betriebe längst erfassen und meist ignorieren. Eine Sendung hinterlässt über den gesamten Weg einen Fingerabdruck: wie warm sie wurde und wie schnell, ob der Container jemals Licht ausgesetzt war, wie viele Stunden sie in Bewegung war und wie viele auf einem Hof stand. Dieser Verlauf übersteht die Funklücken. Richtig gelesen sagt er Ihnen, wann ein Problem begann, was es ausgelöst hat und welche Sendung auf Ihrer Liste zuerst Aufmerksamkeit verdient.
In diesem Beitrag geht es genau darum: eine Fahrt rekonstruieren, eine Ankunft prognostizieren und Betrug aus Zustandsdaten statt aus Koordinaten erkennen.
Stahl blockiert GPS, und keine Firmware ändert das
Ein beladener Stahlcontainer ist ein teilweiser Faradayscher Käfig, und GPS ist ohnehin ein schwaches Signal. Satellitensignale kommen am Boden dicht über dem Rauschpegel an, und wenige Millimeter Wellblech genügen, um sie auszulöschen. Stapeln Sie diesen Container im Laderaum eines Schiffs in dritter Lage, und der Empfänger hat nichts mehr, womit er arbeiten könnte.
Die Platzierung hilft am Rand. Türdichtungen und Lüftungsöffnungen lassen Funkenergie durch, deshalb hält ein Tracker oben in der Türnische das Signal besser als einer, der in der Ladung vergraben ist. Gelöst ist das Problem damit nicht. Auf See- und multimodalen Abschnitten sollten Sie mit Lücken von Stunden oder Tagen rechnen.
Kein Firmware-Update besiegt Stahl. Die eigentliche Entwurfsfrage lautet: Was machen Sie mit den Signalen, die weiterhin funktionieren?
Die Signale, die in der Kiste weiterarbeiten
Temperatur, Umgebungslicht und Bewegung brauchen keinen Satelliten. Sie melden aus dem Inneren des Containers weiter und tragen zusammen den größten Teil der operativen Geschichte.
| Signal | Was es Ihnen sagt | Was es nicht sagen kann |
|---|---|---|
| Temperatur | Wann eine Abweichung begann, wie schnell sie sich entwickelte, ob eine Tür oder ein defektes Aggregat die Ursache war | Wo die Sendung war |
| Umgebungslicht | Ein versiegelter Container ist dunkel. Licht heißt, er wurde geöffnet oder die Plombe ist verletzt | Wer geöffnet hat und ob es autorisiert war |
| Bewegung und Neigung | In Fahrt oder stehend, Standzeit an jedem Stopp, grobe Behandlung, Lageänderungen | Auf welchem Hof er gerade steht |
Der Minew MTB04 vereint all das in einem einzigen Klebelabel, mit internem Speicher, damit Messwerte die Funklücken überstehen, statt in ihnen zu verschwinden. Dieses letzte Detail wiegt schwerer, als es klingt: Ein Gerät mit Puffer liefert einen lückenlosen Zustandsverlauf, auch wenn der Standortverlauf voller Löcher ist.
Woran erkennen Sie eine geöffnete Tür ohne GPS-Signal?
Indem Sie Signale miteinander verknüpfen, statt einem einzelnen zu vertrauen. Ein Lichtereignis für sich ist ein schwacher Beleg. Ein Lichtereignis, während die Bewegung “stehend” meldet, außerhalb jedes geplanten Stoppfensters, mit einem Temperatursprung wenige Minuten später, ist eine konkrete Aussage, auf die Sie reagieren können.
Das zählt, weil physische Plomben nicht die Kontrolle sind, für die viele sie halten. Täter ziehen die Scharnierbolzen und schwenken die Tür von der Scharnierseite auf, ohne die Bolzenplombe zu berühren. Die Papiere sagen: unversehrt. Der Lichtsensor sagt etwas anderes.
Was Sie abbilden müssen, ist eine Regel, kein Grenzwert: Licht über dem Grundniveau, Bewegung unter der Bewegungsschwelle, Zeitstempel außerhalb der geplanten Stoppfenster dieser Route. Jedes Kriterium für sich erzeugt Rauschen. Zusammen erzeugen sie eine kurze Liste, die eine Prüfung wert ist.
Die ETA aus dem Fortschritt schätzen, nicht aus der Position
Die Ankunft wird aus dem Fortschritt vorhergesagt, und damit wiegt eine unzuverlässige Positionsspur weniger schwer, als es zunächst aussieht. Die Eingangsgrößen, die das ETA-Signal tragen, überstehen die Lücken:
- Der Bewegungsanteil, also das Verhältnis von Fahrstunden zu Standstunden auf diesem Abschnitt im Vergleich zur Historie der Route
- Die Standzeit an jedem Knoten, denn genau dort kippen Zeitpläne
- Historische Laufzeiten desselben Abschnitts für Start, Ziel, Frachtführer und Saison
- Die Positionen, die Sie tatsächlich bekommen: Gate-in, Gate-out, Hafenankunft und jeder Abschnitt unter freiem Himmel
TagoIO Analytics macht daraus eine Prognose, ohne dass Sie ML-Code schreiben. Die saisonale Prognose nutzt eine MSTL-Zerlegung mit automatisch gewähltem ETS-Modell, sodass wöchentliche und tägliche Zyklen im Transportverhalten modelliert statt weggemittelt werden. Die multivariate Bedarfsprognose fährt Prophet mit vorgelagerten Treiberprognosen, wenn Sie Wetter oder Hafenstau im Modell haben wollen. Zeit bis zum Grenzwert rechnet eine eigene Holt-Winters- oder AutoETS-Prognose, sucht darin den Schnittpunkt und veröffentlicht eine ETA in Stunden plus eine Schweregradstufe, die Sie einmal konfigurieren.
Die Ergebnisse landen als ganz normale TagoIO-Variablen: Prognosewerte mit oberer und unterer Grenze, ETAs, Schweregradstufen. Nachgelagert ändert sich nichts. Dashboards stellen sie dar, Actions lösen darauf aus, und TagoRUN-Portale zeigen sie Ihren Kunden unter Ihrer Marke. Eine ETA, die sich bei jedem Modelllauf selbst korrigiert, ist für die Disposition mehr wert als eine Kartennadel, die vor vierzehn Stunden stehen geblieben ist.
Wie erkennt Anomalieerkennung Ladungsbetrug?
Indem sie eine Sendung mit dem gelernten Normalverhalten vergleicht statt mit einem festen Grenzwert. Betrug erzeugt selten einen einzelnen offensichtlich falschen Messwert. Er erzeugt ein Muster, das nicht dazu passt, wie sich diese Route sonst verhält.
Das ist der einzige Ansatz, der bei der am schnellsten wachsenden Verlustkategorie greift. CargoNet hebt den Betrug durch Täuschung hervor, bei dem an seriöse Frachtführer vergebene Ladungen umgeleitet werden und damit genau die Kontrollen umgangen werden, die um den Vergabeprozess herum gebaut sind. Täuschung bricht keine Plombe und reißt keinen Grenzwert. Sie verschiebt die Ladung. Die bestätigten Fälle von Ladungsdiebstahl stiegen 2025 um 18 Prozent, während die Gesamtzahl der Delikte konstant blieb, und genau so sieht eine Verschiebung hin zu dieser Masche in den Zahlen aus.
TagoIO Analytics zerlegt “irgendetwas stimmt nicht” in Fragen mit jeweils einem passenden Modell:
- Ist dieser Messwert ungewöhnlich? Ein Isolation Forest bewertet jeden Messwert gegen das Gesamtbild des Normalen. Temperatur im Rahmen, Licht im Rahmen, Bewegung im Rahmen, aber diese Kombination um 03:00 Uhr auf einer Route, die dort nie hält: einzeln unauffällig, zusammen falsch.
- Welcher Betriebsmodus ist das? K-Means lernt die normalen Betriebsmodi Ihrer Flotte und bewertet jeden Messwert nach dem Abstand zum nächstgelegenen. Ein Abschnitt, der zu keinem bekannten Modus passt, verdient einen Blick.
- Welche Einheit fällt aus der Reihe? Das dichtebasierte Clustering DBSCAN gruppiert Sendungen mit ähnlichem Verhalten und markiert die, die zu keiner Gruppe gehört. Vierzig Label auf derselben Route, eines mit abweichender Bewegungssignatur: So werden Umleitungen und vertauschte Einheiten sichtbar.
- Läuft etwas langsam aus dem Ruder? Eine EWMA-Regelkarte gegen eine saisonale Basislinie fängt das langsame Driften, an dem feste Grenzwerte scheitern. Sie ist es, die einen Reefer findet, der wochenlang künstlich am Leben gehalten wird, bevor überhaupt eine Compliance-Grenze reißt.
Sie brauchen für nichts davon eine gelabelte Betrugshistorie. Die Modelle trainieren auf der Telemetrie, die längst in den Buckets Ihrer Geräte liegt.
Die Analyse nach dem Ereignis liefert die Ursache, nicht nur den Alarm
Ein Echtzeitalarm sagt, dass die Temperatur 8°C überschritten hat. Die Analyse nach dem Ereignis sagt, welcher von zwei völlig verschiedenen Fehlern vorlag.
Eine geöffnete Tür erzeugt eine Stufe: steiler Anstieg, dann exponentielle Erholung, sobald die Tür zu ist. Ein defektes Kühlaggregat erzeugt Drift: langsam, monoton, ohne Erholung. Beide lösen denselben Compliance-Alarm aus. Nur eines davon liegt beim Frachtführer, und die Form des Anomaliefensters sagt Ihnen, welches. Dieser Unterschied entscheidet darüber, ob Sie den Schaden tragen oder ihn ersetzt bekommen.
Dieselbe Rekonstruktion speist die Schadensdokumentation mit zeitgestempelten Nachweisen, die Nachweiskette für regulierte Güter, Scorecards für Frachtführer und Routen aus Standzeiten und Abweichungshistorie sowie eine Ursachenanalyse, die mit einer konkreten Maßnahme endet statt mit einem Schulterzucken.
Dieselben Modelle für Anlagen, die sich nie bewegen
Verkaufsautomaten, ortsfeste Technik und feste Installationen sind der leichtere Fall. Der Standort ist ohnehin bekannt, also steckt der gesamte Wert in den Zustandsdaten.
Bewegung, wo keine sein dürfte, heißt Entfernung oder Manipulation. Licht in einem geschlossenen Automaten heißt Zugriff. Ein Temperaturtrend an einem Kühlaggregat zeigt den Zustand des Kompressors, und Zeit bis zum Grenzwert übersetzt diesen Trend in Tage bis zur Grenzwertverletzung, also in ein Wartungsfenster statt in einen Anruf von einem verärgerten Kunden. Dieselben Modelle, derselbe Assistent, kein Standort nötig.
Was für den Aufbau nötig ist
Der Minew MTB04 übernimmt Messung und Uplink. TagoIO nimmt das Payload entgegen, speichert die Historie und rechnet die Modelle. Die Einrichtung von Analytics ist ein geführter Assistent: Geräte wählen, Signale wählen, Modellverhalten festlegen, installieren. Alles danach ist die Plattform, die Sie ohnehin haben, denn Dashboards, Actions, die API und White-Label-Portale verarbeiten Prognosen genauso wie Sensormesswerte.
Starten Sie mit TagoIO Analytics für die Modelle und mit TagoIO für die Logistik für die Dashboards, Geofencing und Integrationen drumherum. Der kostenlose Plan gibt Ihnen 5 Geräte und 5 Dashboards, genug, um ein Label anzubinden und die erste Prognose entstehen zu sehen.
Häufige Fragen
Funktionieren GPS-Tracker in Seecontainern?
Nicht verlässlich. Ein beladener Stahlcontainer wirkt als teilweiser Faradayscher Käfig und blockiert das schwache GPS-Signal. Tracker oben in der Türnische, nahe an Dichtungen oder Lüftungsöffnungen, halten das Signal besser als Geräte, die in der Ladung vergraben sind, aber mehrtägige Lücken auf See- und multimodalen Abschnitten sind normal. Zustandssensoren wie Temperatur, Licht und Bewegung melden unabhängig davon weiter.
Wie erkennen Sie, ob ein Seecontainer unterwegs geöffnet wurde?
Ein versiegelter Container ist innen dunkel, also zeigt jeder Umgebungslichtwert über dem Grundniveau an, dass er geöffnet wurde oder die Plombe verletzt ist. Licht allein ist ein schwacher Beleg. Verknüpfen Sie es mit dem Bewegungszustand und den geplanten Stoppfenstern dieser Route. Licht im Stillstand und außerhalb eines geplanten Stopps ist das Muster, das eine Prüfung wert ist, und es erwischt auch den Einstieg über die Scharniere, bei dem die Bolzenplombe unversehrt bleibt.
Lässt sich die ETA einer Sendung ohne durchgehendes GPS-Tracking vorhersagen?
Ja. Die ETA folgt aus dem Fortschritt, nicht aus der Position: Bewegungsanteil, Standzeit an jedem Knoten, historische Laufzeiten der Route und die Positionen, die Sie an Gates und Häfen tatsächlich bekommen. TagoIO Analytics prognostiziert den Trend mit MSTL plus AutoETS, und Zeit bis zum Grenzwert sucht in einer Holt-Winters- oder AutoETS-Prognose den Ankunftsschnittpunkt und veröffentlicht ETA und Schweregradstufe als Variablen.
Was ist Anomalieerkennung im Ladungsmonitoring?
Eine Sendung gegen gelerntes Normalverhalten zu bewerten statt gegen feste Grenzwerte. TagoIO nutzt Isolation Forest für ungewöhnliche Kombinationen von Messwerten, K-Means für Abweichungen vom Betriebsmodus, DBSCAN für den Vergleich mit anderen Sendungen derselben Route und eine EWMA-Regelkarte für langsames Driften. Ausgegeben werden ein Anomalie-Score, ein Flag, auf das Sie alarmieren können, und Anomaliefenster mit Start- und Endzeit.
Wie erkennen Sie Ladungsbetrug mit IoT-Sensoren?
Indem Sie nach Mustern suchen statt nach einzelnen Ausreißern. Eine Umleitung zeigt sich als Bewegungs- und Standzeitsignatur, die von den übrigen Sendungen derselben Route abweicht. Manipulation zeigt sich als Lichtereignis außerhalb geplanter Stopps. Langsame Verschlechterung, die unter jedem festen Grenzwert bleibt, zeigt sich als Drift gegen eine saisonale Basislinie. Vergleich mit vergleichbaren Sendungen und Drifterkennung finden das ohne jede gelabelte Betrugshistorie.
Wie viel Sensorhistorie brauchen die Modelle, damit sie etwas taugen?
Trainieren Sie mit drei- bis viermal so viel Historie, wie der Zeitraum lang ist, den Sie vorhersagen wollen: Eine Prognose über einen Monat will drei bis vier Monate Daten. Saisonale Modelle brauchen mindestens zwei volle Zyklen des Musters, das sie lernen. Der Einrichtungsassistent von TagoIO prüft Ihr Zeitfenster und warnt, wenn es zu kurz ist.
Lassen sich damit ortsfeste Anlagen wie Verkaufsautomaten überwachen?
Ja, und der Standort wird dabei bedeutungslos. Bewegung, wo keine erwartet wird, heißt Entfernung oder Manipulation, Licht in einem geschlossenen Automaten heißt Zugriff, und der Temperaturtrend zeigt den Zustand des Kühlaggregats. Zeit bis zum Grenzwert macht aus diesem Trend Tage bis zur Grenzwertverletzung und damit aus einem Ausfall eine geplante Wartung.
Minew baut die Sensorebene. TagoIO ist die Anwendungsebene, die verbindet, speichert, modelliert und darstellt. Sehen Sie sich das MTB04-Label auf der Minew-Website an und TagoIO Analytics für die hier beschriebenen Modelle.
