Tourenplanung Abfallentsorgung optimieren

Das echte Ausmaß des Problems

Kalenderbasierte Tourenplanung ist das Standardmodell in der deutschen Abfallentsorgung — und es hat einen fundamentalen Konstruktionsfehler: Es optimiert für Gleichmäßigkeit, nicht für Bedarf.

Ein Restmüllbehälter an einem Gewerbestandort wird Montag und Donnerstag geleert. Im Sommer, wenn das Restaurant drei Hochzeiten die Woche ausrichtet, ist er Mittwoch voll. Im Januar, wenn das Restaurant vier Wochen Urlaub macht, ist er am Donnerstag erst halb voll. Der Tourenplan weiß das nicht — und die Fahrerin oder der Fahrer auch nicht, bis sie vor Ort sind.

Die Folgen sind systematisch:

• Leerfahrten zu halbvollen Behältern: Schätzungen aus Praxisprojekten sprechen von 20–40 % aller Touren, bei denen der Behälter weniger als 60 % gefüllt ist
• Überfüllungen mit Beschwerden: Gleichzeitig läuft an anderen Standorten der Behälter über — mit Beschwerden, Bußgeldern und Reinigungskosten
• Fahrzeugleerlauf und suboptimale Auslastung: Müllwagen fahren täglich 15–25 % mehr Kilometer als nötig (erfahrungsgemäß, nicht repräsentativ belegt)
• Dispositionsaufwand für Sonderleerungen: Jede ungeplante Sonderleerung kostet Koordinationszeit, Umweg-Kilometer und Dokumentationsaufwand

Konkret hatte die Stadt Hürth (NRW) dieses Problem mit ihren öffentlichen Abfallbehältern: Feste Routen führten dazu, dass manche Behälter zu früh geleert wurden, während andere überflossen. Nach einem Pilotprojekt mit 100 Füllstandssensoren und einem KI-Dispositionssystem von dataMatters (einer RWTH-Ausgründung) sank die Kilometerleistung um 21 %, die CO₂-Emissionen um etwa 30 %. (Quelle: Presseportal 2024, Stadt Hürth)

Der Kern des Problems ist nicht die Routenplanung selbst — es sind die fehlenden Eingangsdaten. Wer nicht weiß, wie voll welcher Behälter gerade ist, kann keine bedarfsgerechte Tour zusammenstellen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen aus der Vergleichstabelle stammen aus verschiedenen Quellen: Die Hürth-Daten sind dokumentiert (dataMatters/Milesight 2024), die restlichen Werte sind Erfahrungswerte aus Praxisprojekten, keine repräsentative Studie. Dein konkreter Betrieb kann deutlich abweichen — je nach Behältertyp, Gebietsdichte und Schwankungsverhalten der Kunden.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der Dispositionsaufwand sinkt real: Statt täglich manuell Touren zu justieren, prüft die Disponentin oder der Disponent morgens die KI-Vorschläge und gibt sie frei. Das spart erfahrungsgemäß 60–90 Minuten täglich. Allerdings: Fahrerarbeitszeit sinkt durch kürzere Routen, nicht durch weniger Arbeit — der Zeiteinspareffekt ist also betriebswirtschaftlicher Natur (Kilometerkosten), nicht direkt in FTE-Einsparungen messbar. Im Vergleich zu anderen Anwendungsfällen in der Branche — wie KI-gestützter Kundenkommunikation — ist der Dispositionseffekt real, aber nicht der dominante Hebel.

Kosteneinsparung — hoch (4/5) Das ist der echte Kern dieser Lösung: 15–25 % weniger gefahrene Kilometer bedeuten bei einer 10-Fahrzeug-Flotte mit je 200 Liter/100 km Dieselverbrauch und 60.000 jährlichen Kilometern pro Fahrzeug rund 18.000–30.000 Euro jährliche Kraftstoffeinsparung — ohne Personalkosten zu verändern. Hinzu kommen reduzierte Reifenabnutzung, weniger Wartungsintervalle und geringere CO₂-Abgaben. Nicht ganz die volle Punktzahl, weil die Sensorinstallationskosten und Software-Subscriptions die ersten 12–24 Monate einen erheblichen Teil der Einsparung auffressen.

Schnelle Umsetzung — niedrig (2/5) Das ist ehrlich: Zwischen dem Entschluss und der ersten datengestützten Tour vergehen realistisch 10–16 Wochen. Sensoren müssen beschafft, montiert und kalibriert werden; das LoRaWAN-Netz muss geprüft oder aufgebaut werden; die Integration zwischen Sensorplattform und Dispositionssystem braucht Entwicklungszeit. Das ist kein SaaS-Tool, das man in zwei Tagen ausprobiert. Wer schneller starten will, sollte zuerst die Behälterstandsüberwachung per IoT als separaten Schritt aufsetzen und erst danach die Routing-KI anschließen.

ROI-Sicherheit — hoch (4/5) Kraftstoffkosten sind direkt messbar — der Unterschied zwischen Kilometerleistung vor und nach dem System ist buchhalterisch belastbar. Das unterscheidet diesen Use Case von vielen anderen KI-Anwendungen, bei denen der Nutzen indirekt bleibt. Der Vorbehalt: Die Einsparung ist erst nach der Kalibrierungsphase (ca. 3 Monate) stabil. In den ersten Wochen fährt das System noch konservativ, bis die Füllstandsprognosen auf genug historische Daten aufbauen können.

Skalierbarkeit — sehr hoch (5/5) Dieser Anwendungsfall skaliert ohne proportionalen Mehraufwand. Mehr Fahrzeuge, mehr Sammelgebiete, mehr Behälter — die Software rechnet das mit, sobald die Sensordaten einlaufen. Eine Verdopplung der Flotte verdoppelt nicht den Dispositionsaufwand. Das ist der wichtigste Unterschied zu kalenderbasierter Tourenplanung, die mit wachsender Flottengröße linear mehr manuelle Koordination erfordert.

Richtwerte — stark abhängig von Flottengröße, Behälterdichte, Netzabdeckung und Schwankungsverhalten der Kunden.

Was das System konkret macht — der Weg von der Sensormessung zur Tour

Der technische Prozess hat vier Stufen. Jede ist für sich handhabbar — die Herausforderung liegt in der zuverlässigen Verbindung zwischen ihnen:

Stufe 1: Messen. Ultraschall-Sensoren im Behälterdeckel oder in der Seitenwand messen kontinuierlich (typisch alle 4–8 Stunden), wie weit der Abfall von der Öffnung entfernt ist. Daraus errechnet sich der Füllstand in Prozent. Systeme wie Sensoneo oder Enevo übertragen diese Messwerte per LoRaWAN oder NB-IoT an eine Cloud-Plattform.

Stufe 2: Prognostizieren. Die Plattform hat nach einigen Wochen Betrieb genug historische Daten, um zu lernen: Wie schnell füllt sich Behälter 47 an der Industriestraße typischerweise? Montags schneller als freitags? Im Sommer langsamer als im Winter? Ein Machine-Learning-Modell sagt vorher, wann jeder Behälter die Schwellenwertgrenze (z.B. 80 % Füllstand) erreichen wird.

Stufe 3: Priorisieren. Die KI legt täglich fest, welche Behälter heute geleert werden müssen (Schwellenwert überschritten oder innerhalb von 24 Stunden erwartet) — und welche noch nicht. Das ist der entscheidende Schritt: Nicht mehr der Kalender entscheidet, welche Behälter auf die Tour kommen, sondern der prognostizierte Bedarf.

Stufe 4: Optimieren. Aus der priorisierten Behälterliste wird eine Tour gebaut, die Fahrzeugkapazitäten, Zeitfenster, Verkehrslage und Depotabstände berücksichtigt. Das können spezialisierte Plattformen wie AMCS übernehmen, oder die Sensorplattform hat eine eingebaute Routing-Engine — wie Enevo mit seiner DRIVE-App.

Die Integration: Sensor, Plattform und Disposition verbinden

Das ist die Stelle, wo die meisten Projekte scheitern oder deutlich teurer werden als geplant.

Sensor-Hersteller liefern eine Cloud-Plattform, die Füllstände visualisiert. Dispositionssoftware wie AMCS oder Webfleet optimiert Routen. Das Problem: Beide Systeme sprechen nicht automatisch miteinander.

In der Praxis gibt es drei Integrationspfade:

Vollintegrierte Systeme: Enevo und Sensoneo bieten eigene Routing-Module an, die direkt auf die Sensordaten aufbauen. Der Vorteil: kein Middleware-Problem. Der Nachteil: du bist im Ökosystem des Sensoranbieters und kannst dein bestehendes Dispositionssystem möglicherweise nicht weiter nutzen.

API-Integration: Wenn du bereits AMCS oder ein ähnliches Branchensystem einsetzt, kann die Sensorplattform über eine API Füllstandsdaten liefern, die dann in die bestehende Routenplanung einfließen. Das erhält deine bestehende Systemlandschaft, erfordert aber Entwicklungsaufwand — typisch 4–8 Wochen für eine belastbare Integration.

Manuelle Übergabe (Übergangsphase): Als Einstieg exportieren manche Betriebe die tägliche Prioritätenliste aus dem Sensor-Dashboard als CSV und laden sie in die Dispositionssoftware hoch. Das ist nicht elegant, aber es ermöglicht einen schnellen Piloten ohne Integrationsaufwand — und zeigt, ob das Konzept überhaupt den erwarteten Nutzen bringt, bevor du in die vollständige Integration investierst.

Die HMD Praxis der Wirtschaftsinformatik (Springer Nature, 2021) hat in einer Fallstudienanalyse genau dieses Problem dokumentiert: Sensoranbieter wollen ihr eigenes Routing-System verkaufen; Entsorgungsbetriebe haben oft bereits eine Dispositionslösung. Die Folge sind proprietäre Systeminseln statt einer integrierten Lösung. Plane Integrationsarbeit von Anfang an ein — und stelle sicher, dass der Sensoranbieter offene APIs hat, bevor du dich bindest.

Konkrete Werkzeuge — was wann passt

Die Werkzeuglandschaft teilt sich in zwei Schichten: Sensorplattformen (Stufe 1 und 2) und Dispositionssysteme (Stufe 3 und 4).

Sensorplattformen:

Sensoneo — wenn du einen DACH-Partner mit deutschem Support brauchst Sensoneo ist in Deutschland der am stärksten etablierte Sensoranbieter. Ultraschall-Sensoren mit LoRaWAN-Anbindung, EU-Datenhaltung, deutschsprachige Betreuung. Ein Pilot mit 50 Sensoren kostet im ersten Jahr typisch 15.000–40.000 Euro (Hardware plus Backend-Abo). Sensoneo liefert eine Cloud-Plattform mit Füllstandsanzeige und Schwellenwert-Alerts — die Routing-Entscheidung muss aber in die Dispositionssoftware übernommen werden.

Enevo — wenn du Sensor und Routing aus einer Hand willst Enevo ist der funktional umfassendste Ansatz: Sensoren, ML-Prognose und eine eigene Fahrer-App (DRIVE) gehören zum Paket. Enevo berechnet automatisch, welche Behälter heute priorisiert werden, und liefert den Fahrern direkt optimierte Routen auf die App. Der Preis liegt nach internen Recherchen bei rund 180–260 Euro pro Sensor plus 5–15 Euro monatlichem Abo. Einschränkung: Kein deutschsprachiger Support, bewegte Firmengeschichte (Insolvenz 2021, Neustart 2022).

Dispositionssysteme:

AMCS — die Branchenlösung für gewachsene Entsorgungsbetriebe Wenn du bereits eine Dispositionssoftware einsetzt oder eine spezialisierte Branchenlösung suchst, ist AMCS die Referenz für private und kommunale Entsorgungsunternehmen ab 15 Fahrzeugen. AMCS integriert Sensordaten über APIs, optimiert Touren unter Berücksichtigung von Fahrzeugkapazitäten, Zeitfenstern und Sonderleerungen — und deckt gleichzeitig Kundenverwaltung und ESG-Reporting ab. Nachteil: Implementierung dauert 3–9 Monate, Preis auf Anfrage, typisch ab 1.500–5.000 Euro/Monat.

Webfleet — wenn Flottentelematik im Vordergrund steht Webfleet ist kein primäres Smart-Waste-System, aber wenn du bereits Webfleet für Fahrzeugtracking und Tachograph einsetzt, kannst du die Routenoptimierungsfunktion für bedarfsgesteuerte Touren nutzen — und Füllstandsdaten aus Sensoneo oder Enevo über APIs einspeisen. Vorteil: EU-Datenhaltung, deutschsprachiger Support, kein zweites System für die Fahrer. Nachteil: Weniger Branchenspezifik als AMCS.

OptimoRoute — für Piloten und kleine Flotten (3–10 Fahrzeuge) Wenn du mit einem begrenzten Budget die Konzeptvalidierung starten willst, bevor du in eine vollständige Branchenlösung investierst: OptimoRoute ist in 30 Tagen einsatzbereit, kostet 35–44 USD/Fahrer/Monat und lässt sich über API mit Füllstandsdaten bespeisen. Kein Deutsch, keine EU-Datenhaltung — aber ein realer ROI-Nachweis ohne 6-monatiges Einführungsprojekt.

Zusammenfassung: Wann welcher Ansatz

• Pilot mit 50–200 Behältern, DACH-Support wichtig → Sensoneo + OptimoRoute oder Webfleet
• Vollintegration mit eigenem Routing gewünscht, englisch OK → Enevo
• Gewachsener Entsorgungsbetrieb, 15+ Fahrzeuge, Branchen-ERP gesucht → AMCS
• Bereits Webfleet-Nutzer, Schnittstellen-Ansatz bevorzugt → Webfleet + Sensoneo-API

Datenschutz und Datenhaltung

Füllstandsdaten von Behältern sind in der Regel keine personenbezogenen Daten — die Tonne an der Industriestraße 14 hat keine DSGVO-Relevanz. Die DSGVO-Themen entstehen an drei anderen Stellen:

Fahrzeugtracking und Fahrerdaten. Sobald die GPS-Position des Müllwagens in Echtzeit erfasst wird — was für dynamische Tourenplanung unvermeidlich ist — handelt es sich um Beschäftigtendaten. DSGVO Art. 88 i.V.m. §26 BDSG erfordert entweder eine Betriebsvereinbarung (bei Unternehmen mit Betriebsrat) oder eine individuelle Einwilligung. Ohne Betriebsvereinbarung ist Fahrzeugtracking in Deutschland nicht rechtssicher möglich. Webfleet liefert Muster-Betriebsvereinbarungen mit.

Kundendaten in der Dispositionssoftware. Kundenname, Adresse und Abfuhrverträge sind personenbezogen. Hier gilt der Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO. AMCS und Webfleet stellen AVV-Vorlagen bereit; beide bieten EU-Datenhaltung. OptimoRoute hostet in den USA — für Kundenadress-Daten sollte das mit eurem Datenschutzbeauftragten abgeklärt werden.

eANV für Sonderabfälle. Wenn dein Betrieb gefährliche Abfälle entsorgt, gilt das elektronische Abfallnachweisverfahren (eANV) nach §50 KrWG in Verbindung mit der Nachweisverordnung (NachwV). Die dynamische Tourenplanung muss sicherstellen, dass Begleitscheine korrekt erzeugt werden — auch wenn die Tour kurzfristig geändert wird. AMCS deckt das ab; bei anderen Systemen muss das explizit geprüft werden.

Empfehlung: Vor dem Rollout eine Datenschutz-Folgenabschätzung (DSFA) für das Fahrzeugtracking durchführen, Betriebsvereinbarung mit dem Betriebsrat abschließen, AVV mit allen Cloud-Anbietern unterzeichnen.

Was es kostet — realistisch gerechnet

Investition Sensor-Hardware Pro Ultraschall-Sensor (z.B. Sensoneo) rechne mit 210–330 Euro netto. Bei einem Pilot mit 100 Behältern sind das 21.000–33.000 Euro Hardwarekosten. Hinzu kommen LoRaWAN-Gateways (ca. 300–800 Euro je nach Typ und Reichweite), sofern keine Netzabdeckung besteht.

Software und Backend Sensoneo-Backend-Abo: rund 20–80 Euro/Monat je nach Behälterzahl. AMCS: ab 1.500–5.000 Euro/Monat (beinhaltet Tourenoptimierung, nicht nur Monitoring). Enevo: 5–15 Euro/Sensor/Monat. OptimoRoute: 35–44 USD/Fahrer/Monat.

Integrationsaufwand (einmalig) Wenn du Sensorplattform und Dispositionssystem per API verbinden willst: rechne mit 4–8 Wochen Entwicklungsaufwand eines externen Dienstleisters, typisch 8.000–25.000 Euro je nach Systemkomplexität.

Gesamtinvestition erstes Jahr (Beispiel: 10 Fahrzeuge, 200 Behälter)

• Hardware (200 × 270 € Sensoneo-Sensor): 54.000 €
• LoRaWAN-Gateways (3 Stück): 2.000 €
• Backend-Abo 12 Monate: 7.200 €
• Integration und Einführungsbegleitung: 15.000 €
• Schulung und Pilotbegleitung: 5.000 €
• Gesamt Jahr 1: ca. 83.000 €

Ab Jahr 2 fallen nur noch Backend-Abo und Wartung an (ca. 10.000–15.000 €/Jahr).

Was du dagegen rechnen kannst 10 Fahrzeuge, je 60.000 km/Jahr, 30 Liter Diesel/100 km, Kraftstoffpreis 1,60 €/Liter:

• Kraftstoffkosten pro Jahr: ca. 288.000 €
• 20 % Einsparung: 57.600 €/Jahr

Plus reduzierte Sonderleerungen (konservativ: 3–5 pro Woche weniger × 80–150 € Kosten/Leerung): weitere 12.000–39.000 €/Jahr.

Im konservativen Szenario (nur Kraftstoff, keine Sonderleerungsreduktion) amortisiert sich die Investition in 18–24 Monaten. Das ist für eine IoT-Infrastruktur mit 3–7 Jahren Sensorbatterielebensdauer ein realistischer ROI-Zeitraum.

Typische Einstiegsfehler

1. Mit allen Behältern gleichzeitig starten. Das Ergebnis ist ein Pilotprojekt, das wegen seiner schieren Größe keine statistisch verwertbaren Erkenntnisse liefert — weil immer irgendetwas nicht richtig kalibriert ist. Die bessere Methode: Mit 50–100 Behältern in einem repräsentativen Sammelgebiet starten, drei Monate lang Daten sammeln, Einsparungen messen, dann skalieren. Der Pilot zeigt dir auch, ob dein LoRaWAN-Netz überall zuverlässig sendet — das ist wichtig zu wissen, bevor du Hardware für 500 Behälter bestellst.

2. Den Sensoranbieter ohne API-Prüfung auswählen. Sensoranbieter verkaufen gerne ihr eigenes Routing-System mit. Wenn du aber bereits AMCS oder Webfleet im Einsatz hast, willst du die Füllstandsdaten in dein bestehendes System einspeisen — nicht ein zweites Dispositionssystem parallel führen. Prüfe vor der Bestellung: Hat der Anbieter eine offene, dokumentierte API? Gibt es Referenzkunden, die genau diese Integration erfolgreich umgesetzt haben?

3. Die Kalibrierungsphase überspringen wollen. Das Modell lernt, wie schnell sich welcher Behälter füllt — das braucht Daten. In den ersten 4–8 Wochen liefert das System konservative Prognosen (im Zweifel früher leeren statt zu spät). Wenn das Management in dieser Zeit “zu frühe” Leerungen als Beweis sieht, dass das System nicht funktioniert, ist das ein Kommunikationsproblem, das vor dem Rollout adressiert werden muss. Setze realistische Erwartungen: Im Monat 1 ist der Plan schlechter als der Kalender. Im Monat 3 ist er messbar besser.

4. Die Disposition nicht mitnehmen. In der Abfalllogistik gibt es erfahrene Disponenten, die ihr Gebiet in- und auswendig kennen — und die dem System misstrauen, das ihre Expertise infrage stellt. Wenn das System täglich eine Tour vorschlägt und die Disponentin trotzdem ihren Kalenderplan fährt, weil sie “dem Algorithmus nicht traut”, war die Investition umsonst. Die Lösung: Disposition vom ersten Tag in die Pilotgestaltung einbeziehen. Die Disponenten sollen die Schwellenwerte mitdefinieren, nicht der IT-Dienstleister.

5. Sensoren einbauen und nie wieder reinigen. Ultraschallsensoren messen die Reflexion eines Signals — wenn sich Schmutz, Kondenswasser oder Eis auf dem Sensorkopf absetzt, werden die Messungen unzuverlässig. In der Praxis bedeutet das: Wartungsroutine einplanen, Sensoren in die Fahrzeugkontrollchecks integrieren. Wer das vergisst, hat nach einem harten Winter 20 % unzuverlässige Messwerte — und wundert sich, warum die Tourenoptimierung plötzlich schlechter wird.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste. Die Organisationsänderung ist das Schwerste.

Was sofort passiert: Die Fahrer bekommen täglich andere Touren — nicht mehr dieselbe Reihenfolge wie seit Jahren. Das erzeugt Unsicherheit und Widerstand. “Warum soll ich heute zu Kundin Müller, wenn die doch immer erst Donnerstag dran ist?” Die Antwort (“weil der Sensor sagt, dass der Behälter voll ist”) klingt abstrakt und erzeugt kein Vertrauen. Besser: Fahrern zeigen, dass sie den Füllstand per App selbst sehen können — dann macht die andere Route Sinn.

Was nicht automatisch passiert: Die Sonderleerungen hören nicht schlagartig auf. In den ersten Wochen haben Kunden noch Vertrauen in den alten Kalender — wenn Behälter mittwochs nicht geleert werden, weil der Sensor sagt, er ist erst zu 60 % voll, und der Kunde das nicht weiß, ruft er an. Kommunikationsarbeit Richtung Kunden (“Wir leeren jetzt bedarfsbasiert, nicht nach Kalender”) ist ein unterschätzter Projektbestandteil.

Was sich bei Betrieben mit Betriebsrat ergibt: GPS-Tracking von Fahrzeugen erfordert eine Betriebsvereinbarung. Die Aushandlung dauert typisch 4–12 Wochen. Plane das in den Projektzeitplan ein — nicht als nachträgliche Aufgabe, sondern als Vorbedingung für den Rollout.

Was langfristig hält: Wenn die ersten Quartalszahlen zeigen, dass die Kraftstoffkosten messbar gesunken sind und Überfüllungsbeschwerden sich halbiert haben, ist die Akzeptanz fast von selbst da. Zahlen sind das stärkste Überzeugungsmittel — stärker als jede Einführungsschulung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben schon eine Tourenplanung — die funktioniert doch.” Die kalenderbasierte Tourenplanung “funktioniert” in dem Sinne, dass Behälter regelmäßig geleert werden. Aber regelmäßig ist nicht dasselbe wie bedarfsgerecht. Wenn 25 % deiner Leerungen zu Behältern fahren, die erst 50 % voll sind, lässt du jeden Monat Kraftstoffgeld auf der Straße liegen. Die Frage ist nicht, ob die aktuelle Planung funktioniert — sondern ob du bereit bist, die 20 % Effizienzpotenzial zu heben.

“IoT-Sensoren — was passiert, wenn das WLAN ausfällt?” Smart-Waste-Sensoren nutzen kein WLAN, sondern LoRaWAN oder NB-IoT — Protokolle, die für genau solche Szenarien gebaut sind: lange Reichweite, geringer Stromverbrauch, keine Abhängigkeit von lokalen Netzwerken. Ein einzelner Sensor-Ausfall (tote Batterie, defekter Sensor) führt dazu, dass der Behälter mit dem letzten bekannten Wert im System bleibt — gut konfigurierte Systeme eskalieren solche Fälle automatisch.

“Das rechnet sich doch nur für große Betriebe.” Für Betriebe unter 5 Fahrzeugen stimmt das. Ab 8–10 Fahrzeugen beginnt der Break-even in einem überschaubaren Zeitraum — besonders wenn das Gebiet verkehrsintensiv ist und Leerfahrten zu halbvollen Behältern häufig vorkommen. Für kommunale Entsorger mit 30+ Fahrzeugen ist der ROI nahezu sicher. Die Pilotfrage ist immer: Ist unser Behälterbestand groß genug und heterogen genug, dass Füllstandsdaten wirklich unterschiedliche Abholzeitpunkte erzeugen — oder sind unsere Behälter immer zu einem ähnlichen Zeitpunkt voll?

Woran du merkst, dass das zu dir passt

Du bist ein guter Kandidat für füllstandsbasierte Tourenplanung, wenn:

• Deine Flotte hat 8 oder mehr Fahrzeuge und du fährst täglich mindestens 40–50 Stopps
• Du kannst benennen, wie viele Sonderleerungen du pro Monat reaktiv fährst — und der Wert liegt über 5
• In deinem Gebiet gibt es erkennbare Hotspots: Behälter, die immer früher voll sind als der Kalender vorsieht, oder umgekehrt immer halb leer geleert werden
• Du hast GPS-Tracking für deine Flotte (oder planst es) — das ist die Grundvoraussetzung für die Kalibrierung der Fahrzeitprognosen
• Du bist bereit, Disposition und Fahrer aktiv in die Umstellung einzubeziehen — ohne das geht es nicht

Drei harte Ausschlusskriterien — wer jetzt noch nicht starten sollte:

1. Unter 5 Fahrzeugen oder unter 100 überwachten Behältern. Die Sensorinfrastruktur amortisiert sich nicht, solange der Behälterbestand zu klein ist. Faustregel: Sensoneo empfiehlt als Mindestpilot 50 Sensoren — das ergibt nur bei Betrieben mit mindestens 5–8 Fahrzeugen wirtschaftlich Sinn.

2. Kein digitales Dispositionssystem vorhanden. Wenn die Tourenplanung noch in Excel-Tabellen oder auf Papier passiert, ist füllstandsbasierte Planung der zweite Schritt — nicht der erste. Dann sollte zuerst eine digitale Disposition (z.B. Webfleet oder ein einfaches Auftragsmanagement-Tool) eingeführt werden. Ohne digitale Grundlage gibt es keine Schnittstelle, an die Füllstandsdaten sinnvoll angebunden werden können.

3. Kein LoRaWAN-Netz und kein Budget für Cellular-IoT. Ohne Konnektivität keine Sensordaten. In ländlichen Gebieten mit schlechter LoRaWAN-Abdeckung ist die Alternative NB-IoT (Mobilfunk) — das funktioniert zuverlässiger, ist aber teurer im Betrieb. Wer weder LoRaWAN-Gateways aufbauen noch monatliche Mobilfunkgebühren für jeden Sensor tragen will, kann das Konzept derzeit nicht wirtschaftlich umsetzen.

Das kannst du heute noch tun

Bevor du einen Anbieter anfragst: Mach eine ehrliche Bestandsaufnahme deiner Behälterfluktuationen.

Nimm die letzten drei Monate deiner Fahrtenbücher oder GPS-Daten und zähle:

• Wie viele Stopps endeten mit einer Leerung unter 60 % Füllstand (geschätzt)?
• Wie viele Sonderleerungen habt ihr reaktiv gefahren?
• In welchen Gebieten sind die Abweichungen vom Kalender am größten?

Das dauert einen Nachmittag. Das Ergebnis zeigt dir, ob das Potenzial in deinem Betrieb tatsächlich da ist — oder ob deine Behälter so gleichmäßig gefüllt werden, dass der Kalenderplan schon fast optimal ist.

Als zweiten Schritt: Fordere bei Sensoneo ein Starter-Kit-Angebot an (10–20 Sensoren für einen strukturierten Pilot) und ruf parallel bei deinem Dispositionssystem-Anbieter an, um zu klären, ob und wie externe Füllstandsdaten eingespeist werden können.

Und wenn du heute schon wissen willst, ob deine aktuelle Tourenplanung Optimierungspotenzial hat — ohne einen Anbieter anzurufen:

Quellen & Methodik

• Stadt Hürth / dataMatters / Milesight (2024): „Schlaue Mülleimer für ein sauberes Hürth” — Pressemitteilung Stadt Hürth, September 2024; Presseportal, Januar 2025. Pilot mit 100 Füllstandssensoren, 21 % Kilometerreduktion, 30 % CO₂-Einsparung. dataMatters ist eine Ausgründung der RWTH Aachen. (huerth.de/pressearchiv-2024, presseportal.de)

• HMD Praxis der Wirtschaftsinformatik, Springer Nature (2021): „Smart Bins: Fallstudienbasierte Bewertung der Nutzenpotenziale von Füllstandssensoren in intelligenten Abfallbehältern.” Identifiziert Sensor-Ungenauigkeit, fehlende Schnittstellenstandards und proprietäre Systeminseln als Hauptprobleme in Praxisprojekten. (link.springer.com/article/10.1365/s40702-021-00778-0)

• Enevo-Praxiswerte: Vom Anbieter veröffentlichte Einsparungsbenchmarks (bis zu 40–50 % Tourenreduktion) sind Herstellerangaben, keine unabhängigen Studien — intern nur im Kontext konkreter Projektdaten als belastbar zu betrachten.

• Sensoneo-Preise: Handelspreis Einzelsensor bei iot.zenner.shop (Stand April 2026): 329,90 €. Gesamtlösung 50+ Sensoren laut Sensoneo-Dokumentation: 15.000–40.000 € im ersten Jahr.

• KrWG / NachwV / eANV: Kreislaufwirtschaftsgesetz §50 (Nachweispflichten), Nachweisverordnung (NachwV), elektronisches Abfallnachweisverfahren (eANV) — gesetzliche Grundlagen für Nachweis- und Dokumentationspflichten bei der Entsorgung gefährlicher Abfälle.

• Kostenkalkulation: Eigene Schätzungen auf Basis veröffentlichter Preisdaten der genannten Anbieter und Erfahrungswerten aus Praxisberichten. Kein repräsentatives Sample — konkrete Projektkosten können abweichen.

Du willst wissen, ob das Potenzial in deinem Gebiet wirklich da ist — oder welche Hürden zuerst aus dem Weg geräumt werden müssen? Meld dich für ein kurzes Gespräch.