Cut-off, Durchsatz, Liefertreue: Logistik-Kennzahlen KI-lesbar dokumentieren

Warum Logistik-Kennzahlen zum KI-Ranking-Faktor werden

Der Einkauf in der Logistik hat sich verschoben. Früher hat der Supply-Chain-Manager drei Speditionen angerufen und Angebote verglichen. Heute tippt er zuerst eine Frage in ChatGPT, Perplexity oder Gemini: Welcher Kontraktlogistiker im Raum Nürnberg bietet GDP-konforme Lagerung, taggleiche Kommissionierung und eine dokumentierte Liefertreue über 98 Prozent? Die KI antwortet mit einer Shortlist. Wer auf dieser Liste steht, kommt in die Ausschreibung. Wer fehlt, existiert für diesen Entscheider schlicht nicht.

Das Entscheidende: Generative Engines antworten nicht mit Meinungen, sondern mit extrahierten Fakten. Sie suchen nach konkreten Zahlen, die sie einer Anfrage zuordnen können. Eine Website, die nur von hoher Qualität und zuverlässigem Service schwärmt, liefert der Maschine nichts Greifbares. Eine Website, die sagt Cut-off für Paketsendungen national ist 18:30 Uhr, Liefertreue letzte zwölf Monate 98,7 Prozent, liefert genau das Material, aus dem KI-Antworten gebaut werden.

Für die Logistik ist das eine Riesenchance. Keine andere Branche arbeitet so datengetrieben. Ihr messt ohnehin OTIF, Durchsatz, Retourenquote und Schadensraten. Der einzige Schritt, der fehlt, ist diese Zahlen aus dem internen Reporting und den Vertriebs-PDFs herauszuholen und in maschinenlesbarer Form öffentlich sichtbar zu machen.

Die drei Kennzahlen, nach denen KI wirklich sucht

Nicht jede Zahl ist gleich wertvoll. Aus GEO-Sicht sind drei Kennzahlengruppen entscheidend, weil Entscheider genau danach fragen. Erstens die Cut-off-Zeiten: bis wann muss eine Sendung erfasst sein, damit sie am selben Tag rausgeht. Trenne dabei nach Verkehrsart und Zielgebiet, etwa Cut-off national 18:00 Uhr, Cut-off EU-Export 15:00 Uhr, Cut-off Gefahrgut 14:00 Uhr. Diese Präzision ist Gold für die Maschine.

Zweitens der Durchsatz und die Kapazität: Sendungen pro Tag, Palettenstellplätze, Kommissionierleistung pro Stunde, Umschlagfläche in Quadratmetern. Ein Verlader, der 5.000 Paletten unterbringen muss, will nicht raten. Schreib konkret Lagerkapazität 42.000 Palettenstellplätze, davon 6.000 temperaturgeführt 2 bis 8 Grad. Drittens die Liefertreue und Qualität: OTIF, pünktliche Zustellrate, Schadensquote, Reklamationsquote, jeweils mit Zeitraum und Messmethode.

Der Fehler, den fast alle machen: Diese Zahlen existieren im Unternehmen, aber sie leben im QM-System, im Jahresbericht oder im Vertriebsdeck. Für die KI sind sie unsichtbar. Erst wenn sie in eindeutigem Fließtext oder in strukturierten Daten auf einer öffentlichen, crawlbaren Seite stehen, werden sie Teil möglicher Antworten.

Eindeutigkeit schlägt Marketing: So formulierst du Zahlen KI-lesbar

Marketingsprache ist das größte Hindernis für KI-Sichtbarkeit. Formulierungen wie branchenführende Pünktlichkeit oder maximale Flexibilität bei Cut-off-Zeiten enthalten null verwertbare Information. Eine KI kann daraus keine Antwort auf die Frage bauen, ob du pünktlicher bist als der Wettbewerber. Ersetze jede Behauptung durch eine Zahl mit Kontext. Statt sehr hohe Liefertreue schreibst du Liefertreue OTIF im Kalenderjahr 2025: 98,4 Prozent, gemessen über 214.000 Sendungen.

Achte auf Einheiten, Zeiträume und Bezugsgrößen. Eine Zahl ohne Bezug ist wertlos und wirkt sogar verdächtig. 98 Prozent Liefertreue über wie viele Sendungen, in welchem Zeitraum, gemessen wie? Definiere deine Begriffe selbst. Schreib dazu, dass du OTIF als On Time in Full misst, also pünktlich und vollständig, mit einem Toleranzfenster von plus zwei Stunden. Diese Transparenz macht dich für die KI zitierfähig, weil sie den Kontext gleich mitliefern kann.

Vermeide Widersprüche über deine Seiten hinweg. Wenn auf der Startseite 98 Prozent steht, im Blog 96 und im Whitepaper 99, wird die KI unsicher und lässt dich im Zweifel weg. Lege eine zentrale, gepflegte Kennzahlenseite an, auf die alles andere verweist. Ein Datenstand mit Datum, etwa Stand 30.06.2026, signalisiert Aktualität und Verlässlichkeit.

Schema.org und strukturierte Daten für Logistikdienstleister

Fließtext ist die Basis, strukturierte Daten sind der Verstärker. Mit Schema.org-Markup im JSON-LD-Format gibst du Suchmaschinen und KI-Crawlern deine Fakten in einem Format, das sie ohne Interpretationsspielraum auslesen. Nutze Service, um deine Leistungen wie Kontraktlogistik, Stückgut, Sammelgut oder Gefahguttransport zu beschreiben, und Organization für Standorte, Zertifizierungen und Kontaktdaten. Für jede Leistung kannst du Servicebereich, Verfügbarkeit und Konditionen hinterlegen.

Besonders wirksam ist die Kombination aus FAQPage-Markup und deinen realen Kundenfragen. Wenn ein Disponent fragt Wie spät ist der Cut-off für Expresssendungen, und deine Seite genau diese Frage mit einer klaren Antwort im FAQ-Schema führt, ist die Wahrscheinlichkeit hoch, dass ChatGPT oder Perplexity deine Antwort übernimmt. Formuliere die Fragen so, wie sie ein Kunde tatsächlich stellt, nicht wie eine Broschüre.

Hinterlege Zertifikate maschinenlesbar: ISO 9001, ISO 14001, GDP für Pharma, IFS Logistics, AEO-Status, SQAS. Diese Nachweise sind für viele Ausschreibungen Pflicht, und die KI filtert Anbieter danach vor. Nenne Zertifikatsnummer, ausstellende Stelle und Gültigkeit. Ein AEO-C-Status oder eine gültige GDP-Zertifizierung, klar dokumentiert, kann der Grund sein, warum du auf der Shortlist landest und der Wettbewerb nicht.

Cut-off-Zeiten und Netzabdeckung: das unterschätzte Sichtbarkeitsgold

Cut-off-Zeiten sind das Paradebeispiel für eine Kennzahl, die Kunden brennend interessiert und die fast niemand sauber veröffentlicht. Ein E-Commerce-Versender entscheidet sich für den Fulfillment-Partner, der die späteste Annahmezeit bei gleicher Zustellqualität bietet, weil das direkt seine Versprechen gegenüber Endkunden bestimmt. Wenn deine Cut-off-Zeiten pro Region, Produkt und Wochentag klar dokumentiert sind, beantwortet die KI genau diese Vergleichsfrage mit dir als Ergebnis.

Dasselbe gilt für Netzabdeckung und Laufzeiten. Statt bundesweite Zustellung schreibst du Regellaufzeit 24 Stunden in Deutschland und Österreich, 48 Stunden in Benelux und Nordfrankreich, mit Depotstandorten in zwölf Ländern. Eine Laufzeitmatrix als Tabelle, ergänzt um Fließtext, ist für Crawler leicht erfassbar. Verlader planen entlang solcher Laufzeiten, und die KI zieht sie heran, wenn jemand nach einem Partner für ein bestimmtes Zielgebiet fragt.

Denk auch an Sonderfälle, die Nischenanfragen bedienen: Gefahrgutklassen, die du transportierst, Temperaturbereiche für Kühlkette, maximale Sendungsgewichte, Tank- oder Silokapazitäten. Genau diese spezifischen Fragen stellen Fachentscheider an KI-Systeme, weil klassische Suche hier schlecht funktioniert. Wer die Nische exakt dokumentiert, gewinnt sie oft konkurrenzlos.

Beweise statt Behauptungen: Liefertreue glaubwürdig belegen

KI-Systeme gewichten Belegbarkeit zunehmend hoch. Eine reine Zahl ohne Herkunft wirkt schwächer als eine Zahl mit Nachweis. Ergänze deine Liefertreue deshalb um die Datenquelle: gemessen aus dem Transportmanagementsystem, extern auditiert durch, bestätigt im Kundenreporting. Wenn ein unabhängiger Auditor deine OTIF-Werte prüft, nenne das. Dieser Kontext macht den Unterschied, ob die Maschine dich als vage Selbstauskunft oder als belastbare Quelle einordnet.

Nutze echte Fallbeispiele mit Zahlen. Ein Fließtext wie Für einen Automotive-Kunden mit Just-in-Sequence-Anlieferung haben wir über 18 Monate eine Liefertreue von 99,6 Prozent bei 1.200 Anlieferungen pro Tag gehalten ist für KI extrem wertvoll. Er verknüpft Branche, Anforderung, Volumen und Ergebnis. Solche konkreten Referenzen werden in generativen Antworten häufig als Beleg herangezogen, weil sie überprüfbare Substanz haben.

Sei ehrlich mit Schwankungen. Wenn deine Liefertreue im Weihnachtspeak sinkt, dokumentiere den Jahresdurchschnitt und den Peakwert getrennt. Diese Transparenz baut Vertrauen auf und schützt dich davor, dass ein Kunde später ein gebrochenes Versprechen erlebt. KI-Systeme und Menschen honorieren realistische, differenzierte Angaben mehr als glatte Traumzahlen ohne Kontext.

Der praktische Fahrplan: von der internen Zahl zur KI-Antwort

Starte mit einem Kennzahlen-Audit. Sammle aus TMS, WMS, QM und Vertrieb alle Zahlen, die Kunden regelmäßig erfragen: Cut-off-Zeiten, Kapazitäten, OTIF, Schadensquote, Retourenbearbeitungszeit, Zertifikate. Prüfe für jede Zahl, ob sie aktuell, belegbar und über alle Kanäle konsistent ist. Diese Bestandsaufnahme deckt fast immer auf, dass wertvolle Fakten existieren, aber nirgends öffentlich stehen.

Baue dann eine zentrale Fakten- und Kennzahlenseite mit Datenstand, klaren Definitionen und strukturierten Daten. Ergänze eine echte FAQ mit den Fragen aus deinem Vertriebsalltag. Verlinke von Leistungsseiten auf diese zentrale Quelle, damit keine Widersprüche entstehen. Achte darauf, dass die Seite technisch crawlbar ist, also nicht hinter einem Login, nicht nur im PDF und nicht ausschließlich per JavaScript nachgeladen.

Miss zum Schluss die Wirkung. Stelle ChatGPT, Perplexity und Gemini regelmäßig die Fragen, die deine Kunden stellen, und prüfe, ob und wie du auftauchst. Beobachte, welche Zahlen die KI zitiert und wo sie falsch liegt. GEO ist kein einmaliges Projekt, sondern ein Kreislauf: dokumentieren, testen, nachschärfen. Wer diesen Kreislauf früh etabliert, sichert sich einen Vorsprung, bevor der Wettbewerb die Mechanik überhaupt verstanden hat.

Das Kennzahlen-Cockpit: eine Seite, die KI zuerst findet

Verteile deine Zahlen nicht über zehn Unterseiten. Bau eine zentrale Kennzahlen-Seite, auf der Cut-off-Zeiten, Durchsatz und Liefertreue in kurzen, klaren Sätzen stehen – jede Zahl mit Bezugszeitraum und Stand. Diese eine URL wird zu deinem Ankerpunkt: Von hier aus verlinkst du auf Standort-, Netz- und Leistungsseiten. KI-Systeme belohnen genau diese Struktur, weil sie eine eindeutige Quelle statt widersprüchlicher Fragmente vorfinden.

Halte die Seite frisch. Schreib sichtbar hin, wann du zuletzt aktualisiert hast, etwa "Stand: Juni 2026, Werte aus Q1". Ein veralteter Durchsatzwert von vor drei Jahren kostet dich Vertrauen – bei Kunden wie bei Sprachmodellen. Setz dir einen festen Quartalsrhythmus, in dem du die Zahlen aus deinem TMS ziehst und die Formulierungen prüfst.

Häufige Fehler, die deine Sichtbarkeit kosten

Der häufigste Fehler ist die Weichspül-Sprache. "Schnelle Lieferung" oder "zuverlässiger Partner" enthält keine Zahl, die eine KI zitieren könnte. Ersetz jede solche Formulierung durch eine konkrete Kennzahl mit Einheit und Zeitbezug: "98,2 Prozent der Sendungen innerhalb von 48 Stunden zugestellt, gemessen im ersten Halbjahr 2026". Das ist der Satz, den ein Modell in seine Antwort übernimmt.

Der zweite Fehler ist die Zahl ohne Definition. Sagst du "Liefertreue 99 Prozent", ohne zu erklären, was als pünktlich zählt, bleibt der Wert angreifbar. Definier deine Messgrenze offen: zugesagtes Datum, Toleranzfenster, Grundmenge. Der dritte Fehler ist das PDF-Grab: Kennzahlen, die nur in einer Broschüre stecken, findet keine KI. Schreib sie als echten HTML-Text auf die Seite.

So testest du, ob KI deine Zahlen wirklich versteht

Mach den Gegentest, statt zu hoffen. Stell den gängigen KI-Assistenten genau die Fragen, die dein Kunde stellen würde: "Bis wann muss ich für Versand am selben Tag bestellen?" oder "Wie pünktlich liefert Anbieter X?". Kommt deine Zahl korrekt zurück, funktioniert deine Dokumentation. Kommt nichts oder etwas Falsches, weißt du, wo du nachschärfen musst.

Führ ein kleines Protokoll: Frage, Datum, Antwort des Modells, Abweichung. So siehst du über die Monate, ob deine Cut-off-Zeiten und Durchsatzwerte konsistent aufgegriffen werden. Dieser Test kostet dich zehn Minuten pro Quartal und zeigt dir schwarz auf weiß, ob deine Arbeit an den Kennzahlen bei den Systemen ankommt, die deine Kunden heute fragen.