Kleine und mittlere Spediteure (KMU-Spediteure) haben im Vergleich zu großen Speditionen eine kleinere Kunden- und damit meist auch Auftragsbasis. Folglich haben sie weniger Möglichkeiten, Touren ad hoc umzuplanen, sollte es im Hauptlauf des kombinierten Straßen- und Schienengüterverkehrs (KV) zu Zugverspätungen kommen. Durch Estimated Time of Arrival- (ETA) Prognosen, deren Prognosequalität zurzeit in Projekten wie "Aeolix" und "KV4.0" erforscht wird, lässt sich die Tourenplanung für den Vor- und Nachlauf des KV dynamisch, d. h. immer dann wenn neue Informationen vorliegen, an die Verspätung des Schienenhauptlaufs anpassen, was zu einer Reduzierung von Wartezeit und -kosten führen kann (Bock, 2010). Bisherige Forschungsarbeiten nehmen jedoch an, dass eine ETA-Prognose nur ein einmalig ermittelter Wert ist, welcher im Zeitablauf nicht weiter angepasst wird (Srour et al., 2016). In der Realität werden ETA-Prognosen jedoch an den tatsächlichen Transportablauf angepasst, um eine möglichst exakte Vorhersage über die erwartete Ankunftszeit zu treffen (RailFreight, 2019). Dabei ist die Prognosegüte der ETA-Prognose abhängig von verschiedenen Faktoren (z. B. Infrastrukturstörungen, Unfälle, Wetter), ändert sich im Zeitverlauf und steigt prinzipiell, je weiter sich der betrachtete Zug dem Zielterminal nähert (Weinke/Poschmann, 2019). Ziel des Forschungsvorhabens Datengetriebene Analyse von ETA-Prognosen“ ist es daher, die Reliabilität einer sich im Zeitablauf verändernden ETA-Prognose zu untersuchen und zu determinieren, wie unter unsicheren und sich verändernden Ankunftszeiten der Vor- und Nachlauf im KV effizient (wann wird umgeplant) und effektiv (welche Touren werden gefahren) gestaltet werden kann. Da sich der Wert der ETA-Prognose und die Streuung des Prognosefehlers im Zeitablauf verändern, ist es für Spediteure nicht ohne weiteres ersichtlich, zu welchem Zeitpunkt sie ggf. umdisponieren sollten.