Ausgangslage: Wenn Erfahrungswerte zur Last werden

Der Kunde, ein mittelständischer Maschinenbauer mit 120 Mitarbeitern in der DACH-Region, produzierte hochkomplexe Sondermaschinen für die Automobilindustrie. In diesem Markt sind Lieferketten durch volatile Rohstoffpreise und lange Vorlaufzeiten extrem instabil. Die manuelle Planung stützte sich traditionell auf Excel-Modelle und den Erfahrungswert der Einkäufer. Dies führte zu einer doppelten Problematik: Einerseits wurden kritische Komponenten überbestockt, um Lieferausfälle zu vermeiden. Andererseits blockierte das gebundene Kapital die Liquidität des Unternehmens erheblich.

Die IT-Abteilung war zusätzlich überlastet, da sie täglich manuelle Datenabgleiche zwischen dem ERP-System und verschiedenen Lieferantenportalen durchführen musste. Die Reaktionszeit auf Marktänderungen dauerte im Schnitt fünf bis sieben Tage – in einem Umfeld, das Agilität verlangt, ein kritischer Nachteil. Die Abhängigkeit von manueller Eingabe führte zudem zu Inkonsistenzen in den Bestandsdaten, was die Planungssicherheit weiter untergrub.

Herausforderungen: Mehr als nur Technik

Die Einführung einer KI-gestützten Lösung war mit spezifischen Hürden verbunden, die über reine technische Integration hinausgingen:

  1. Datenqualität und -heterogenität: Die historischen Bestelldaten waren über verschiedene Systeme verteilt und wiesen Lücken sowie inkonsistente Formate auf. Eine saubere Aufbereitung war zwingend erforderlich, um verlässliche Prognosen zu ermöglichen.
  2. Akzeptanz im Fachbereich: Das Einkaufsteam hatte jahrelang Erfahrung in der manuellen Disposition gesammelt und war anfänglich skeptisch gegenüber „schwarzen Kästen“. Die Überzeugung der Fachabteilung, dass die KI eine Ergänzung und kein Ersatz ist, war entscheidend.
  3. Integration in bestehende Workflows: Die neuen Prognosen mussten nahtlos in die bestehenden Einkaufsprozesse des ERP-Systems übergehen, ohne dass die Mitarbeiter ihre gewohnten Abläufe vollständig umstellen mussten.

Der Tech-Stack

Für die Umsetzung wurde ein schlanker, auf Integration optimierter Stack gewählt:

  • SAP S/4HANA: Bestehendes ERP-System als Quelle für Stammdaten und Bestandsinformationen.
  • Apache Airflow: Orchestrierung der Datenpipelines und Scheduling der täglichen Prognosejobs.
  • Prophet (Meta): Zeitreihen-Modell für die Prognosegenerierung, bekannt für seine Robustheit gegenüber Ausreißern und Fähigkeit, Saisonalität zu modellieren.
  • PostgreSQL: Operationaler Datenstore für die Prognoseergebnisse und Metadaten.
  • Grafana: Visualisierung der Prognosegenauigkeit und Betriebskennzahlen für das Management und das Einkaufsteam.

Umsetzung: Von der Datenbasis zur Automatisierung

Wir implementierten eine KI-gestützte Prognoseplattform, die direkt mit dem bestehenden ERP-System integriert wurde. Der Fokus lag auf der Automatisierung der Datenpipelines und der Echtzeit-Analyse, um die Reaktionszeit von Tagen auf Minuten zu verkürzen.

Projektverlauf in 5 Phasen: Datenbereinigung und Integration in Data Lake, Training des Prophet-Modells auf 10 Jahren Daten, Pilotbetrieb mit paralleler manueller Planung …

Die technische Architektur bestand aus drei Kernkomponenten. Erstens die Datenintegration: Eine Middleware synchronisierte historische Bestelldaten, saisonale Faktoren und externe Marktdaten (wie Rohstoffindices) in einer zentralen Data Lakehouse-Infrastruktur. Zweitens das KI-Modell: Ein Machine-Learning-Algorithmus (Prophet-Modell) lernte aus 10 Jahren Bestelldaten und generierte tagesgenaue Prognosen für die nächsten 90 Tage. Drittens die Automatisierung: Workflow-Automationen erstellten automatisch Einkaufsbestellungen, sobald der prognostizierte Bestand unter einen definierten Schwellenwert fiel.

Die Implementierung erfolgte in drei Phasen über 12 Wochen. Phase 1 (Wochen 1-4) diente der Datenbereinigung und der Etablierung der Pipeline. Phase 2 (Wochen 5-8) umfasste das Training des Modells und die Validierung der Algorithmen. Phase 3 (Wochen 9-12) war der Pilotbetrieb, in dem die KI-Prognosen parallel zur manuellen Planung berechnet wurden, um die Genauigkeit im realen Betrieb zu vergleichen.

Wie wir die Zahlen messen

Um die Wirksamkeit der Lösung objektiv zu belegen, haben wir einen klaren Messrahmen definiert, der bereits vor dem Go-Live festgelegt wurde. Die Prognosegenauigkeit wurde mittels des Mean Absolute Percentage Error (MAPE) berechnet, wobei die Prognosewerte gegen die tatsächlich abgerufenen Mengen verglichen wurden. Ein MAPE von 62 % vor der Implementierung bedeutet, dass die Abweichung im Durchschnitt 62 % betrug.

Die Bestandskosten wurden über die durchschnittlichen Lagerbestände multipliziert mit den kalkulierten Selbstkosten der Komponenten ermittelt. Durch den Vergleich der Monatsmittel vor und nach dem Rollout konnten wir die Kostenreduktion isoliert von allgemeinen Preisentwicklungen messen. Der manuelle Aufwand wurde durch Time-Tracking der Einkäufer und Disponenten erhoben, wobei die Zeit für Datenpflege, Abgleiche und manuelle Berechnungen separat erfasst wurde. Diese Daten flossen in die Berechnung der Effizienzsteigerung ein.

Ergebnis: Messbarer Nutzen in sechs Monaten

Nach dem Rollout in der gesamten Produktion zeigte das KI-System eine deutlich höhere Präzision als die manuellen Methoden. Die Planungssicherheit stieg messbar an, während die operativen Kosten sanken. Die wichtigsten Kennzahlen nach sechs Monaten Betrieb verdeutlichen den Erfolg:

  • Bestandskosten: Reduktion um 18 % durch optimierte Bestellmengen und geringere Überbestände.
  • Prognosegenauigkeit: Steigerung von 62 % auf 84 % (MAPE-Wert), was eine signifikant geringere Abweichung zwischen Prognose und Realität bedeutet.
  • Planungszeit: Senkung des manuellen Aufwands für Einkäufer und Disponenten um 40 %, da Routineaufgaben automatisiert wurden.
  • Lieferverzug: Rückgang der Lieferausfälle um 25 % durch präzisere Timing-Kontrolle und frühzeitige Warnungen bei Engpässen.

Entwicklung der Prognosegenauigkeit: Vorher-Nachher-Vergleich der Kennzahlen in %

Die IT-Abteilung konnte sich auf strategische Projekte konzentrieren, da die Routineaufgaben der Datenpflege und Bestandskontrolle vollständig automatisiert wurden. Das Einkaufsteam berichtete, dass sie sich nun auf strategische Lieferantenentwicklung konzentrieren konnten, anstatt täglich im Excel-Zahlenrauschen zu ertrinken.

Was wir heute anders machen würden

Rückblickend identifizieren wir zwei Punkte, die wir in ähnlichen Projekten optimieren würden:

  1. Frühere Einbindung der Fachabteilung in die Modellvalidierung: In Phase 2 hätten wir die Einkäufer früher in die Bewertung der Modellausgaben einbinden sollen. Dies hätte die Akzeptanz in der Pilotphase (Phase 3) beschleunigt, da die Fachleute die Logik hinter den Prognosen bereits verstanden und Vertrauen gefasst hätten.
  2. Granularität der externen Datenquellen: Die Integration von Rohstoffindices war ein guter Start, aber heute würden wir noch detailliertere externe Signale (z. B. Logistik-KPIs oder regionale Nachfragesignale) in das Modell integrieren, um die Reaktionszeit auf plötzliche Marktschwankungen weiter zu verkürzen.

Learnings: Kontinuierliche Verbesserung statt Statische Lösung

Der Erfolg des Projekts beruhte nicht nur auf der Technologie, sondern auf der Qualität der Eingangsdaten. Eine saubere Datenbasis ist der entscheidende Faktor für die Genauigkeit der Prognosen. Ohne die aufwendige Phase 1 (Datenbereinigung) wäre das Modell unbrauchbar gewesen.

Zwei zentrale Erkenntnisse aus der Zusammenarbeit bleiben hängen: Erstens, Change Management ist technisch so wichtig wie der Algorithmus selbst. Regelmäßige Workshops und transparente Dashboards haben das Vertrauen in die KI-Modelle gestärkt und die Widerstände im Team abgebaut. Zweitens, iterative Optimierung ist zwingend. Das Modell wird monatlich neu trainiert, um sich an veränderte Marktbedingungen anzupassen. Eine statische Lösung wäre nach wenigen Monaten ungenau geworden.

Die Automatisierung der Liefervorhersage ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess der Verbesserung. Unternehmen, die diese Methode anwenden, gewinnen nicht nur an Effizienz, sondern auch an strategischer Resilienz in unsicheren Lieferketten.

Passend dazu