Der Engpass: Wenn 45 Minuten pro Lieferschein das Geschäft bremsen
Der mittelständische Logistik-Dienstleister aus Baden-Württemberg, ein Unternehmen mit 85 Mitarbeitern, stand vor einem klassischen, aber kritischen Problem: Das Wachstum der Auftragslage übertraf die manuellen Kapazitäten der Disposition. Der Kern des Problems lag in der Lieferscheinerstellung. Jeder einzelne Vorgang erforderte 45 Minuten manueller Arbeit. Die Disponenten mussten Daten aus drei verschiedenen Systemen händisch abgreifen, prüfen und in SAP übertragen. Diese reiche, fehleranfällige Tätigkeit führte nicht nur zu erheblichen Engpässen in der Auftragsabwicklung, sondern auch zu einer hohen Fehlerquote bei der Adressierung, die zu Rückläufern und Kundenreklamationen führte.
Die IT-Abteilung war überlastet und konnte die wachsende Nachfrage nach schnellerer Datenverarbeitung nicht mehr zeitnah unterstützen. Es war klar: Ohne strukturelle Veränderung war das weitere Wachstum des Unternehmens gefährdet. Die Frage war nicht, ob automatisiert werden muss, sondern wie man das ohne massive Disruption im Tagesgeschäft schafft.
Herausforderungen im Detail
Bevor wir mit der technischen Umsetzung begannen, mussten wir drei spezifische Hürden identifizieren und adressieren, die in vielen ähnlichen Projekten zu frühen Abbrüchen führen:
- Heterogene Datenquellen: Die Auftragsdaten stammten aus einem TMS (Transport Management System), einem CRM und internen Excel-Listen. Die Datenformate waren inkonsistent, und es gab keine zentrale Validierungslogik.
- SAP-Integration ohne API-Dokumentation: Die bestehende SAP-Landschaft war ein Legacy-System mit eingeschränkter API-Dokumentation. Die Anbindung musste daher extrem robust und fehlertolerant gestaltet werden, um keine produktiven Prozesse zu blockieren.
- Akzeptanz im Fachbereich: Die Disponenten waren skeptisch, ob ein Roboter die komplexen Sonderfälle (z. B. Teillieferungen, Adressabweichungen) korrekt behandeln konnte. Es galt, Vertrauen durch Transparenz und eine klare Fehlerbehandlung zu schaffen.
Wie wir die Zahlen messen
Um den Erfolg objektiv zu belegen und nicht auf Bauchgefühle zu setzen, haben wir ein striktes Messprotokoll etabliert, das parallel zur Implementierung lief:
- Zeitmessung: Wir haben die manuelle Bearbeitungszeit vor dem Projekt über zwei Wochen per Stoppuhr und Log-Protokollen gemessen (Durchschnitt: 45 Min). Nach der Implementierung wurde die Zeit von der Auftragseingangsbestätigung bis zur finalen Freigabe in SAP gemessen.
- Fehlerquoten: Wir definierten „Fehler“ als Adressabweichungen oder falsche Artikelbelege, die zu einer manuellen Korrektur oder einem Rücklauf führten. Diese Daten wurden aus den Retouren-Reports und den SAP-Änderungsprotokollen extrahiert.
- Durchsatz: Wir verglichen die Anzahl der abgewickelten Lieferscheine pro Disponent pro Tag im Vorher-Nachher-Vergleich, normalisiert auf die Auftragskomplexität.
Diese Methodik stellt sicher, dass die genannten Kennzahlen (4 Min, < 0,1 % Fehler, +40 % Durchsatz) reproduzierbar und auditierbar sind.
Der Tech-Stack
Für die Lösung haben wir einen schlanken, aber robusten Stack gewählt, der sich in die bestehende Infrastruktur einfügt, ohne teure Neuanschaffungen zu erfordern:
- UiPath: Als RPA-Plattform für die Entwicklung und den Betrieb des Bots, dank seiner starken SAP-Integrationen.
- SAP IDoc/BAPI: Zur sicheren, asynchronen Datenübertragung in die SAP-Landschaft, um keine Performance-Einbußen im Kernsystem zu verursachen.
- Power BI: Zur Echtzeit-Visualisierung der Bot-Auslastung und Fehlerquoten für das Management und die Disposition.
- Microsoft Azure App Service: Als Hostingsumgebung für die Orchestrierung und die Überwachung der Roboter, um Hochverfügbarkeit zu gewährleisten.
Umsetzung: Vom Prozess zum Roboter
Die Implementierung erfolgte in drei klar definierten Phasen, die insgesamt fünf Wochen in Anspruch nahmen. Der Fokus lag dabei nicht nur auf der Geschwindigkeit, sondern auf der Stabilität der Validierungslogik.
Phase 1: Prozessanalyse und Logik-Definition (Woche 1-2) Wir starteten mit einer detaillierten Prozessanalyse. Gemeinsam mit den Disponenten haben wir alle Varianten der Lieferscheinerstellung kartiert. Das Ziel war es, die manuelle „Intelligenz“ der Mitarbeiter in klare, maschinenlesbare Regeln zu übersetzen. Wir definierten, welche Daten aus dem TMS gelesen werden müssen, wie sie gegen die SAP-Datenbasis validiert werden (z. B. Kundennummer, Artikelnummer, Mengeneinheit) und welche Abweichungen automatisch abgelehnt werden müssen. Diese Phase war entscheidend, da sie die Basis für den Bot bildete.
Phase 2: Entwicklung und Anbindung (Woche 3-4) Parallel zur finalen Validierung der Regeln entwickelten wir den RPA-Bot. Der Bot liest die Auftragsdaten aus dem TMS aus, führt die Validierung durch und erzeugt einen strukturierten Datensaatz. Über die SAP-API (BAPI) wird dieser Datensaatz in SAP eingespielt. Hier lag die größte technische Herausforderung: Die Fehlerbehandlung. Wenn die Validierung fehlschlägt (z. B. unbekannter Kunde), muss der Bot den Vorgang nicht abbrechen, sondern in eine „Manuelle Prüfung“-Warteschlange legen und den Disponenten benachrichtigen.
Phase 3: Pilotbetrieb und Feinjustierung (Woche 5) Wir starteten einen Pilotbetrieb mit 10 % der Aufträge. In dieser Phase lief der Bot parallel zu den manuellen Prozessen. Wir verglichen die Ergebnisse des Bots mit den manuellen Eingaben. Bei Abweichungen wurde die Logik nachjustiert. Dies schloss auch die Feinjustierung der Benachrichtigungen und der Fehlermeldungen an, um die Akzeptanz im Fachbereich zu erhöhen. Nach fünf Tagen ohne kritische Fehler wurde der Rollout auf 100 % der Aufträge vorbereitet.
Ergebnis: 4 Minuten statt 45
Die Automatisierung hat die Bearbeitungszeit pro Lieferschein drastisch reduziert. Statt 45 Minuten dauert die Erstellung nun nur noch 4 Minuten, da die Disponenten nur noch die finale Freigabe erteilen müssen. Der Roboter übernimmt 100 % der Datenerfassung und Validierung.
| Kennzahl | Vorher | Nachher |
|---|---|---|
| Bearbeitungszeit | 45 Minuten | 4 Minuten |
| Manuelle Dateneingaben | 100 % | 0 % |
| Fehlerquote | 3,2 % | < 0,1 % |
Durch die Entlastung des Fachpersonals konnte der Auftragsdurchsatz um 40 % gesteigert werden, ohne dass weiteres Personal eingestellt werden musste. Die Disponenten konnten sich auf die eigentliche Disposition und Kundenkommunikation konzentrieren, statt Zeit mit Datenabgleich zu verbringen. Die Fehlerquote sank von 3,2 % auf unter 0,1 %, was zu einer deutlichen Reduktion von Rückläufen und Kundenreklamationen führte. Die Investition amortisierte sich innerhalb von sechs Monaten durch die eingesparten Personalkosten und die vermiedenen Fehlerkosten.
Learnings und was wir heute anders machen würden
Der Erfolg dieses Projekts basierte auf der klaren Definition der Datenvalidierungslogik bereits in der Analysephase. Eine enge Zusammenarbeit zwischen IT und Logistik war entscheidend, um die SAP-Anbindung stabil zu gestalten. Wichtigste Erkenntnis: RPA ist kein Ersatz für eine gute Prozessdefinition, sondern der Multiplikator für bereits optimierte Abläufe.
Was wir heute anders machen würden, um das Projekt noch effizienter zu gestalten:
- Frühere Einbindung der IT-Security: In der Pilotphase haben wir zu spät die Sicherheitsanforderungen für die SAP-API-Anbindung geprüft. Heute würden wir die Security-Review direkt in Woche 1 einplanen, um potenzielle Blocker bei der Freigabe der Schnittstellen zu vermeiden.
- Detailliertere Fehlerkategorisierung: Im Pilotbetrieb haben wir festgestellt, dass die Fehlermeldungen für die Disponenten zu technisch waren. Heute würden wir in der Entwicklungsphase bereits nutzerfreundliche, kontextbezogene Fehlermeldungen definieren, um die manuelle Nachbearbeitung zu beschleunigen.
- Automatisierte Regressionstests: Wir haben manuelle Tests durchgeführt. Heute würden wir einen automatisierten Test-Case-Suite für die Validierungslogik aufbauen, um bei Änderungen im TMS oder SAP schnell zu erkennen, ob der Bot noch korrekt funktioniert.
Fazit
Dieses Projekt zeigt, dass RPA in der Logistik kein Hype ist, sondern ein konkretes Werkzeug zur Bewältigung von Skalierungsproblemen. Durch die Kombination aus klarer Prozessdefinition, robustem Tech-Stack und enger Zusammenarbeit zwischen Fachbereich und IT konnte ein mittelständischer Dienstleister seine Kernprozesse fundamental verbessern. Die Ergebnisse – 91 % weniger manuelle Arbeitszeit, nahezu fehlerfreie Prozesse und 40 % mehr Durchsatz – belegen, dass Automatisierung nicht nur Kosten senkt, sondern auch die Wettbewerbsfähigkeit und Kundenzufriedenheit direkt steigert.