Wiederbeschaffungszeiten Weniger Überraschungen dank KI

Anbieter zum Thema

INFORM GmbH

PSI Software SE | Business Unit Discrete Manufacturing

becos gmbH

Wiederbeschaffungszeiten gelten in der Produktionsplanung oft als feste Größen. Doch in der Realität schwanken sie je nach Lieferant, Auslastung und Bestellsituation erheblich. KI kann diese Dynamik sichtbar machen und aus vergangenen Bestell- und Lieferdaten realistischere Prognosen ableiten, sodass Planung und Termine belastbarer werden.

Eine Planung folgt meist einem einfachen Prinzip. Man versucht, aus Erfahrungen und Daten die Zukunft so gut einzuschätzen, dass sich Entscheidungen treffen lassen. Dafür arbeitet man mit festen Annahmen, die als Orientierung dienen. In der Produktionsplanung im Maschinen- und Anlagenbau sind das beispielsweise Stücklisten, Arbeitspläne, Kapazitäten oder Rüstzeiten. Das funktioniert in der Praxis, solange diese Größen die Realität halbwegs treffen. Genau da wird es knifflig. Manche Planungswerte wirken stabil, sind im Alltag jedoch deutlich beweglicher. Das gilt besonders für Zukaufteile. Denn zwischen Bestellung und Wareneingang liegen nicht nur Transport und Fertigung beim Lieferanten, sondern auch dessen Auslastung, mögliche Materialengpässe, Priorisierungen, Feiertage oder andere Besonderheiten. So können zwei formal identische Teile je nach Woche deutlich unterschiedliche Lieferzeiten haben. Und natürlich hält sich die Realität dabei nicht immer an das, was im System schön hinterlegt ist.

Statische Wiederbeschaffungszeiten als Planungsfalle 

„Trotzdem werden Wiederbeschaffungszeiten in vielen Unternehmen noch wie ein Fixwert behandelt“, gibt Stipo Nad, Head of Sales Produktion bei Inform, zu bedenken. „Im ERP-System stehen sie oft als feste Zahl. Einmal hinterlegt, ab und zu angepasst, aber im Tagesgeschäft nicht konsequent nachgezogen. Und wenn es Abweichungen gibt, passiert meist das, was schnell hilft. Es wird disponiert, umgeplant und eskaliert“, so der KI-Experte. Die Planung rechnet also mit einem Wert, der im Grunde ein Durchschnitt aus vielen Fällen ist, während die Realität längst in Varianten auseinanderläuft. Später kippt der Plan, weil Lieferungen abweichen, oder es werden Puffer aufgebaut. Beides hat seinen Preis. Gerade im Maschinen- und Anlagenbau reicht oft ein fehlendes Zukaufteil, um eine Baugruppe auszubremsen. Die Risiken werden häufig erst sichtbar, wenn die Fertigung schon reagiert, anstatt dass man früh genug gegensteuern kann.

Datenbasierte Prognose vom KI-Modell

An dieser Stelle kommt KI ins Spiel. Wenn die Wiederbeschaffungszeiten in der Praxis schwanken, stellt sich die Frage, ob sich aus den eigenen Daten nicht Muster ableiten lassen, die diese Schwankungen erklären und für die nächste Planung nutzbar machen. Statt eine Lieferzeit als statisch hinterlegten Wert zu verwalten, prognostiziert ein KI-Modell sie datenbasiert und aktualisiert die Werte regelmäßig, sobald neue Bestell- und Lieferdaten vorliegen. Dabei ist der Kontext entscheidend. Ein Teil hat nicht einfach eine Wiederbeschaffungszeit, sondern eine Wiederbeschaffungszeit unter bestimmten Bedingungen. Dazu gehören beispielsweise Lieferant, Losgröße, Bestellrhythmus, gewünschter Liefertermin oder Abweichungen zwischen bestätigtem und tatsächlichem Termin. Oft kommen auch interne Zeiten hinzu, zum Beispiel Wareneingang und Prüfung, da am Ende nicht das Ankunftsdatum, sondern die tatsächliche Verfügbarkeit im Prozess zählt.

Lieferzeiten verstehen statt schätzen 

„Machine Learning kann solche Einflussfaktoren gleichzeitig berücksichtigen und daraus Prognosen ableiten, die näher an der Realität liegen als ein pauschaler Mittelwert“, erklärt Nad. „Und es kann genau dort differenzieren, wo es in der Praxis weh tut. Bei manchen Lieferanten ist die Streuung gering, bei anderen groß. Manche Teile laufen stabil, andere hängen sichtbar von der Auslastung oder Priorisierung ab. Klassische Stammdaten bilden diese Unterschiede kaum ab. Ein lernendes Modell kann sie dagegen erkennen und in eine belastbare Wiederbeschaffungszeit übersetzen.“

Was die KI nicht tut

Wichtig ist dabei auch, was KI nicht tut. Sie ersetzt nicht die Disposition und sie nimmt niemandem Entscheidungen ab. Sie liefert vor allem ein besseres Bild davon, wie wahrscheinlich bestimmte Laufzeiten sind. Das ist für die Planung Gold wert, da Abweichungen so früher sichtbar werden. Sobald Wiederbeschaffungszeiten nicht mehr als Fixwert betrachtet werden, verändert sich auch die Art der Planung. Denn in der Praxis ist nicht nur die Frage spannend, wie lange ein Teil „im Schnitt“ braucht. Viel hilfreicher ist es, zu wissen, in welchem Bereich sich die Lieferzeit typischerweise bewegt. Eine einzelne Zahl wirkt zwar eindeutig, sie unterschlägt aber genau die Unsicherheit, die später den Plan ins Rutschen bringen kann.

Kontext statt Fixwert

Schauen wir uns das an einem Beispiel an. Für eine Baugruppe fehlt ein kritisches Zukaufteil. Im System steht eine Wiederbeschaffungszeit von 15 Tagen. Das passt meistens, sagt die Historie. Nur ist „meistens“ in der Planung kein besonders belastbarer Zustand. Schaut man genauer hin, zeigt sich oft ein Muster. Bei kleinen Bestellmengen und normaler Auslastung liegt die tatsächliche Lieferzeit eher bei zehn bis zwölf Tagen. Fällt die Bestellung größer aus oder in bestimmte Kalenderwochen, rutscht sie regelmäßig auf 18 bis 22 Tage. Der Fixwert im ERP-System bildet dies nur ungenau ab. Er ist ein Durchschnitt, der in beiden Richtungen danebenliegen kann. Eine KI-basierte Prognose differenziert genau an dieser Stelle. Sie nutzt vergangene Bestellungen und Lieferungen und erkennt, dass der Kontext den Unterschied macht. Für die aktuelle Bestellung kann sie deshalb eine realistischere Erwartung liefern, nämlich dass unter den aktuellen Bedingungen eher mit 19 Tagen zu rechnen ist. „Das ist immer noch keine Garantie, aber es ist ein deutlich besserer Hinweis als eine Zahl, die aus ganz unterschiedlichen Fällen zusammengewürfelt wurde“, stellt KI-Experte Nad klar.

Nicht perfekt, aber besser planbar

In der Praxis lassen sich so Schätzfehler bei Wiederbeschaffungszeiten um bis zu 42 Prozent reduzieren und Termine werden spürbar belastbarer. Puffer können gezielter gesetzt werden, anstatt pauschal überall Sicherheit draufzuschlagen. Bei kritischen Teilen plant man bewusst konservativer, bei stabilen dagegen schlanker. Das wirkt sich schnell positiv aus. Weniger Überraschungen, weniger Umplanungen und weniger ad hoc Maßnahmen. Wenn Abweichungen früher sichtbar werden, kann man eher gegensteuern. KI macht Wiederbeschaffungszeiten somit nicht perfekt, aber besser planbar. Und das reicht oft schon aus, damit Terminpläne auch dann noch halten, wenn die Realität nicht zu den Stammdaten passt.

Markus Günther ist Chief Operating Officer Produktion bei Inform.