Liefertermine prognostizieren: KI für verlässliche Planung

Wer im produzierenden Mittelstand arbeitet, kennt das Problem: Der Lieferant meldet einen Termin, Sie planen Ihre Fertigung darauf, und zwei Tage vorher kommt die Mail, dass sich alles um drei Wochen verschiebt. Ihre eigene Zusage an den Kunden wird zur Makulatur, die Montage steht still, und Sie müssen erklären, was Sie selbst nicht kontrollieren können.

Die meisten Unternehmen reagieren darauf mit Puffer: Sie bestellen früher, lagern mehr Material, verlängern Ihre eigenen Lieferfristen gegenüber Kunden. Das kostet Kapital, Fläche und Wettbewerbsfähigkeit. Andere setzen auf manuelle Nachverfolgung: Der Einkauf telefoniert wöchentlich alle kritischen Bestellungen durch, prüft Portale, pflegt Excel-Listen. Das bindet Zeit, skaliert nicht und bleibt trotzdem reaktiv.

Dieser Artikel zeigt, wie Sie mit KI-gestützter Prognose Liefertermine realistischer einschätzen, Verzug früher erkennen und Ihre Produktions- und Vertriebsplanung auf verlässlichere Daten stützen. Wir sprechen von Zeitreihenmodellen, Lieferanten-Scoring und automatisierter Warnung, wenn ein Termin zu kippen droht.

Warum klassische Terminplanung im Einkauf zu spät reagiert

In vielen ERP-Systemen steht zu jeder Bestellung ein Liefertermin. Dieser Termin stammt vom Lieferanten, wird manuell eingetragen oder aus dem Portal übernommen und bleibt dort stehen, bis eine Mahnung oder eine neue Versandmeldung eintrifft. Ob der Termin realistisch ist, erfährt man oft erst, wenn er verstrichen ist.

Das Problem: Sie können nicht jede Bestellung täglich prüfen. Bei 200 offenen Positionen und fünf Lieferanten pro Woche fehlt die Kapazität für proaktives Monitoring. Also konzentriert sich der Einkauf auf die kritischen zehn Prozent, und der Rest läuft auf Sicht.

Eine KI-gestützte Prognose dreht das um: Sie bewertet alle Bestellungen kontinuierlich, vergleicht historische Liefertreue, aktuelle Auftragslage, Saison, Vorlaufzeiten und externe Signale wie Feiertage oder Transportengpässe. Daraus entsteht ein prognostizierter Liefertermin, der realistischer ist als die Zusage im PDF.

Was Liefertermin-Prognose mit KI konkret bedeutet

Eine Liefertermin-Prognose analysiert historische Bestell- und Lieferdaten, um für jede offene Bestellung ein wahrscheinliches Eingangsdatum zu berechnen. Das Modell lernt, welche Lieferanten typischerweise pünktlich sind, welche Artikelgruppen länger brauchen, und wie sich externe Faktoren wie Jahreszeit oder Auftragsgröße auswirken.

Technisch läuft das über ein Zeitreihenmodell oder ein Klassifikationsmodell, das für jede Bestellung mehrere Merkmale auswertet:

• Historische Liefertreue des Lieferanten (Median-Verzug, Standardabweichung)
• Artikelgruppe und Vorlaufzeit laut Stammdaten
• Bestellmenge und Auftragswert
• Saisonalität (z. B. Engpässe vor Sommerferien oder Jahresende)
• Aktuelle Auslastung des Lieferanten (wenn verfügbar)
• Transportweg und typische Durchlaufzeit

Das Ergebnis ist eine Wahrscheinlichkeitsverteilung: “Lieferung am 10. April zu 60 Prozent, am 15. April zu 85 Prozent, am 20. April zu 95 Prozent.” Daraus ziehen Sie den Termin, den Sie für Ihre Planung verwenden, und markieren alle Bestellungen, bei denen die Abweichung vom Lieferanten-Termin kritisch ist.

So setzen Sie Liefertermin-Prognose im Mittelstand auf

Schritt 1: Historische Daten exportieren

Laden Sie aus Ihrem ERP alle Bestellungen der letzten 24 bis 36 Monate: Bestelldatum, Lieferanten-ID, Artikelnummer, zugesagter Termin, tatsächliches Eingangsdatum, Menge, Wert. Ergänzen Sie Stammdaten wie Warengruppe, Lieferantenland, Transportart.

Schritt 2: Lieferanten-Scoring berechnen

Gruppieren Sie nach Lieferant und berechnen Sie für jeden die Termintreue: Durchschnittlicher Verzug in Tagen, Anteil pünktlicher Lieferungen (innerhalb von plus/minus zwei Tagen), maximaler Verzug im letzten Jahr. Das ergibt ein einfaches Lieferanten-Scoring, das Sie später als Feature ins Modell einspeisen.

Schritt 3: Modell trainieren

Nutzen Sie eine Zeitreihen-Bibliothek wie Prophet (Meta), statsmodels oder ein Gradient-Boosting-Modell (LightGBM, XGBoost), um den tatsächlichen Liefertermin vorherzusagen. Splitten Sie die Daten in Training (bis vor sechs Monate) und Test (letzte sechs Monate), um die Prognosequalität zu validieren. Ein mittlerer absoluter Fehler (MAE) von drei bis fünf Tagen ist für viele mittelständische Szenarien bereits wertvoll.

Schritt 4: Pipeline automatisieren

Richten Sie einen nächtlichen Workflow ein (n8n, Make oder Python-Skript), der alle offenen Bestellungen aus dem ERP lädt, für jede Position den prognostizierten Termin berechnet und die Abweichung zum Lieferanten-Termin in ein Monitoring-Dashboard schreibt. Markieren Sie alle Positionen mit Abweichung größer fünf Tage als “kritisch”.

Schritt 5: Eskalation und Warnung

Wenn eine kritische Position erkannt wird, löst die Pipeline eine Mail an den zuständigen Einkäufer aus: “Bestellung 12345 bei Lieferant XY: Zusage 10. April, Prognose 18. April. Bitte prüfen.” Der Einkauf kann dann proaktiv nachfassen, bevor der Termin verstreicht.

Schritt 6: Feedback-Loop

Sobald Ware eingeht, aktualisiert das ERP das tatsächliche Datum. Die Pipeline schreibt Ist-Termin und prognostizierten Termin in eine Validierungstabelle. Einmal pro Quartal trainieren Sie das Modell neu, um Drift zu vermeiden und neue Lieferanten oder Warengruppen einzubeziehen.

Welche Ergebnisse realistisch sind

Ein mittelständischer Maschinenbauer mit 180 aktiven Lieferanten und 1.200 offenen Bestellpositionen hat nach vier Monaten Pilotbetrieb folgende Kennzahlen erreicht:

• MAE der Prognose: 4,2 Tage (vorher keine quantitative Vorhersage)
• Anteil korrekt identifizierter Verzüge (über fünf Tage): 78 Prozent
• Durchschnittliche Vorlaufzeit der Warnung: 9 Tage vor ursprünglichem Termin
• Reduktion ungeplanter Produktionsstillstände: 30 Prozent im ersten Halbjahr

Ein anderes Unternehmen, Zulieferer in der Elektroindustrie, nutzt die Prognose, um Kunden frühzeitig über Verzug zu informieren. Statt zu warten, bis die eigene Lieferfrist platzt, meldet der Vertrieb proaktiv Verschiebungen. Das verbessert die Kundenbindung und reduziert Eskalationen um etwa 40 Prozent.

Die Modelle sind nicht perfekt: Unvorhergesehene Ereignisse (Streik, Insolvenz, Naturkatastrophe) können nicht antizipiert werden. Aber die Trefferquote bei normalen Schwankungen liegt deutlich über dem, was manuelle Einschätzung oder statische Puffer leisten.

Was typischerweise nicht funktioniert

Zu wenige Daten: Wenn Sie pro Lieferant nur fünf Bestellungen im Jahr haben, reicht die Datenbasis für statistisch belastbare Prognosen nicht. Dann hilft nur ein einfacheres Modell (z. B. Median-Verzug pro Lieferant) oder die Aggregation auf Warengruppen-Ebene.

Schlechte Stammdaten: Wenn Lieferanten-IDs nicht konsistent sind oder Artikelgruppen nicht gepflegt werden, lernt das Modell falsche Muster. Data Governance ist Voraussetzung, keine Option.

Fehlende Eskalation: Eine Prognose allein ändert nichts. Wenn die Warnungen in einem Dashboard versacken und niemand reagiert, bleibt der Verzug bestehen. Sie brauchen klare Zuständigkeit und Prozesse im Einkauf.

Überoptimierung: Manche Unternehmen versuchen, jede Schwankung zu modellieren und bauen komplexe neuronale Netze. Das erhöht die Wartungslast, ohne den Nutzen zu steigern. Ein einfaches Gradient-Boosting-Modell mit zehn Features reicht oft aus.

Was Sie jetzt tun sollten

Wenn Ihre Produktionsplanung regelmäßig durch Lieferverzug durcheinandergewirbelt wird und Sie mehr als 50 Bestellungen pro Monat haben, lohnt sich Liefertermin-Prognose. Starten Sie mit einem Piloten: Exportieren Sie Ihre Bestell- und Lieferdaten der letzten zwei Jahre, berechnen Sie ein einfaches Lieferanten-Scoring und trainieren Sie ein erstes Modell für die zehn wichtigsten Lieferanten.

Wenn Sie das Thema strukturiert angehen wollen, sprechen Sie uns an.

Sprechen Sie mit uns

Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.

Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.