Produktionsplanung mit KI: Bedarfsprognose statt Bauchgefühl

Das Problem: Planung zwischen Überproduktion und Lieferengpass

In mittelständischen Fertigungsbetrieben läuft die Produktionsplanung häufig nach dem gleichen Muster ab: Der Planer schaut auf die Auftragslage der letzten Wochen, prüft die aktuellen Lagerbestände, spricht mit dem Vertrieb über erwartete Großaufträge und legt dann die Losgrößen fest. Das funktioniert, solange die Nachfrage stabil bleibt und die Vorlaufzeiten sich nicht ändern. Sobald aber ein Kunde kurzfristig eine größere Menge ordert, ein Lieferant Material verzögert liefert oder saisonale Schwankungen einsetzen, wird aus der Planung Improvisation.

Die Folge: Entweder Sie produzieren auf Verdacht und bauen Lagerbestände auf, die Kapital binden und Lagerfläche blockieren. Oder Sie warten die verbindliche Bestellung ab und liefern dann zu spät, weil die Maschinen bereits ausgelastet sind. Beide Varianten kosten Geld und Nerven.

Was eine KI-gestützte Bedarfsprognose leistet

Eine KI-gestützte Bedarfsprognose analysiert historische Auftrags- und Produktionsdaten, erkennt wiederkehrende Muster und berechnet daraus eine Vorhersage für die kommenden Wochen oder Monate. Im Kern handelt es sich um Zeitreihenprognose, ergänzt um externe Faktoren wie Feiertage, Ferienzeiten oder bekannte Großprojekte.

Zeitreihenprognose bedeutet: Die KI betrachtet vergangene Bestellmengen, Produktionszyklen und Lagerreichweiten über einen definierten Zeitraum, zum Beispiel 24 Monate, und extrapoliert daraus zukünftige Bedarfe. Dabei werden saisonale Schwankungen, Trends und Ausreißer berücksichtigt. Anders als bei einer manuellen Planung, die auf Mittelwerten oder Bauchgefühl beruht, wertet die KI mehrere hundert oder tausend Datenpunkte parallel aus.

Das Ergebnis ist eine tagesgenaue Prognose, wie viele Einheiten eines Produkts voraussichtlich benötigt werden. Diese Prognose kann in die Produktionssteuerung einfließen und automatisiert Fertigungsaufträge auslösen, Materialbestellungen anstoßen oder Kapazitätsengpässe frühzeitig anzeigen.

Technische Umsetzung: Pipeline von MES bis ERP

Die Pipeline besteht aus vier Komponenten: Datensammlung, Aufbereitung, Modellberechnung und Rückmeldung ins führende System.

Datensammlung: Die Basis bilden Auftragsdaten aus dem ERP-System, Produktionsdaten aus dem MES (Manufacturing Execution System) und optional Lagerdaten aus dem Warenwirtschaftssystem. Diese Daten werden per API oder nächtlichem Export abgerufen und in eine zentrale Datenbank geschrieben. Typische Felder sind: Auftragsnummer, Artikelnummer, Menge, Auftragsdatum, Liefertermin, Produktionsdatum, Maschinennummer, Lagerbestand.

Aufbereitung: Die Rohdaten liegen selten in der Form vor, die ein Prognosemodell benötigt. Häufig fehlen Werte, Einheiten sind inkonsistent oder Fertigungsaufträge sind noch nicht abgeschlossen. Ein ETL-Prozess (Extract, Transform, Load) bereinigt die Daten, aggregiert sie auf Tagesbasis und ergänzt fehlende Werte durch Interpolation oder Nullsetzung. Zeitstempel werden auf UTC normiert, Artikel ohne Bewegung in den letzten zwölf Monaten können optional gefiltert werden.

Modellberechnung: Für die Prognose kommen Verfahren wie ARIMA, Prophet oder neuronale Netze (LSTM) zum Einsatz. Im Mittelstand hat sich das von Meta entwickelte Prophet-Modell als praktikabel erwiesen, da es saisonale Muster robust erkennt, Feiertage berücksichtigt und auch bei lückenhaften Daten stabile Ergebnisse liefert. Die Berechnung läuft auf einem Server mit mindestens 8 GB RAM und vier CPU-Kernen, bei mehreren hundert Artikeln sollten 16 GB RAM eingeplant werden. Die Rechenzeit für 200 Artikel liegt bei etwa zehn bis 15 Minuten.

Rückmeldung: Die berechnete Prognose wird als Tabelle zurück ins ERP geschrieben oder in ein separates Planungstool importiert. Dort kann der Produktionsplaner die Werte prüfen, bei Bedarf manuell anpassen und Fertigungsaufträge freigeben. Alternativ kann die Pipeline so konfiguriert werden, dass bei Unterschreitung eines definierten Sicherheitsbestands automatisch ein Fertigungsauftrag angelegt wird. Diese Automatisierung sollte schrittweise eingeführt werden, beginnend mit unkritischen C-Artikeln.

Rechenbeispiel: Lagerkosten und Liefertreue

Angenommen, ein Hersteller von Kunststoffbauteilen produziert 150 verschiedene Artikel. Die durchschnittliche Lagerreichweite liegt aktuell bei 45 Tagen, weil der Planer auf Verdacht produziert, um Lieferengpässe zu vermeiden. Der gebundene Lagerwert beträgt 180.000 Euro, die Lagerkosten (Miete, Versicherung, Handling) liegen bei 15 Prozent pro Jahr, also 27.000 Euro jährlich.

Mit einer KI-gestützten Bedarfsprognose sinkt die notwendige Lagerreichweite auf angenommene 25 Tage, weil die Produktion bedarfsgerechter geplant wird. Der gebundene Lagerwert reduziert sich auf 100.000 Euro, die Lagerkosten auf 15.000 Euro. Die Einsparung beträgt 12.000 Euro pro Jahr.

Gleichzeitig steigt die Liefertreue: Angenommen, bisher wurden 85 Prozent aller Aufträge termingerecht ausgeliefert, weil kurzfristige Nachfragespitzen nicht abgedeckt werden konnten. Mit Prognose läge die Quote bei 95 Prozent, weil Engpässe frühzeitig erkannt und durch vorgezogene Produktionslose ausgeglichen werden. Die Entwicklungs- und Implementierungskosten der Pipeline könnten bei 20.000 Euro liegen, die Amortisation läge dann bei unter zwei Jahren.

Diese Zahlen sind Annahmen und hängen stark von der Artikelstruktur, der Auftragsdynamik und der bestehenden IT-Infrastruktur ab.

Was häufig nicht funktioniert

Zu kurze Datenhistorie: Wenn nur sechs Monate Auftragsdaten vorliegen, kann die KI keine saisonalen Muster erkennen. Mindestens 18 Monate, besser 24 Monate sind nötig, um verlässliche Prognosen zu erstellen.

Fehlende Stammdatenqualität: Wenn Artikelnummern wechseln, Umbenennungen nicht dokumentiert sind oder Auftragspositionen händisch korrigiert wurden, ohne dass die Änderung im System nachvollziehbar ist, liefert die KI falsche Ergebnisse. Vor dem Start der Pipeline muss die Stammdatenpflege geprüft und bereinigt werden.

Keine Integration in den Planungsprozess: Wenn die Prognose in einem separaten Excel-Sheet landet und der Planer sie ignoriert, weil er dem Modell nicht traut oder der Aufwand für die Übertragung zu hoch ist, verpufft der Nutzen. Die Rückmeldung muss direkt ins führende System erfolgen und dort als Standard-Planungsgrundlage etabliert werden.

Überoptimierung: Manche Modelle werden so stark auf die Vergangenheit trainiert, dass sie auf neue Muster nicht reagieren. Wenn ein neuer Großkunde hinzukommt oder ein Produktsegment wegfällt, muss das Modell neu trainiert werden. Ein monatliches Retraining ist sinnvoll.

Fazit: Planung wird zur Steuerung

Eine KI-gestützte Bedarfsprognose ersetzt nicht den Produktionsplaner, sondern gibt ihm die Grundlage, um schneller und präziser zu entscheiden. Die Implementierung erfordert saubere Stammdaten, eine stabile Schnittstelle zu MES und ERP und die Bereitschaft, den Planungsprozess schrittweise umzustellen.

Wenn Sie prüfen möchten, ob Ihre Auftragsdaten ausreichen und welche Prognosegenauigkeit realistisch ist, 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.