Warum sollte eine Prognose für Engpässe und Materialbedarf nicht einfach automatisch in die Planung durchgereicht werden? Weil die Arbeitsvorbereitung Zusammenhänge kennt, die in keiner historischen Datenreihe stehen, und weil Vertrauen in ein Modell sich erst über Wochen aufbaut, nicht am ersten Tag. Eine Prognose, die diese beiden Punkte ignoriert, wird im besten Fall ignoriert und im schlechtesten Fall blind übernommen.
Reaktive Planung ist in der Produktion der Normalfall: Ein Engpass wird sichtbar, wenn der Liefertermin bereits gefährdet ist, nicht vorher. Die Daten, um ihn früher zu erkennen, liegen in den meisten Betrieben längst vor, nur eben getrennt in Auftragssystem, Materialwirtschaft und Schichtplanung, ohne dass jemand sie zusammengeführt hätte.
Das eigentliche Problem ist nicht die Vorhersage, sondern ihr Status
Ein Modell, das Auslastung und Materialbedarf vorhersagt, ist technisch heute machbar. Der Teil, der über Erfolg oder Ablehnung entscheidet, ist eine organisatorische Frage: Welchen Status hat diese Vorhersage im Planungsprozess? Läuft sie als automatische Buchung durch, oder als Vorschlag, den ein Mensch noch sieht, bevor etwas passiert?
Diese Frage wird zu oft technisch beantwortet, nach dem, was möglich ist, statt organisatorisch, nach dem, was Vertrauen verdient hat. Ein Modell, das am ersten Tag automatisch entscheidet, bekommt nie die Chance, sich erst zu bewähren.
Erstens: Daten zusammenführen, aber auf die Ressourcen begrenzen, die wirklich zählen
Auftragshistorie, Materialbewegungen und Schichtdaten lassen sich zusammenführen, das ist Integrationsarbeit, keine Modellfrage. Der Fehler, der dabei häufig passiert, ist der Versuch, gleich den ganzen Maschinenpark oder das ganze Sortiment zu prognostizieren, statt sich auf die wenigen Engpassressourcen zu konzentrieren, die die Termintreue tatsächlich bestimmen.
In einem anonymisierten Projekt aus unserer Arbeit, einem Serienfertiger mit rund 180 Mitarbeitenden aus Norddeutschland, wurde das Prognosemodell deshalb zunächst nur für drei Engpassressourcen gebaut. Diese Beschränkung beschleunigt nicht nur die Umsetzung, sie macht die Vorhersagen auch leichter nachvollziehbar für die Menschen, die sie am Ende nutzen sollen.
Zweitens: Erst rückrechnen, dann planen lassen
Bevor irgendjemand nach einer neuen Prognose plant, sollte sie sich an der Vergangenheit beweisen. In dem genannten Projekt wurden die Vorhersagen gegen die letzten zwölf Monate rückgerechnet, bevor das Modell in die laufende Planung einbezogen wurde. Erst dieser Schritt zeigt, ob ein Modell die Engpässe erkannt hätte, die tatsächlich eingetreten sind, nicht nur plausible Zahlen produziert.
Diese Rückrechnung ist aufwendiger, als sie klingt, weil vergangene Entscheidungen der Arbeitsvorbereitung die historischen Daten bereits beeinflusst haben. Ein Engpass, der rechtzeitig erkannt und durch Überstunden abgefangen wurde, taucht in den Daten nicht mehr als Engpass auf. Wer das übersieht, überschätzt leicht, wie gut ein Modell wirklich vorhersagt.
Drittens: Das Ergebnis ist ein Planungsvorschlag, keine Automatik
Der wichtigste Entwurfsentscheid in diesem Projekt war, die Vorhersage als Planungsvorschlag auszugeben, nicht als automatische Buchung. Die Entscheidung bleibt in der Arbeitsvorbereitung, die zusätzliches Wissen hat, etwa über einen Kunden, der kurzfristig Mengen verschiebt, oder eine Maschine, die ohnehin für eine Wartung vorgesehen ist. Keines dieser Details steht in historischen Messreihen.
Diese Zurückhaltung ist kein Zeichen von Misstrauen gegenüber der Technik, sondern die Voraussetzung dafür, dass die Arbeitsvorbereitung die Vorschläge überhaupt annimmt. Ein System, das sofort automatisch entscheidet, wird bei der ersten offensichtlich falschen Empfehlung abgeschaltet und bleibt es.
Viertens: Der wöchentliche Abgleich ist der Teil, der Vertrauen aufbaut
Vertrauen in eine Prognose entsteht nicht durch eine gute Präsentation, sondern durch wiederholte Treffer, die sichtbar gemacht werden. In dem Serienfertiger-Projekt lief deshalb ein wöchentlicher Abgleich zwischen Prognose und tatsächlichem Ergebnis, mit dem das Modell laufend nachgezogen wurde.
Dieser Rhythmus ist der Punkt, an dem aus einem Vorschlag, dem niemand traut, nach einigen Wochen eine Empfehlung wird, nach der tatsächlich geplant wird. Am Ende stand bei KIsult für diesen Fall eine um 30 Prozent gestiegene Liefertreue, 40 Prozent weniger Überstunden und 25 Prozent geringere Lagerkosten, weil nicht mehr auf Verdacht bevorratet wurde. Diese Zahlen stammen aus einem einzelnen, anonymisierten Projekt und hängen stark von der eigenen Datenlage ab; sie sind kein Versprechen für jeden Betrieb.
Was Sie an Ihrer eigenen Planung prüfen können
Bevor Sie über ein Prognosemodell sprechen, klären Sie drei Dinge. Welche ein bis drei Ressourcen bestimmen bei Ihnen tatsächlich die Liefertreue, statt dass Sie versuchen, alles gleichzeitig vorherzusagen? Lassen sich Auftrags-, Material- und Schichtdaten bei Ihnen heute schon verknüpfen, oder liegen sie unverbunden in getrennten Systemen? Und wer in der Arbeitsvorbereitung bekäme einen Planungsvorschlag zuerst zu sehen, bevor er wirksam wird?
Fehlt eine dieser Antworten, ist das kein Grund, das Thema aufzuschieben. Es zeigt nur, wo das Projekt zuerst ansetzen muss, bei der Datengrundlage oder bei der Frage, wer am Ende entscheidet. Beide Lücken lassen sich beheben, ohne dass am Anfang schon ein fertiges Modell stehen muss: Die Verknüpfung der Datenquellen und die Klärung der Entscheidungswege sind eigenständige Arbeitsschritte, die sich auch unabhängig von einem konkreten Prognoseprojekt lohnen. Wie wir solche Prognosemodelle technisch integrieren, beschreiben wir unter KI-Software & individuelle Lösungen. Ob sich ein solcher Fall in Ihrem Betrieb überhaupt rechnet, klären wir vorab unter KI-Beratung & Strategie.