KI-Ersatzteillager: 40% weniger Bestand, 99% verfügbar

TL;DR

Ersatzteillager im Maschinenbau binden durchschnittlich 1,2 Millionen Euro Kapital bei 8.000–15.000 verschiedenen Artikeln. KI-gestütztes Demand-Forecasting analysiert Maschinenauslastung, Verschleißmuster und saisonale Schwankungen, um Bestände um 40% zu senken und gleichzeitig die Verfügbarkeit auf 99,2% zu steigern. Die Amortisation liegt bei unter 5 Monaten.

Warum Ersatzteillager im Maschinenbau überdimensioniert sind

Ersatzteillager im Maschinenbau folgen einer simplen Logik: Lieber zu viel als zu wenig. Ein fehlender O-Ring kann eine CNC-Maschine für Tage stilllegen. Also bestellen Instandhalter großzügig und horten Sicherheitsbestände.

Die Folge: 25–40% des Lagerbestands wurden in den letzten 24 Monaten nicht bewegt. Kapitalbindung, Lagerfläche und Verwaltungsaufwand wachsen stetig, während die tatsächliche Verfügbarkeit trotzdem bei nur 92–95% liegt. Ausgerechnet die kritischen Teile fehlen, weil sie selten gebraucht und deshalb nicht bevorratet werden.

Das Grundproblem: Menschliche Bestandsplanung kann bei 10.000+ Artikeln mit unterschiedlichen Verbrauchsmustern nicht jeden Artikel optimal disponieren. Erfahrungswerte scheitern an der Komplexität.

KI-Ansatz: Demand-Forecasting für Ersatzteile

Datenquellen für präzise Prognosen

Die KI kombiniert sechs Datenquellen zu einem Gesamtbild:

ABC-XYZ-Analyse mit KI-Erweiterung

# ersatzteillager-ki/klassifikation.yaml
klassifikation:
  abc_analyse:
    kriterium: "jahresverbrauchswert"
    klassen:
      A: "top_20_prozent_wert"    # 80% des Umsatzes
      B: "mittlere_30_prozent"     # 15% des Umsatzes
      C: "untere_50_prozent"       # 5% des Umsatzes

  xyz_analyse:
    kriterium: "verbrauchsschwankung"
    klassen:
      X: "variationskoeffizient_unter_25"   # Regelmäßig
      Y: "variationskoeffizient_25_bis_50"  # Schwankend
      Z: "variationskoeffizient_ueber_50"   # Sporadisch

  ki_erweiterung:
    kritikalitaet:
      klassen:
        1: "maschinenstillstand_sofort"
        2: "leistungseinbussung"
        3: "kein_produktionseinfluss"
    lieferfaehigkeit:
      klassen:
        schnell: "lieferzeit_unter_3_tage"
        mittel: "lieferzeit_3_bis_14_tage"
        langsam: "lieferzeit_ueber_14_tage"

  dispositionsregeln:
    AX_kritisch:
      methode: "kanban_mit_ki_prognose"
      sicherheitsbestand: "5_tage"
    AZ_kritisch:
      methode: "bestellpunkt_mit_erhoehtem_puffer"
      sicherheitsbestand: "lieferzeit_plus_30_prozent"
    CZ_unkritisch:
      methode: "bestellung_bei_bedarf"
      sicherheitsbestand: "0"
    CX_unkritisch:
      methode: "konsignation_oder_vendor_managed"
      sicherheitsbestand: "lieferant"

Die KI erweitert die klassische ABC-XYZ-Matrix um Kritikalität und Lieferfähigkeit. Daraus ergeben sich differenzierte Dispositionsstrategien statt eines Einheitsansatzes für alle Artikel.

Implementierung in 4 Phasen

Phase 1: Datenbereinigung (Woche 1–3)

Bereinigen Sie Ihre Artikelstammdaten. Typische Probleme: Doubletten (selbes Teil unter verschiedenen Nummern), fehlende Einheiten, inkonsistente Bezeichnungen. Erfahrungsgemäß sind 15–20% der Stammdaten fehlerhaft.

Phase 2: Historische Analyse (Woche 4–5)

Die KI analysiert 3 Jahre Verbrauchshistorie und klassifiziert alle Artikel. Ergebnisse: Überbestände identifiziert, Fehlbestände aufgedeckt, Dispositionsregeln pro Klasse definiert.

Phase 3: Forecasting-Modell trainieren (Woche 6–8)

Das Prognosemodell trainiert auf historischen Verbräuchen und Betriebsdaten. Nach 3 Iterationen erreicht es typischerweise eine Prognosegenauigkeit von 82–88% auf Artikelebene.

Phase 4: SAP-Integration und Go-Live (Woche 9–12)

Die Prognosen fließen als Dispositionsvorschläge in SAP MM. Der Disponent prüft und bestätigt Bestellvorschläge. Nach 4 Wochen automatische Bestellung für unkritische Artikel.

Details zur SAP-Anbindung bietet der RAG-Pipeline SAP-Integration Guide.

ROI-Berechnung

Ausgangslage: Maschinenbauer mit 12.000 Artikeln

Nutzen Sie die KI-ROI Excel-Vorlage für Ihre individuelle Berechnung.

Praxisbeispiel: Werkzeugmaschinenhersteller Schwaben

Ein Hersteller von Schleifmaschinen mit 380 Mitarbeitern und einem Ersatzteillager von 14.200 Artikeln im Wert von 1,6 Millionen Euro implementierte die KI-Bestandsoptimierung. Ergebnisse nach 8 Monaten:

• Bestandswert von 1,6 auf 0,94 Mio. Euro gesenkt (–41%)
• Verfügbarkeit von 91,8% auf 99,4% gesteigert
• 1.840 Artikel als obsolet identifiziert und abverkauft (Erlös: 78.000 Euro)
• Dispositionsaufwand halbiert
• Lagerfläche um 35% reduziert, freigewordene Fläche für Montage genutzt

Besonders wirkungsvoll: Die KI erkannte, dass 23 hochpreisige Ersatzteile (Gesamtwert: 340.000 Euro) in 5 Jahren nicht bewegt wurden. Davon konnten 18 an andere Betreiber weiterverkauft werden.

Allgemeine Grundlagen im KI-Leitfaden für Unternehmen.

Typische Widerstände und Lösungen

Instandhaltung befürchtet Teilemangel: Zeigen Sie, dass die Verfügbarkeit steigt, nicht sinkt. Starten Sie mit unkritischen C-Teilen, um Vertrauen aufzubauen.

Einkauf verliert Kontrolle: Der Disponent behält die finale Entscheidung. Die KI liefert Vorschläge, keine Automatismen. Automatisierung erst nach 3 Monaten erfolgreicher Zusammenarbeit.

Datenqualität unzureichend: Investieren Sie 3 Wochen in Datenbereinigung vor dem KI-Start. Schlechte Daten erzeugen schlechte Prognosen.

Mehr zur KI-Implementierung mit Change-Management-Fokus.

Häufig gestellte Fragen

Funktioniert KI-Bestandsoptimierung auch bei sporadischem Verbrauch?

Ja, gerade bei sporadischem Verbrauch (Z-Artikel) zeigt die KI ihre Stärke. Sie erkennt Muster, die manuell unsichtbar sind: Zusammenhänge zwischen Maschinenauslastung und Teileverbrauch, saisonale Häufungen oder Verbundbedarfe bei Baugruppen.

Welche ERP-Systeme werden unterstützt?

SAP (ECC und S/4HANA), Microsoft Dynamics, proALPHA, abas ERP und APplus. Die Integration erfolgt über Standard-APIs oder RFC-Bausteine. Für andere Systeme ist eine CSV-basierte Anbindung möglich.

Wie lange dauert es, bis die KI zuverlässige Prognosen liefert?

Nach dem initialen Training auf 3 Jahren Historiendaten liefert die KI ab Tag 1 Prognosen. Die Genauigkeit verbessert sich in den ersten 6 Monaten um weitere 8–12%, da das Modell aus Abweichungen lernt.

Kann ich Mindestbestände für kritische Teile manuell festlegen?

Ja. Die KI respektiert manuell gesetzte Mindestbestände als untere Grenze. Sie kann vorschlagen, diese anzupassen, setzt aber keine Änderung ohne Freigabe um.

Was kostet die Lösung pro Artikel?

Die Kosten skalieren nicht linear mit der Artikelanzahl. Für 5.000–15.000 Artikel liegen die jährlichen Lizenzkosten bei 12.000–24.000 Euro. Hinzu kommen einmalige Implementierungskosten von 25.000–45.000 Euro.

Nächste Schritte

Exportieren Sie Ihre Verbrauchsdaten der letzten 3 Jahre aus dem ERP-System. Identifizieren Sie die Top-50-Artikel nach Bestandswert. Prüfen Sie, wie viele davon in den letzten 12 Monaten tatsächlich verbraucht wurden. Das Ergebnis liefert die Argumentationsgrundlage für das Projekt. Die Budgetplanung unterstützt die Freigabe durch die Geschäftsführung.