SelectLine + KI: Warenwirtschaft für Fertiger

TL;DR

Kleine Fertiger mit SelectLine können KI-gestützte Bestandsprognosen, automatische Nachbestellung und Auftragssteuerung nachrüsten. Die Integration über die SelectLine-API oder Datenbankzugriff kostet 12.000-25.000 € und senkt Lagerkosten um 18-25 % bei gleichzeitig weniger Fehlteilen. Besonders geeignet für Betriebe mit 10-100 Mitarbeitenden.

Der blinde Fleck kleiner Fertiger

Ein Drehteile-Hersteller in Thüringen mit 35 Mitarbeitenden nutzt SelectLine seit 8 Jahren. Die Warenwirtschaft verwaltet 4.200 Artikel, davon 380 Rohmaterialien. Die Nachbestellung läuft nach Meldebestand: Fällt der Lagerbestand unter den Schwellwert, löst SelectLine eine Bestellvorschlagsliste aus.

Das Problem: Die Meldebestände wurden vor 5 Jahren festgelegt und nie angepasst. Material für saisonale Aufträge fehlt regelmäßig im Herbst. Gleichzeitig liegen Edelstahl-Rundstäbe für 28.000 € im Lager, die seit 6 Monaten nicht bewegt wurden. 22 % des Lagerkapitals ist gebunden in Artikeln mit unter einer Umschlagshäufigkeit pro Jahr.

Für Betriebe dieser Größe ist ein vollständiges ERP-Upgrade wirtschaftlich nicht sinnvoll. Aber ein KI-Modul, das SelectLine-Daten analysiert und Bestandsparameter dynamisch anpasst, löst genau dieses Problem.

Drei KI-Anwendungen für SelectLine-Fertiger

1. Dynamische Bestandsoptimierung

Statt fixer Meldebestände berechnet ein ML-Modell für jeden Artikel den optimalen Sicherheitsbestand, Meldebestand und Bestellmenge -- wöchentlich aktualisiert auf Basis von:

• Verbrauchshistorie der letzten 24 Monate
• Saisonale Schwankungen (automatisch erkannt)
• Aktuelle Auftragslage in SelectLine
• Lieferzeiten je Lieferant (gleitender Durchschnitt)

Ergebnis bei einem Kunststoffverarbeiter in Sachsen:

• Lagerbestand gesenkt von 410.000 € auf 315.000 € (-23 %)
• Fehlteile-Quote reduziert von 4,1 % auf 1,8 %
• Bestellvorgänge pro Monat reduziert von 145 auf 98 (-32 %)

2. Automatische Nachbestellung

Aufbauend auf der Bestandsprognose kann die KI Bestellvorschläge nicht nur berechnen, sondern direkt in SelectLine als Bestellungen anlegen. Der Einkäufer prüft und gibt frei -- oder lässt bei A-Lieferanten automatisch bestellen.

# SelectLine Bestellautomatik -- vereinfachtes Beispiel
import pyodbc
from datetime import datetime, timedelta

class SelectLineOrderBot:
    def __init__(self, connection_string):
        self.conn = pyodbc.connect(connection_string)

    def create_purchase_order(self, supplier_id, items):
        """
        Legt Bestellvorschlag in SelectLine an.
        Status 'Entwurf' -- muss vom Einkauf freigegeben werden.
        """
        cursor = self.conn.cursor()

        # Bestellkopf anlegen
        order_id = cursor.execute("""
            INSERT INTO Bestellung (
                LieferantNr, Datum, Status, Bemerkung
            ) VALUES (?, ?, 'E', 'KI-Bestellvorschlag')
            RETURNING BestellNr
        """, supplier_id, datetime.now()).fetchval()

        # Bestellpositionen
        for item in items:
            cursor.execute("""
                INSERT INTO BestellPos (
                    BestellNr, ArtikelNr, Menge,
                    Einzelpreis, Liefertermin
                ) VALUES (?, ?, ?, ?, ?)
            """, order_id, item['article_id'],
                 item['quantity'], item['price'],
                 item['delivery_date'])

        self.conn.commit()
        return order_id

3. Auftragspriorisierung

SelectLine verwaltet Kundenaufträge, aber priorisiert nicht intelligent. Die KI bewertet jeden Auftrag nach Deckungsbeitrag, Materialverfügbarkeit, Maschinenkapazität und Kundenwichtigkeit -- und schlägt eine optimierte Abarbeitungsreihenfolge vor.

Für einen Stanzteilehersteller mit 60 Mitarbeitenden ergab die Priorisierung eine Steigerung des Deckungsbeitrags um 7 %, weil margenstarke Eilaufträge konsequenter bevorzugt wurden.

Technische Integration

SelectLine bietet mehrere Anknüpfungspunkte:

Datenbank-Direktzugriff (empfohlen): SelectLine nutzt eine SQL-Datenbank (Firebird oder MS SQL, je nach Edition). Die KI-Middleware greift per ODBC/JDBC lesend auf Artikel, Bestellungen, Aufträge und Lagerbestände zu. Schreibvorgänge erfolgen über definierte Staging-Tables.

SelectLine API: Ab Version 24 bietet SelectLine eine REST-API für zentrale Geschäftsobjekte. Noch nicht alle Bereiche sind abgedeckt, aber Artikel, Bestellungen und Kunden sind verfügbar.

CSV-Import/Export: Die einfachste, aber am wenigsten elegante Variante. SelectLine exportiert Daten als CSV, die KI verarbeitet sie und schreibt Ergebnisse als Import-CSV zurück. Geeignet für Betriebe, die keine IT-Abteilung haben.

Architektur für Kleinbetriebe

# docker-compose.yaml -- KI-Modul für SelectLine
version: "3.8"
services:
  ki-middleware:
    image: ki-selectline:latest
    environment:
      - DB_CONNECTION=firebird://selectline-server:3050/C:/SelectLine/Data/Mandant.fdb
      - MODEL_PATH=/models
      - FORECAST_HORIZON=12  # Wochen
      - REORDER_AUTO=false   # Einkauf gibt manuell frei
      - LOG_LEVEL=info
    volumes:
      - ./models:/models
      - ./logs:/logs
    ports:
      - "8080:8080"  # Dashboard
    restart: unless-stopped

  dashboard:
    image: grafana/grafana:latest
    ports:
      - "3000:3000"
    volumes:
      - grafana-data:/var/lib/grafana

volumes:
  grafana-data:

Diese Architektur läuft auf einem Mini-PC mit 16 GB RAM neben dem SelectLine-Server. Keine Cloud, keine GPU, keine komplexe Infrastruktur. Der Leitfaden zur KI-Implementierung beschreibt den generellen Ansatz für solche schlanken Setups.

Kosten im Detail

SelectLine wird typischerweise von Betrieben mit 5-80 Arbeitsplätzen eingesetzt. Die KI-Integration muss dazu passen -- budgetär und organisatorisch.

Die Kostenplanung für KI-Projekte zeigt vergleichbare Budgets für andere ERP-Systeme.

Implementierung: 8 Wochen bis zum Ergebnis

Woche 1-2: Datenexport und Analyse

• SelectLine-Datenbankstruktur dokumentieren
• Historische Verkaufs- und Bestandsdaten exportieren (min. 18 Monate)
• Datenqualität bewerten: Sind Lieferzeiten gepflegt? Stimmen Warengruppen?

Woche 3-4: Modellentwicklung

• Bedarfsprognose-Modell trainieren (Prophet oder LightGBM)
• Optimale Bestandsparameter berechnen
• Ergebnisse mit dem Lagerleiter validieren

Woche 5-6: Anbindung und Dashboard

• KI-Middleware mit SelectLine-Datenbank verbinden
• Grafana-Dashboard für Bestandsübersicht einrichten
• Bestellvorschläge in SelectLine schreiben (Staging-Table)

Woche 7-8: Parallelbetrieb und Feintuning

• 2 Wochen KI-Vorschläge neben manueller Disposition laufen lassen
• Abweichungen analysieren und Modell anpassen
• Go-Live-Entscheidung mit Geschäftsführung

Wer SelectLine-Daten auch für Prozessoptimierung nutzen möchte, kann auf den gleichen Datenbestand aufbauen.

Typische Fehler vermeiden

Zu viele Artikel auf einmal: Nicht alle 4.200 Artikel gleichzeitig optimieren. Mit den Top-100-Umsatzträgern starten (ABC-Analyse). Diese machen oft 80 % des Lagerwertes aus.

Lieferzeiten nicht pflegen: Wenn SelectLine keine aktuellen Lieferzeiten je Lieferant enthält, kann die KI keine sinnvollen Bestellzeitpunkte berechnen. Vor Projektstart die 30 wichtigsten Lieferanten mit realistischen Lieferzeiten pflegen.

Saisonalität ignorieren: Ein Modell, das nur Durchschnittswerte nutzt, versagt bei saisonalen Schwankungen. Mindestens 2 Jahre Historiedaten verwenden, um Saisonmuster zu erkennen.

Betriebe, die bereits über RAG-Pipelines nachdenken, sollten beachten: Warenwirtschaftsdaten sind strukturiert -- hier braucht es kein RAG, sondern klassisches ML.

Häufige Fragen

Funktioniert die KI auch mit SelectLine Auftrag (ohne Warenwirtschaft)?

Eingeschränkt. SelectLine Auftrag enthält Artikeldaten und Aufträge, aber keine vollständige Lagerverwaltung. Die Auftragspriorisierung und Bedarfsprognose funktionieren, die Bestandsoptimierung nur mit manuellem Lagerbestandsimport. Empfehlung: Upgrade auf SelectLine Warenwirtschaft, wenn Lagermanagement ein Thema ist.

Wie viele Artikel brauche ich mindestens für sinnvolle Prognosen?

Ab 200 aktiven Artikeln mit mindestens 12 Monaten Bewegungsdaten liefert die KI verwertbare Ergebnisse. Bei weniger Artikeln lohnt sich der Aufwand kaum -- hier reicht eine sauber gepflegte manuelle Disposition.

Kann die KI auch Lieferantenbewertungen erstellen?

Ja, als Zusatzmodul. Die KI analysiert Lieferzeittreue, Reklamationsquoten und Preisveränderungen aus SelectLine und erstellt ein Lieferanten-Scoring. Das hilft bei Nachverhandlungen und der Lieferantenkonsolidierung.

Was passiert bei einem SelectLine-Update?

Die Datenbankstruktur von SelectLine ist stabil über Versionen. Bei Major-Updates (z. B. Wechsel von Firebird auf MS SQL) muss der Datenbank-Konnektor angepasst werden -- das ist ein Aufwand von 2-4 Stunden. Die ML-Modelle und die Middleware bleiben unverändert.

Brauche ich IT-Kenntnisse im Betrieb?

Für die Ersteinrichtung wird ein externer Dienstleister benötigt. Im laufenden Betrieb reichen Grundkenntnisse: Dashboard ablesen, Bestellvorschläge prüfen, bei Fehlern den Dienstleister kontaktieren. Ein technisch versierter Mitarbeiter (z. B. Lagerleiter oder Einkäufer mit Excel-Erfahrung) kann das nach einer halbtägigen Einweisung übernehmen.