Ausgangslage: Neue Geräte, neue Ersatzteile, aber keine Historie
Ein typischer Anwendungsfall in der Supply Chain ist die Planung von Ersatzteilen für neue Appliances. Für etablierte Artikel funktionieren bestehende SAP-gestützte Forecasting-Verfahren oft gut. Die Herausforderung beginnt bei neuen Geräten.
Für neue Geräte entstehen neue Ersatzteile. Für diese Teile existiert zunächst keine Verbrauchshistorie. Klassische Forecasting-Methoden liefern daher kaum belastbare Bedarfswerte. Gleichzeitig müssen Teile häufig frühzeitig bestellt werden, weil die Wiederbeschaffungszeiten mehrere Monate betragen können.
Wer zu niedrig plant, riskiert Out-of-Stock-Situationen direkt nach dem Produktlaunch. Wer zu hoch plant, bindet Kapital in den falschen Teilen.
“Die eigentliche Schwierigkeit war nicht die Prognose an sich, sondern die Frage, welches bestehende Teil sich wie ein neues Teil verhalten könnte.”
Anforderungen an die Lösung
- belastbare Initialprognosen für neue Ersatzteile
- nachvollziehbare Empfehlungen für Planer
- Nutzung bestehender Produkt- und Stücklistendaten
- Start neben der vorhandenen SAP-Landschaft
- später skalierbar und integrierbar
Die eigentliche Herausforderung: Ähnlichkeit statt Historie verstehen
Die zentrale Frage war nicht einfach:
“Wie forecasten wir neue Ersatzteile?”
Sondern:
“Welches bestehende Teil verhält sich wahrscheinlich ähnlich wie ein neues Teil, obwohl es dieses neue Teil noch nie gab?”
Dafür muss die Lösung mehr leisten als eine klassische Artikelnummernlogik. Sie muss verstehen:
- in welchen bestehenden Geräten ähnliche Teile verbaut wurden
- welche Rolle ein Teil innerhalb der Stückliste spielt
- welche Namen, Beschreibungen und Produktstrukturen auf funktionale Ähnlichkeit hinweisen
- welche historischen Verbräuche ähnliche Teile gezeigt haben
- wie groß die Installed Base der Geräte war, in denen diese Teile vorkamen
- welche Failure Rate sich daraus ableiten lässt
Genau das macht den Fall zu einer Spezialprognose.
Lösung: Ein Spezialprognose-Layer mit BOM-Matching und Proxy-Logik
Ein möglicher Lösungsweg ist ein eigenständiges Forecasting-Layer neben SAP, das später integriert werden soll.
Im Kern analysiert das System die Stücklisten neuer Appliances und vergleicht sie mit bestehenden Geräten. Dabei kombiniert es strukturelle Informationen aus der BOM mit semantischem Matching über Namen, Beschreibungen, Produktgruppen und Hierarchien.
Ziel ist die Identifikation eines historischen Proxy-Teils oder einer Gruppe ähnlicher Teile. Deren Verbrauch dient als Referenz für neue Ersatzteile.
Auf dieser Basis wird eine initiale Failure Rate berechnet:
- historischer Verbrauch ähnlicher Teile
- im Verhältnis zur Anzahl bzw. Nachfrage der Geräte, in denen diese Teile verbaut waren
Diese Rate wird anschließend auf den erwarteten Absatz der neuen Appliances übertragen. So entsteht ein Initial-Forecast, noch bevor eine eigene Nachfragehistorie vorhanden ist.
Was Planer sehen: Keine Black Box, sondern begründete Empfehlungen
Die Lösung liefert nicht einfach nur eine Zahl. Sie zeigt Planern:
- welches bestehende Teil als Proxy vorgeschlagen wurde
- warum dieses Teil als ähnlich eingestuft wurde
- welche historischen Verbrauchsdaten eingeflossen sind
- welche Failure Rate abgeleitet wurde
- welche Initialmenge empfohlen wird
- welche Unsicherheit mit der Empfehlung verbunden ist
Die finale Entscheidung bleibt bewusst beim Planer. Die KI liefert Evidenz, Vergleichslogik und Vorschläge. Der Mensch behält die Verantwortung.
Warum das kein Excel-Fall ist
Die fachliche Grundidee ist plausibel, aber operativ nicht manuell skalierbar.
Es müssen Stücklisten, Artikelmetadaten, Appliance-Historien, Ersatzteilverbräuche, Produktbeschreibungen, Hierarchien und neue Absatzpläne miteinander verknüpft werden. Bei zehntausenden Ersatzteilen, vielen Gerätevarianten und mehreren Planern entsteht ein Such- und Bewertungsproblem, das Excel nicht robust, nachvollziehbar und wiederholbar lösen kann.
Genau hier entsteht der Mehrwert: aus einer guten fachlichen Idee wird ein produktiver, datengetriebener Entscheidungsprozess.
Ergebnis: Cold Start planbar machen
Ein solcher Use Case zeigt, wie sich der Spezialfall neuer Ersatzteile methodisch abbildbar machen lässt:
- Bessere Initialplanung: Neue Ersatzteile werden nicht mehr nur pauschal oder manuell geschätzt, sondern aus historischen Ähnlichkeiten und Failure Rates abgeleitet.
- Weniger Out-of-Stock-Risiko: Besonders bei langen Lead Times entsteht früher eine belastbare Planungsgrundlage.
- Mehr Transparenz für Planer: Proxy-Logik, Datenbasis und abgeleitete Raten bleiben nachvollziehbar.
- Skalierbarer Prozess: Was vorher nur punktuell manuell denkbar war, lässt sich über viele neue Geräte und Ersatzteile hinweg anwenden.
- Systemoffener Start: Die Lösung läuft zunächst separat neben SAP und kann später integriert werden.
Fazit
Der Use Case zeigt exemplarisch, worum es bei ergänzenden Prognoselogiken geht: Nicht darum, ein Standardsystem zu ersetzen, sondern genau die wirtschaftlich kritischen Fälle sauber abzubilden, die im Standard nicht zuverlässig lösbar sind.
Wenn neue Produkte, lange Lieferzeiten und fehlende Historie zusammenkommen, braucht es eine andere Logik als einen Standard-Forecast. Genau diese Logik lässt sich mit einem spezialisierten, nachvollziehbaren Layer aufbauen.