Produktionsplanung bedeutet, ein mehrdimensionales Optimierungsproblem unter Zeitdruck zu lösen. Der Planer muss gleichzeitig den Bedarf prognostizieren, Produktionskapazitäten reservieren, Komponentenbestände verwalten und auf Maschinenausfälle reagieren – oft mithilfe von Tabellenkalkulationen und jahrelang gesammelter Erfahrung. Modelle des Machine Learning und Optimierungsalgorithmen ersetzen diese Erfahrung nicht, erlauben ihr aber, auf Daten in einem Umfang zu arbeiten, den ein Mensch manuell nie bewältigen würde.
Produktionsplanung – was optimieren Sie tatsächlich?
Bevor Sie beurteilen, ob KI in Ihrem Werk sinnvoll ist, lohnt sich ein Blick darauf, was Sie genau optimieren. In der Produktionsplanung geht es meist um mehrere widersprüchliche Ziele gleichzeitig: Minimierung der Bestandskosten, Maximierung der Maschinenauslastung, Einhaltung von Lieferterminen und Minimierung von Stillständen. Keines dieser Ziele lässt sich isoliert optimieren – die Entscheidungen sind miteinander verknüpft. Klassische MRP-Systeme (Material Requirements Planning) und ihre Nachfolger – MRP II und ERP – lösen diese Aufgabe anhand starrer Regeln und Parameter, die einmal gesetzt und danach kaum aktualisiert werden. Wenn etwas schiefläuft – ein Lieferant verspätet sich, eine Maschine fällt aus, eine Bestellung kommt zurück – greift der Mensch manuell ein. KI verändert dieses Modell: Statt zu reagieren, beginnt das System zu prognostizieren und eine Korrektur vorzuschlagen, bevor das Problem eintritt.
Es sei ergänzt, dass KI in der Produktion nicht ein einziges Modell bedeutet. Meist handelt es sich um mehrere spezialisierte Komponenten: ein Bedarfsprognosemodell, ein Modul zur Bestandsoptimierung, eine Scheduling-Engine und eine Integrationsschicht mit dem ERP. Jede dieser Komponenten löst eine andere Aufgabe und kann unabhängig implementiert werden.
Bedarfsprognose – von der Tabelle zum ML-Modell
Die Bedarfsprognose ist das Fundament der gesamten Planungskette. Wird der Bedarf falsch geschätzt, ist der gesamte Produktionsplan fehlerhaft – zu viel oder zu wenig Ware, zu früher oder zu später Start der Linie. Klassische Methoden (gleitender Durchschnitt, exponentielle Glättung) funktionieren bei stabilem, berechenbarem Bedarf gut. Bei Saisonalität, Promotionseffekten und plötzlichen Marktveränderungen stoßen sie an ihre Grenzen. Machine-Learning-Modelle wie Gradient Boosting (XGBoost, LightGBM) oder LSTM-Netze lernen aus historischen Verkaufsdaten unter Berücksichtigung externer Variablen: Feiertagskalender, Historie der Marketingkampagnen, Preisdaten und Sortimentsänderungen. Der entscheidende Unterschied zu klassischen Verfahren besteht darin, dass das Modell komplexe Muster selbst erkennt und auf zukünftige Zeiträume verallgemeinern kann.
Wichtig ist nicht nur die Prognosegenauigkeit (MAPE- oder RMSE-Fehler), sondern auch das Konfidenzintervall. Ein Planer, der neben dem Erwartungswert auch die Bandbreite möglicher Abweichungen sieht, trifft andere Entscheidungen zum Sicherheitsbestand – passender zur tatsächlichen Unsicherheit als der willkürliche „plus 20 %“.
Bestandsoptimierung mit prädiktiven Modellen
Mit einer Bedarfsprognose samt Konfidenzintervallen können Sie die Bestandsniveaus optimieren. Klassische Formeln für den Sicherheitsbestand setzen einen festen Servicegrad und eine Normalverteilung der Prognosefehler voraus. In der Realität sind Prognosefehler selten normalverteilt, und der gewünschte Servicegrad hängt vom Produktwert und den Folgen einer Nichtverfügbarkeit (Stockout) ab.
Prädiktive Modelle ermöglichen dynamische Sicherheitsbestände: individuell je SKU, an Saisonalität und aktuelle Prognoseunsicherheit angepasst. In Kombination mit einem Lieferantenrisikomodell – das die Wahrscheinlichkeit einer Lieferverzögerung auf Basis der Historie schätzt – lässt sich das gesamte Bestandsportfolio optimieren, nicht nur einzelne Positionen isoliert. Das Management der Lieferkette aus einer breiteren Perspektive – einschließlich der Rolle der Prognose in der Beschaffungsplanung – beschreibt der Artikel über SCM: Supply Chain Management.
Linien-Scheduling: von MRP zu Reihenfolgealgorithmen
Die Produktionsterminierung (Production Scheduling) ist der kombinatorisch schwierigste Teil der Planung. Das Problem der Reihenfolgebildung von Aufträgen auf mehreren Maschinen gehört zur Klasse der NP-schweren Probleme – es gibt keinen Algorithmus, der für reale industrielle Daten in vertretbarer Zeit die optimale Lösung findet. In der Praxis setzt man auf Heuristiken und Metaheuristiken. Klassische Priorisierungsregeln (SPT – kürzeste Bearbeitungszeit, EDD – frühester Liefertermin, CR – Critical Ratio) sind schnell, liefern bei komplexen Abhängigkeiten zwischen Aufträgen aber suboptimale Ergebnisse. Metaheuristiken – genetische Algorithmen, Simulated Annealing, Partikelschwarm-Optimierung – suchen nach besseren Lösungen auf Kosten der Rechenzeit.
In den letzten Jahren spielt das Reinforcement Learning (bestärkendes Lernen) eine immer größere Rolle, bei dem ein Agent eine gute Scheduling-Policy durch tausende simulierte Läufe auf einem Fabrikmodell „erlernt“. Das Ergebnis: Das System reagiert in Echtzeit auf Maschinenausfälle, Eilaufträge oder Änderungen in der Materialverfügbarkeit und berechnet den Plan in Sekunden statt in Stunden neu.
Integration von KI mit dem ERP-System
KI-Modelle arbeiten nicht losgelöst vom ERP – sie müssen mit ihm Daten in beide Richtungen austauschen. In einer typischen Architektur bezieht das Bedarfsprognosemodell historische Daten aus dem ERP (Verkäufe, Retouren, Promotionen, Korrekturen), erzeugt eine Prognose und sendet sie als Eingabe für das MRP an das Planungsmodul zurück. Die Scheduling-Engine erhält Produktionsaufträge aus dem ERP und liefert einen fertigen Plan mit Zeit- und Ressourcenzuordnung je Auftrag. Die zentralen Integrationsherausforderungen sind: Datenqualität im ERP (Fehler in SKU-Codes, duplizierte Belege, verspätete Korrekturen), Latenz (Online-Planung, die innerhalb von Minuten auf Ausfälle reagiert, verlangt eine andere Architektur als nächtliche Batch-Verarbeitung) sowie Erklärbarkeit – Planer müssen verstehen, warum das Modell einen bestimmten Plan vorschlägt. Modelle ohne Erklärungen stoßen auf Widerstand bei den Nutzern.
Ein vollständiges Bild der Datenanalyse-Möglichkeiten in der Industrie finden Sie im Artikel über Business Intelligence und BI-Analyse-Tools.
Implementierung in der Praxis: Daten, Architektur, Zeit
Die Implementierung von KI in der Produktionsplanung beginnt mit einem Datenaudit, nicht mit der Auswahl des Algorithmus. Der minimale Umfang historischer Daten, mit dem sich ein brauchbares Prognosemodell trainieren lässt, sind in der Regel 2–3 Jahre auf SKU-Ebene – unter Berücksichtigung der Saisonalität und sämtlicher Anomalien in diesem Zeitraum. Typischer Technologie-Stack für einen Predictive Service: Python als Modellierungsumgebung (scikit-learn, LightGBM), PostgreSQL oder ein Data Warehouse als Persistenzschicht, Docker zur Containerisierung der Inference-Services und eine Message Queue (RabbitMQ) für den asynchronen Datenaustausch mit dem ERP. Das Modell wird zyklisch (z. B. wöchentlich) auf frischen Daten neu trainiert.
Die Implementierungsdauer eines Piloten (Proof of Concept für eine Produktlinie) beträgt in der Regel 8–16 Wochen. Eine vollständige Implementierung über das gesamte Werk mit tiefer ERP-Integration dauert 6–18 Monate, abhängig von Datenqualität und Prozesskomplexität. Eine Beschreibung der in der Prognose eingesetzten Machine-Learning-Mechanismen finden Sie im Artikel KI-Regression: wie Maschinen aus der Vergangenheit lernen.
Wann sich KI in der Produktionsplanung lohnt – und wann nicht
KI bringt den größten Nutzen bei hoher Nachfragevolatilität, einer großen SKU-Zahl, einem komplexen Abhängigkeitsnetz zwischen Komponenten und Produkten sowie wenn die Kosten für überschüssige Bestände oder Produktionsstillstände hoch sind. Je teurer das Chaos in der Planung, desto höher der Return on Investment für prädiktive Modelle.
Wann KI möglicherweise nicht der richtige Schritt ist: sehr stabiler Bedarf mit einem oder wenigen SKU (klassische Methoden reichen aus), fehlende historische Daten im ERP oder deren schlechte Qualität, eine Organisation ohne noch integriertes ERP-System (dann zuerst das ERP) oder ein Werk, in dem der Hauptengpass in Management- und Betriebsprozessen liegt, nicht im Rechenaufwand.
Einen detaillierten Überblick über die KI-Möglichkeiten in der Logistik – vom Routing bis zur Bedarfsprognose entlang der gesamten Lieferkette – finden Sie im Artikel KI in der Logistik: Lieferautomatisierung, Routing und Bedarfsprognose.