Ein Instandhaltungsplaner überprüft den Ersatzteilverbrauch der letzten drei Jahre und stellt fest, dass ein bestimmtes Lager nur wenige Male zum Einsatz gekommen ist. Die Prognose deutet auf einen geringen Bedarf hin. Als jedoch eine kritische Maschine ausfällt, ist das Lager nicht vorrätig, und die Beschaffungsabteilung muss einen Eilkauf veranlassen.
Das Problem liegt nicht unbedingt in einem Mangel an historischen Daten. Vielmehr lässt sich der zukünftige Wartungsbedarf nicht allein anhand des bisherigen Verbrauchs erklären.
KI-gestützte MRO-Bestandsplanung verändert die Herangehensweise der Hersteller bei der Ersatzteilprognose, indem es Verbrauchsdaten mit Wartungsplänen, Aufzeichnungen über Geräteausfälle, Arbeitsaufträgen, Lieferzeiten der Lieferanten und anderen relevanten betrieblichen Signalen kombiniert. Anstatt den bisherigen Verbrauch als einzigen Indikator für den zukünftigen Bedarf heranzuziehen, berücksichtigt der Planungsprozess die Umstände, die diesen Bedarf auslösen könnten.
Für kapitalintensive Hersteller ist diese Unterscheidung von Bedeutung. Bessere Prognosen können Planern dabei helfen, Wartungsbedarf zu antizipieren, sich auf Nachfrageschwankungen vorzubereiten und fundiertere Entscheidungen zur Nachschubplanung zu treffen.
Das Ziel besteht nicht darin, jeden Geräteausfall mit Sicherheit vorherzusagen. Vielmehr geht es darum, die verfügbaren Informationen zu verbessern, um entscheiden zu können, welche Ersatzteile beschafft werden sollen, wann diese bestellt werden müssen und wie hoch der Lagerbestand gehalten werden soll.
Warum herkömmliche Ersatzteilprognosen oft zu kurz greifen
Herkömmliche Prognosemethoden stützen sich häufig auf historische Durchschnittsverbrauchswerte, feste Nachbestellpunkte oder manuell gepflegte Tabellenkalkulationen. Diese Methoden können bei regelmäßig verbrauchten Materialien funktionieren, doch industrielle Ersatzteile stellen eine andere Herausforderung dar.
Die Nachfrage ist häufig unregelmäßig. Es kann vorkommen, dass ein Bauteil monatelang nicht verbraucht wird, bevor durch eine Wartungsmaßnahme ein plötzlicher Bedarf entsteht. Geplante Stillstände können zu einer konzentrierten Nachfrage führen, während unerwartete Ausfälle etablierte Beschaffungspläne durcheinanderbringen können.
Drei Einschränkungen sind besonders wichtig.
Historische Durchschnittswerte können Nachfragespitzen verschleiern. Ein Bauteil mit geringem Durchschnittsverbrauch kann während einer geplanten Überholung in mehreren Einheiten benötigt werden. Ein Monatsdurchschnitt spiegelt diesen vorübergehenden Anstieg möglicherweise nicht wider.
Wartungsmeldungen können möglicherweise nicht mit der Bestandsplanung verknüpft sein. Arbeitsaufträge, Störungsmeldungen und Wartungspläne können nützliche Informationen über anstehende Anforderungen enthalten, doch Planer müssen unter Umständen mehrere Systeme manuell durchsehen, um diese Informationen zu finden.
Die Prognosen spiegeln möglicherweise nicht die sich ändernden Angebotsbedingungen wider. Selbst wenn die Nachfrage korrekt eingeschätzt wird, kann eine längere Lieferzeit seitens der Lieferanten dazu führen, dass eine ansonsten angemessene Nachschubpolitik unzureichend wird.
Die KI-gestützte Ersatzteilprognose überwindet diese Einschränkungen, indem sie zahlreiche relevante Daten analysiert und Muster erkennt, die bei einfachen historischen Durchschnittswerten möglicherweise übersehen werden.
Die Qualität der Prognose hängt nach wie vor von der Verfügbarkeit der Daten, der Eignung des Modells und der operativen Validierung ab. Künstliche Intelligenz beseitigt die Unsicherheit nicht, sondern hilft den Herstellern, diese systematischer zu bewältigen.
MRO-Bestandsplanung: Von historischen Daten zu zukunftsorientierten Entscheidungen
Eine effektive MRO-Bestandsplanung erfordert mehr als nur eine Schätzung der Anzahl der Teile, die ein Werk voraussichtlich verbrauchen wird. Die Planer müssen wissen, wann der Bedarf voraussichtlich entsteht, auf welche Anlagen er sich bezieht und ob die benötigten Materialien zum Zeitpunkt des Wartungsbeginns verfügbar sein werden.
Eine KI-gestützte Planung kann mehrere Informationsquellen in denselben Entscheidungsprozess einbeziehen:
- Historische Materialverbräuche und Bestandsbewegungen.
- Zeitpläne für vorbeugende Wartungsmaßnahmen und geplante Arbeitsaufträge.
- Aufzeichnungen zur Ausfallhistorie von Geräten und zur Ursachenanalyse.
- Alter der Geräte und Betriebsstunden, sofern verfügbar.
- Lieferzeiten der Lieferanten, offene Bestellungen und aktuelle Lagerbestände.
- Geplante Betriebsunterbrechungen und sonstige bekannte betriebliche Änderungen.
Diese Daten dienen unterschiedlichen Zwecken. Die Verbrauchsentwicklung bildet eine Ausgangsbasis, Wartungspläne geben Aufschluss über den geplanten Bedarf, und Ausfallprotokolle liefern zusätzliche Informationen hinsichtlich eines möglichen Bedarfs an korrektiven Wartungsmaßnahmen.
Anhand der Lieferantendaten lässt sich dann feststellen, ob der erwartete Bedarf aus den vorhandenen Beständen gedeckt werden kann oder ob mit der Nachbestellung früher begonnen werden muss.
Beispielsweise könnte eine Prognose auf einen erhöhten Bedarf an einem Bauteil während einer bevorstehenden Stilllegung hinweisen. Sollten sich die Beschaffungsvorlaufzeiten über das verfügbare Planungszeitfenster hinaus verlängern, kann das System dabei helfen, den Bedarf zu kennzeichnen, bevor er zu einem dringenden Beschaffungsproblem wird.
Darin liegt der praktische Nutzen der vorausschauenden Bestandsplanung: die Verknüpfung einer Nachfrageprognose mit den Entscheidungen, die zur Deckung dieser Nachfrage erforderlich sind.
KI-gestützte Ersatzteilprognose: So funktioniert der Prozess
Eine KI-gestützte Ersatzteilprognose ist dann am nützlichsten, wenn sie über die bloße Ermittlung einer Zahl hinausgeht und die darauf folgenden Entscheidungen unterstützt.
1. Erstellen Sie eine verlässliche Basis für die Nachfrage
Der Prozess beginnt mit historischen Verbrauchsdaten und anderen relevanten Aufzeichnungen. Die Daten müssen ausreichend genau sein, um den tatsächlichen Materialverbrauch von doppelten Transaktionen, falschen Teilenummern und anderen Unregelmäßigkeiten unterscheiden zu können.
Die Teile sollten zudem entsprechend ihrer Nachfragemerkmale segmentiert werden. Ein regelmäßig verbrauchter Filter sollte nicht unbedingt nach demselben Ansatz prognostiziert werden wie ein Ersatzteil für Notfälle mit stark schwankender Nachfrage.
Statistische Zeitreihenverfahren können eine Grundlage für wiederkehrende Muster schaffen. KI-Modelle können dann zusätzliche Kontextinformationen einbeziehen, sofern die Daten dies zulassen.
2. Unterscheiden Sie zwischen geplanten und ungeplanten Anforderungen
Eine der nützlichsten Unterscheidungen bei der Prognose des Ersatzteilbedarfs ist der Unterschied zwischen dem Verbrauch im Rahmen der planmäßigen Instandhaltung und dem durch Ausfälle bedingten Bedarf.
Pläne für die vorbeugende Instandhaltung enthalten Informationen zu bekannten Maßnahmen. Der Bedarf an korrektiver Instandhaltung ist hingegen ungewisser und kann von der Ausfallhistorie, dem Zustand der Anlagen und den Betriebsmustern abhängen.
Die Zusammenfassung beider Werte zu einem einzigen historischen Durchschnittswert kann die Gründe für die Nachfrage verschleiern.
Ein sinnvollerer Ansatz besteht darin, den geplanten und den Korrekturbedarf getrennt voneinander zu schätzen, bevor diese zu einem Gesamtbestandsplan zusammengefasst werden. Dies verschafft den Planern einen besseren Überblick darüber, welche Bedarfe bereits terminiert sind und welche mit größerer Unsicherheit behaftet sind.
3. Erkennen Sie sich verändernde Muster und Anomalien
KI-Modelle können historische und betriebliche Daten analysieren, um Veränderungen im Verbrauch, ungewöhnliche Nachfragespitzen und wiederkehrende Muster zu erkennen.
So kann beispielsweise eine Zunahme der Ausfälle bei einem bestimmten Gerätetyp darauf hindeuten, dass bestimmte Ersatzteile häufiger benötigt werden. Auch ein Stilllegungsplan kann zu einem vorübergehenden Anstieg der Nachfrage führen, der vom normalen Verbrauchsverhalten abweicht.
Solche Signale sollten im Kontext interpretiert werden. Ein plötzlicher Anstieg wesentlicher Sachverhalte könnte auf eine tatsächliche operative Veränderung hindeuten, könnte aber auch auf Bestandsberichtigungen oder Änderungen der Transaktionspraktiken zurückzuführen sein.
Der Prognoseprozess sollte den Planern daher wichtige Ausnahmen verdeutlichen, anstatt jede statistische Anomalie als bestätigten zukünftigen Bedarf zu behandeln.
4. Prognosen in Nachschubentscheidungen umsetzen
Eine Nachfrageprognose ist für den operativen Betrieb dann von Nutzen, wenn sie als Grundlage für den Nachbestellzeitpunkt, den Sicherheitsbestand und die Einkaufsprioritäten dient.
Im Rahmen des Planungsprozesses sollten die erwartete Nachfrage mit den verfügbaren Beständen, den eingehenden Bestellungen und den Lieferzeiten der Lieferanten abgeglichen werden. Auf diese Weise lassen sich potenzielle Engpässe erkennen und es kann festgestellt werden, ob Nachschub, Bestandsumschichtungen oder andere Maßnahmen angebracht sind.
Bei der endgültigen Entscheidung sollten die Kritikalität des Teils und die Folgen eines Bestandsengpasses berücksichtigt werden. Eine Prognose für ein Verbrauchsmaterial mit niedriger Priorität sollte nicht automatisch dieselbe Reaktion hervorrufen wie eine Prognose für ein Bauteil, das zu einer Produktionsunterbrechung führen könnte.
Prognose des Wartungsbedarfs: Verknüpfung von Anlagenereignissen mit Ersatzteilen
Bei der Prognose des Wartungsbedarfs wird der Bedarf an Ersatzteilen und Verbrauchsmaterialien geschätzt, der zur Durchführung künftiger Wartungsmaßnahmen erforderlich ist. In industriellen Umgebungen erfordert dies ein Verständnis sowohl für planmäßige Arbeiten als auch für die mit Anlagenausfällen verbundene Unsicherheit.
Die Wartungshistorie von Anlagen kann wiederkehrende Ausfallmuster aufzeigen. Notizen zu den Grundursachen können Komponenten identifizieren, die an wiederholten Ausfällen beteiligt sind, während Betriebsstunden dazu beitragen können, verschleißbedingte Anforderungen zu erklären. Arbeitsaufträge liefern Informationen über geplante Wartungsmaßnahmen und die damit verbundenen Materialien.
Wenn diese Daten mit Bestands- und Einkaufsdaten verknüpft werden, können Planer sich ein umfassenderes Bild vom künftigen Bedarf verschaffen.
Verdantis erläutert diesen Ansatz anhand seiner Funktionen zur Prognose des Wartungsbedarfs im Rahmen von MRO360, die Verbrauchsmuster mit wartungsbezogenen Informationen kombinieren, um die Prognose des Ersatzteilbedarfs zu unterstützen. Die Plattform unterscheidet zudem zwischen geplantem und korrektivem Bedarf, anstatt sich ausschließlich auf historische Verbrauchsdaten zu stützen. Siehe Verdantis – Prognose des Wartungsbedarfs.
Prognosen sollten weiterhin als Entscheidungshilfe und nicht als Garantien betrachtet werden. Ausfälle von Anlagen werden durch Betriebsbedingungen, die Qualität der Wartung und andere Faktoren beeinflusst, die in den verfügbaren Daten möglicherweise nicht vollständig berücksichtigt sind.
KI im MRO-Bestandsmanagement: Von Prognosen bis zum Handeln
Der Einsatz von KI im MRO-Bestandsmanagement geht über die Vorhersage des Verbrauchs hinaus. Ihr Nutzen hängt davon ab, inwieweit die Erkenntnisse aus den Prognosen mit den Bestandsrichtlinien, den Beschaffungsabläufen und der Durchführung von Wartungsarbeiten verknüpft werden.
Nehmen wir an, ein Hersteller bereitet sich auf eine geplante Betriebsunterbrechung vor. Die Prognose deutet darauf hin, dass mehrere Komponenten benötigt werden, doch der aktuelle Lagerbestand deckt nur einen Teil des erwarteten Bedarfs ab.
Ein integrierter Planungsprozess kann dem Team dabei helfen, den verfügbaren Lagerbestand, eingehende Aufträge, Lieferzeiten der Lieferanten sowie den Bedarf in anderen Werken zu bewerten. Die Planer können dann entscheiden, ob zusätzliche Teile beschafft, geeignete Lagerbestände umgelagert oder der Zeitpunkt der Bestellungen angepasst werden sollen.
Dadurch wird die Abhängigkeit von separaten Tabellenkalkulationen und manuellen Abgleichen zwischen verschiedenen Systemen verringert.
Verdantis MRO360 vereint Bedarfsprognosen mit Bestandsanalysen, Nachbestellpunktplanung, der Einstufung der Ersatzteilkritikalität sowie Empfehlungen für werksübergreifende Transfers. Die veröffentlichten Plattforminformationen beschreiben die Integration in bestehende ERP-, CMMS- und EAM-Umgebungen, wobei die Empfehlungen von den Anwendern geprüft werden, bevor genehmigte Änderungen in das Stammdatensystem zurückgeschrieben werden. Entdecken Sie MRO360.
Für Hersteller ist der Zusammenhang zwischen der Qualität der Prognosen und deren Umsetzung von entscheidender Bedeutung. Selbst eine genauere Prognose kann Lieferengpässe nicht verhindern, wenn Beschaffungsmaßnahmen verzögert werden, Lieferanteninformationen unzuverlässig sind oder die Bestandsaufzeichnungen ungenau sind.
So bewerten Sie KI-gestützte MRO-Bestandsplanungssoftware
Hersteller, die den Einsatz einer KI-gestützten MRO-Bestandsplanungssoftware in Betracht ziehen, sollten prüfen, wie die Lösung mit den tatsächlichen Gegebenheiten der industriellen Nachfrage umgeht, anstatt sich ausschließlich auf die in der Werbung angegebene Prognosegenauigkeit zu konzentrieren.
Zu den wichtigsten Fragen gehören:
- Nachfragsegmentierung: Kann die Software den regulären Verbrauch von sporadischem und durch Störungen bedingtem Bedarf unterscheiden?
- Wartungsdaten: Kann das System Arbeitsaufträge, Wartungshistorie und geplante Stillstände einbeziehen, sofern diese Daten vorliegen?
- Validierung von Vorhersagen: Können Planer Prognosen mit der tatsächlichen Nachfrage vergleichen und erhebliche Abweichungen nachvollziehen?
- Entscheidungen zur Bestandsführung: Können Prognosen als Grundlage für Nachbestellpunkte, Sicherheitsbestände und den Zeitpunkt der Nachschubplanung dienen?
- Unternehmensintegration: Ist die Plattform mit bestehenden ERP-, CMMS- und EAM-Systemen kompatibel?
- Menschliche Kontrolle: Können die Teams aus den Bereichen Instandhaltung, Beschaffung und Lagerverwaltung die Empfehlungen vor der Umsetzung prüfen?
Hersteller, die Software zur Prognose des Ersatzteilbedarfs oder zur Planung von Wartungsbeständen prüfen, sollten zudem untersuchen, wie sich die Lösung bei verschiedenen Teilekategorien bewährt. Ein einziger Genauigkeitswert kann erhebliche Unterschiede zwischen regelmäßig verbrauchten Artikeln und Teilen mit sehr unregelmäßiger Nachfrage verschleiern.
Das Gleiche gilt für Software zur MRO-Bestandsoptimierung. Prognosen und Bestandsoptimierung hängen zwar zusammen, sind jedoch nicht austauschbar. Bei der Prognose wird der zukünftige Bedarf geschätzt; bei der Optimierung werden diese Schätzungen zusammen mit der Kritikalität, den Vorlaufzeiten, den Serviceerwartungen und den finanziellen Rahmenbedingungen herangezogen, um geeignete Bestandsrichtlinien festzulegen.
Das sinnvollste System verbindet beide Aktivitäten miteinander und ermöglicht es erfahrenen Planern gleichzeitig, Abweichungen zu überprüfen.
Bessere Prognosen führen zu besseren Entscheidungen hinsichtlich des MRO-Lagerbestands
Die KI-gestützte MRO-Bestandsplanung verbessert die Vorhersage des Ersatzteilbedarfs durch Hersteller, indem sie historische Verbrauchsdaten mit Wartungsplänen, Aufzeichnungen über Geräteausfälle und Lieferinformationen kombiniert.
Bei sachgemäßer Anwendung können diese Erkenntnisse Herstellern dabei helfen, sich auf planmäßige Wartungsarbeiten vorzubereiten, potenzielle Engpässe frühzeitig zu erkennen und fundiertere Entscheidungen zur Nachschubplanung zu treffen. Das Ziel besteht nicht darin, Unsicherheiten vollständig zu beseitigen, sondern vermeidbare Unsicherheiten zu reduzieren und auf das verbleibende Risiko effektiver zu reagieren.
Für Hersteller, die Bestandslücken im MRO-Bereich mithilfe von KI reduzieren möchten, hängt der Erfolg von mehr als nur der Prognosetechnologie ab. Zuverlässige Daten, geeignete Modelle, vernetzte Unternehmenssysteme und eine klare Zuständigkeit für Planungsentscheidungen sind ebenso wichtig.
Verdantis MRO360 vereint Nachfrageprognosen, Bestandsanalysen und Nachschubplanung, um diesen Prozess zu unterstützen. Durch die Verknüpfung von Prognosen mit den Entscheidungen, die die Verfügbarkeit von Lagerbeständen bestimmen, können Hersteller ihr Ersatzteilbestandsmanagement optimieren, ohne jede Komponente so zu behandeln, als würde sie demselben Nachfragemuster folgen.
Das Ergebnis ist ein zukunftsorientierterer Ansatz bei der Instandhaltungsplanung, bei dem Bestandsentscheidungen sich an den erwarteten betrieblichen Anforderungen orientieren und nicht mehr ausschließlich am bisherigen Verbrauch.
Häufig gestellte Fragen
1. Inwiefern verbessert KI die Nachfrageprognose für Ersatzteile?
Künstliche Intelligenz kann historische Verbrauchsdaten zusammen mit Wartungsplänen, Ausfallprotokollen, Betriebsstunden und anderen relevanten Daten analysieren, um Muster zu erkennen, die bei historischen Durchschnittswerten möglicherweise übersehen werden. Diese Erkenntnisse können die Bedarfsschätzungen verbessern und Planern dabei helfen, den Bedarf vorherzusehen, vorausgesetzt, die zugrunde liegenden Daten sind zuverlässig.
2. Was versteht man unter einer KI-gestützten MRO-Bestandsplanung?
Die KI-gestützte MRO-Bestandsplanung nutzt künstliche Intelligenz und Analysemodelle, um den künftigen Bedarf an Wartungsmaterial zu schätzen und Entscheidungen zur Bestandsführung zu unterstützen. Sie kann Ersatzteilprognosen mit dem Nachschubzeitpunkt, dem Sicherheitsbestand und betrieblichen Prioritäten verknüpfen.
3. Wie können Hersteller Engpässe bei Ersatzteilen vermeiden?
Hersteller können Lieferengpässe reduzieren, indem sie ihre Nachfrageprognosen verbessern, die Lieferzeiten der Lieferanten überwachen, genaue Bestandsaufzeichnungen führen und ihre Lagerhaltungsrichtlinien an die Kritikalität der Teile anpassen. Die Integration von Wartungsplänen in die Bestandsplanung trägt zudem dazu bei, den Bedarf zu erkennen, bevor er dringend wird.
4. Kann KI den Ersatzteilbedarf anhand von Wartungsdaten vorhersagen?
KI kann Wartungspläne, Arbeitsaufträge, die Historie von Geräteausfällen, Aufzeichnungen zu den Grundursachen sowie Betriebsdaten nutzen, um den künftigen Bedarf an Ersatzteilen abzuschätzen. Der Nutzen dieser Prognosen hängt von der Datenqualität, der Eignung des Prognosemodells und dem Umfang ab, in dem die Betriebsbedingungen berücksichtigt werden.
5. Worauf sollten Hersteller bei einer Software zur MRO-Bestandsplanung achten?
Hersteller sollten die Nachfragsegmentierung, die Integration von Wartungsdaten, die Validierung von Prognosen, Empfehlungen zur Nachschubplanung, die Kompatibilität mit ERP- und EAM-Systemen sowie Workflows zur Genehmigung durch Mitarbeiter bewerten. Zudem sollten sie die Leistung anhand verschiedener Nachfragemuster bewerten, anstatt sich auf eine einzige, allgemeine Genauigkeitskennzahl zu verlassen.
