Ersatzteil-Obsoleszenzprognose

Das echte Ausmaß des Problems

Aufzüge sind langlebige Anlagen, sie laufen oft Jahrzehnte. Der TÜV-Verband zählte für 2022 knapp 657.000 geprüfte Aufzugsanlagen in Deutschland und schätzt, dass rund 100.000 weitere gar nicht geprüft werden. Elektronische Baugruppen wie Steuerungen und Frequenzumrichter haben deutlich kürzere Produktzyklen als die Mechanik. Wer heute einen Aufzug von 2008 wartet, arbeitet mit Bauteilen, für die die Erstausrüster oft gar keine Originalteile mehr herstellen. Wie schnell welche Baugruppe abgekündigt wird, dazu haben wir keine belastbare Durchschnittszahl gefunden.

Ein Branchenreport von SPARETECH nennt für die Industrie allgemein, dass 22 Prozent der Ersatzteilbestände seit über fünf Jahren ungenutzt liegen. Das ist keine Zahl für Aufzugsbetriebe, aber das Muster ist dasselbe: Kapital steckt in falschen Mengen falscher Teile, während genau die Teile fehlen, die in den nächsten zwei Jahren kritisch werden.

Die finanziellen Folgen sind erheblich, sie treffen aber nicht immer dieselbe Kasse:

• Notbeschaffungsaufschläge: Reaktive Beschaffung abgekündigter Teile kostet ein Vielfaches des ursprünglichen Preises, wenn das Teil überhaupt noch verfügbar ist. Im Beispiel oben 1.850 statt 320 Euro. Im Vollwartungsvertrag trägst du das, im einfachen Wartungsvertrag stellst du Teile dem Betreiber in Rechnung.
• Ungeplante Stillstandskosten: Ein stillstehender Aufzug in einem Bürogebäude oder Pflegeheim kostet zuerst den Betreiber. Bei dir landet das nur, wenn der Vertrag Verfügbarkeitszusagen oder Vertragsstrafen enthält, oder wenn der Kunde deswegen kündigt.
• Erzwungene Modernisierung: Wenn kein Ersatzteil mehr beschaffbar ist, bleibt oft nur die Erneuerung der Steuerung, ungeplant im Budget des Eigentümers. Die Modernisierung wäre irgendwann ohnehin fällig gewesen; die Prognose ändert vor allem den Zeitpunkt, von „nach dem Ausfall“ zu „geplant“.
• Reputationsschäden: Für Wartungsunternehmen ist die Abkündigung ohne Frühwarnsystem ein Vertragsrisiko. Kunden, die dreimal innerhalb von zwei Jahren wochenlange Stillstände erleben, kündigen Wartungsverträge.

Die zeitliche Dimension macht es besonders tückisch: Abkündigungsmeldungen kommen oft erst kurz vor dem tatsächlichen Produktionsende, manchmal mit einer Vorlaufzeit von nur drei bis sechs Monaten. Wer keine systematische Überwachung hat, erfährt davon entweder durch einen Lieferanten, der noch einen Restbestand anbietet, oder gar nicht, bis zur nächsten Störung. Genau daran hängt der Nutzen jeder Prognose: Sie spart nur, wenn zwischen Warnung und letzter Bestellmöglichkeit noch Zeit für eine Handlung bleibt, einen Last-Time-Buy, eine Nachfolgelösung oder eine geplante Modernisierung.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Tabelle beschreibt Abläufe, gemessen ist davon nichts. Dass sich Abkündigungen mit Machine Learning vorhersagen lassen, zeigt die Studie von Jennings, Wu und Terpenny (2016): Sie stuft Elektronikbauteile als aktiv oder abgekündigt ein. Aufzugskomponenten hat sie nicht untersucht, und wie früh ein Modell warnt, hängt an den Signalen, die es bekommt.

Einschätzung auf einen Blick

Zeitersparnis, gering (2/5) Eine Notbeschaffung eines abgekündigten Teils bindet nach unserer Annahme 5 bis 15 Arbeitsstunden: Lieferantenrecherche, Preisvergleich, Kompatibilitätsprüfung, Ersatzlösung koordinieren, Einbautermin planen. Mit einer funktionierenden Prognose wird daraus eine planmäßige Bestellung in einer halben Stunde. Bei drei bis fünf solcher Fälle pro Quartal, von denen nur ein Teil vermeidbar ist, sind das einige Dutzend Stunden Disponentenzeit im Jahr. Die Mikro-Ausfallmuster-Erkennung und die Routenplanung entlasten dagegen jeden Techniker jede Woche.

Kosteneinsparung, gering (2/5) Direkt in deiner Kasse landet nur der vermiedene Notaufschlag, und auch der nur, wenn du die Teile im Vollwartungsvertrag selbst trägst. Stillstandskosten treffen zuerst den Betreiber. Dagegen stehen die Lizenz und die Kapitalbindung: Last-Time-Buy-Bestellungen binden Lagerkapital, wer zu viel bestellt, tauscht Notbeschaffungskosten gegen Lager- und Abschreibungskosten. In unserem Rechenbeispiel weiter unten bleibt dafür wenig übrig. Höher liegt der Wert, wenn deine Notaufschläge je Fall hoch sind oder du im Vertrag Verfügbarkeit schuldest.

Schnelle Umsetzung, gering (2/5) Das ist der schwierige Teil: Bevor das Modell arbeiten kann, müssen die Eingangsdaten stimmen. Viele Aufzugserviceunternehmen haben ihre Installed-Base-Daten in SAP PM, aber der Detaillierungsgrad variiert stark. Wenn Servicetechniker über Jahre hinweg Komponenten unter Sammelpositionen gebucht haben (“Steuerungsbaugruppe allgemein” statt mit exakter Artikelnummer), fehlt die Grundlage. Realistische Zeit bis zum produktiven Pilotbetrieb: 10 bis 16 Wochen, davon oft 6 bis 8 Wochen nur für die Datenbereinigung. Unter den verglichenen Aufzugbau-Anwendungsfällen gehört dieser Einstieg zu den anspruchsvolleren.

ROI-Sicherheit, mittel (3/5) Der Nutzen ist prinzipiell messbar, aber du musst ihn aktiv messen. Was hat eine Notbeschaffung im letzten Jahr gekostet, und hätte das Modell sie vorhergesagt? Diese Baseline braucht ein sauberes Tracking im ERP. Unternehmen ohne historische Kostenerfassung für Notbeschaffungen können den ROI nicht rückwirkend belegen. Wer das Tracking vor dem Rollout einführt, hat nach 12 Monaten Betrieb belastbare Zahlen.

Skalierbarkeit, begrenzt (2/5) Das ist die ehrliche Einschränkung dieses Ansatzes: Die Prognosequalität hängt stark von der Homogenität des Anlagenparks ab. Ein Unternehmen, das 300 Aufzüge eines Typs von einem Hersteller wartet, hat viel bessere ML-Grundlagen als eines mit 300 völlig verschiedenen Aufzügen. Bei sehr diversen Flotten muss für jeden wesentlichen Anlagentyp ein separates Modell trainiert und gepflegt werden. Das System skaliert in der Breite (mehr Anlagen des gleichen Typs) gut, in der Tiefe (neue Anlagentypen integrieren) weniger gut.

Richtwerte, stark abhängig vom Homogenitätsgrad des Anlagenparks und der Qualität bestehender ERP-Daten.

Was das Prognosemodell konkret macht

Das technische Fundament ist Machine Learning auf mehreren Datenschichten gleichzeitig:

Schicht 1, Installed-Base-Daten: Für jede verwaltete Anlage erfasst das System, welche Komponenten in welchem Baujahr verbaut sind. Das umfasst Steuerungen, Frequenzumrichter, Sicherheitsbaugruppen und mechanische Verschleißteile. Quelle ist typischerweise das vorhandene ERP (SAP PM, IBM Maximo ) oder ein dediziertes Wartungssystem.

Schicht 2, Hersteller-Lifecycle-Daten: Hersteller wie Siemens, Schneider Electric oder KONE geben Abkündigungsmeldungen (End-of-Life-Notices) heraus. Diese kommen über Lieferanten-Portale, E-Mail-Verteiler oder Plattformen wie SPARETECH , die diese Daten systematisch aggregieren und mit ERP-Artikelnummern verknüpfen.

Schicht 3, Bestellhistorie und Verbrauchsraten: Wie oft wurde welches Teil in den letzten drei bis fünf Jahren verbaut? Welche Teile hatten steigende Verbauraten (weil der Verschleiß zunimmt) und welche sinkende (weil die Anlage zunehmend modernisiert wird)?

Das Modell kombiniert diese drei Datenschichten und berechnet für jedes Teil einen Obsoleszenz-Risiko-Score mit Zeithorizont. Teile, die eine hohe Verbaurate haben, eine absehbare Abkündigung zeigen und in vielen Anlagen verbaut sind, landen oben auf der Last-Time-Buy-Liste. Teile, die theoretisch abgekündigt sind, aber in einer Anlage die seit Jahren nicht mehr gewartet wird stecken, landen unten.

Das Ergebnis ist kein automatischer Kaufbefehl, sondern eine priorisierte Liste mit Empfehlungen: „Diese 12 Teile solltest du in den nächsten sechs Monaten bestellen. Für Teil A empfehlen wir 8 Einheiten, für Teil B 2 Einheiten.” Die Einkaufs- oder Disponenten­entscheidung liegt weiterhin beim Menschen, das Modell beseitigt die Informationslücke, nicht die Verantwortung.

Was das System nicht kann

Es kann keine Abkündigungen vorhersagen, über die noch kein Hersteller kommuniziert hat. Es kann keine individuellen Qualitätsabweichungen einzelner Komponenten erkennen. Und es kann nicht die Nachfolgeteil-Kompatibilität automatisch bestätigen, das braucht nach wie vor den Techniker. Ein Prognosemodell ist ein Frühwarnsystem, kein Autopilot.

Obsoleszenz, Betreiberpflicht und Vertrag

Hier passiert oft ein Denkfehler, und zwar in beide Richtungen.

Die Betriebssicherheitsverordnung (BetrSichV) verpflichtet den Arbeitgeber zu Instandhaltungsmaßnahmen, damit Arbeitsmittel während der gesamten Verwendungsdauer sicher bleiben (§ 10 BetrSichV). Dem Arbeitgeber steht gleich, wer eine überwachungsbedürftige Anlage wie einen Aufzug zu gewerblichen oder wirtschaftlichen Zwecken verwendet (§ 2 Abs. 3 BetrSichV). Die Pflicht trifft also den Betreiber, nicht das Wartungsunternehmen. Was davon bei dir landet, entscheidet der Vertrag: Im Vollwartungsvertrag übernimmst du Reparaturen und Teile gegen eine Pauschale. Wie der Vertrag mit Teilen umgeht, die nicht mehr lieferbar sind, regeln seine Klauseln.

Eine gesetzliche Pflicht der Hersteller, Ersatzteile für Aufzüge eine bestimmte Zahl von Jahren lieferbar zu halten, haben wir nicht gefunden. Die Aufzugsrichtlinie 2014/33/EU regelt Bau und Inverkehrbringen neuer Anlagen, eine Ersatzteilgarantie für den Bestand gibt sie dir nicht.

Was das für die Praxis bedeutet: Wer einen Vollwartungsvertrag auf eine Anlage von 2001 unterschreibt, sollte vorher lesen, was der Vertrag bei nicht mehr lieferbaren Teilen vorsieht, und wissen, welche Baugruppen dieser Anlage schon abgekündigt sind. Das ist ein Planungsargument für eine Obsoleszenzliste. Ob sich dafür ein kostenpflichtiges Prognosesystem lohnt, entscheidet die Rechnung weiter unten.

Hinweis: Diese Übersicht fasst allgemeine Planungsaspekte zusammen und ersetzt keine rechtliche Beratung. Für konkrete Fragen zur Haftung aus Vollwartungsverträgen empfiehlt sich die Abstimmung mit einem auf Anlagentechnik spezialisierten Rechtsanwalt.

Last-Time-Buy: Wie viel kauft man eigentlich auf Vorrat?

Das ist die praktisch schwierigste Frage, und eine, die ein einfaches Prognosemodell allein nicht beantworten kann.

Die Rechnung aus der Bestellmenge: Grundlage ist immer die Kombination aus zwei Faktoren: Wie viele Anlagen haben dieses Teil verbaut, und wie hoch ist die historische Ausfallrate? Ein Teil, das in 80 Anlagen verbaut ist und statistisch alle 8 Jahre ausfällt, wird im Durchschnitt 10 Mal pro Jahr gebraucht. Wenn die Anlage noch 6 Jahre im Betrieb bleibt, sind das 60 Einheiten Bedarf, aber nicht alle gleichzeitig.

Die Lagerhaltungskosten dagegen: 60 Einheiten auf einmal kaufen bedeutet Kapitalbindung. Bei einem Teil, das 300 Euro pro Stück kostet, sind das 60 mal 300, also 18.000 Euro im Lager. Werden die Teile über sechs Jahre gleichmäßig verbaut, liegen im Schnitt rund 9.000 Euro im Bestand. Die Kapitalbindung rechnet auf diesen Bestand, nicht auf den Einkauf: Mit deinem Lagerhaltungskostensatz aus der Kostenrechnung (Kapitalkosten plus Lagerung) multipliziert ergibt sich, was der Vorrat im Jahr kostet. Das Modell muss deshalb nicht nur den Gesamtbedarf schätzen, sondern auch den zeitlichen Verlauf: Wann werden die Anlagen wahrscheinlich modernisiert? Wann fallen die meisten Teile tatsächlich aus?

Ein realistischer Ansatz: Eine belastbare Faustregel für die Menge haben wir nicht gefunden. Die Menge ergibt sich aus einer Abwägung: Jede Einheit zu wenig kostet später einen Notaufschlag oder eine vorgezogene Modernisierung, jede Einheit zu viel kostet Lagerhaltung und am Ende die Abschreibung, wenn die Anlagen früher modernisiert werden als gedacht. Einen Teil des Restbedarfs kann man oft aus Modernisierungen zurückgewinnen oder durch Nachfolgelösungen decken. Ein ML-Modell mit guten historischen Verbaudaten kann die Bedarfsschätzung präzisieren, aber niemals auf Null-Restrisiko drücken.

Häufig unterschätzter Faktor: Lagerkosten für Spezialteile sind nicht trivial. Elektronische Baugruppen brauchen oft klimatisierte Lagerbedingungen, Feuchteschutz und Entladungsschutz. Das gehört mit in den Lagerhaltungskostensatz der Last-Time-Buy-Kalkulation.

Die Qualität der Installed-Base-Daten: Was Servicetechniker wirklich dokumentieren

Das ist der Abschnitt, über den kein Softwarehersteller gerne spricht, weil er zeigt, warum Projekte scheitern, bevor das erste Modell trainiert ist.

Theoretisch ist das ERP der Single Point of Truth: Jede Anlage hat einen Datensatz mit allen verbauten Komponenten inklusive Artikelnummern, Baujahr und Letztaustauschdatum. Was stattdessen vorzufinden ist:

• Sammelpositionen: Techniker buchen auf „Steuerungskomponente” oder „Antriebstechnik”, weil das schneller geht als die Suche nach der exakten Artikelnummer.
• Historische Lücken: Anlagen, die vor der ERP-Einführung gewartet wurden, haben keine strukturierte Komponentenhistorie. Was vor 2015 verbaut wurde, steht oft nur im Papierstapel.
• Freitext-Notizen: „Neuen Wechselrichter von Lager eingebaut”, welcher genau? SAP-Nr.? Seriennummer? Keine Angabe.
• Unstrukturierte Bilder: Viele Techniker machen beim Einbau Fotos, gut gemeint, aber für eine ML-Pipeline nicht verwertbar ohne OCR und Klassifikation.

Diese Datenqualitätsprobleme sind kein Versagen der Techniker, sie sind das Ergebnis von Arbeitsabläufen, die für Geschwindigkeit optimiert wurden, nicht für Datenstruktur. Wer ein ML-Modell auf schlechten Installed-Base-Daten trainiert, bekommt schlechte Prognosen.

Was konkret hilft:

1. Vor dem ML-Projekt: Audit der Installed-Base-Daten für eine Pilotgruppe von 50–100 Anlagen. Wie viele haben vollständige Komponentendetails? Das ergibt den realistischen Startpunkt.
2. Ab Pilotstart: Neue Wartungsaufträge mit Pflichtfeld für Artikelnummer bei Teileaustausch. Erfordert Techniker-Training, aber es reicht auch nachzurüsten was neu hinzukommt.
3. Für Altbestände: Gezielte Nacherfassung bei der nächsten Hauptprüfung. Der Termin mit der zugelassenen Überwachungsstelle ist ein natürlicher Anlass, eine gründliche Dokumentation anzulegen.
4. Erwäge SPARETECH mit eigenem Katalog-Matching: Das System kann aus Artikelnummern im ERP automatisch Lifecycle-Informationen anreichern, und erkennt dabei auch Artikelnummern, die noch nicht vollständig klassifiziert sind.

Konkrete Werkzeuge, was wann passt

Die richtige Werkzeugwahl hängt vor allem davon ab, welches ERP-System bereits vorhanden ist und wie strukturiert die Installed-Base-Daten vorliegen.

SPARETECH , wenn ein strukturierter SAP-Stamm vorhanden ist SPARETECH ist eine spezialisierte Lösung für Ersatzteilstammdaten und Obsoleszenz-Management in der Industrie. Das Stuttgarter Unternehmen führt laut eigenen Angaben einen Katalog mit über 40 Millionen verifizierten Teilen, mit Lifecycle-Daten der Hersteller. SAP ist offizieller Partner, IBM Maximo wird ebenfalls angebunden. Das System erkennt, welche Artikelnummern im Materialstamm Abkündigungs-Risiken haben, und empfiehlt Nachfolgeteile. Zu den Referenzkunden zählen Bosch, Brose und ElringKlinger. Die Einschränkung für diesen Anwendungsfall steht auf unserer Toolseite: In Spezialbranchen wie der Aufzugstechnik ist die Katalogabdeckung deutlich dünner und hängt davon ab, ob die Hersteller ihre Daten liefern. Lass dir im Proof-of-Concept zeigen, wie viele deiner Aufzugsteile der Katalog überhaupt kennt. Preise nennt SPARETECH nur im Vertriebsgespräch.

IBM Maximo Application Suite, wenn ein umfassendes CMMS aufgebaut wird IBM Maximo ist das marktführende Enterprise Asset Management System. Es verwaltet nicht nur Ersatzteile, sondern den gesamten Asset-Lebenszyklus. Die Maximo Application Suite enthält Predictive Maintenance-Module, die auch Obsoleszenz-Risiken verwalten können, allerdings weniger spezialisiert als SPARETECH . Sinnvoll, wenn ein Unternehmen ohnehin eine vollständige CMMS-Einführung plant und Obsoleszenz als eines von mehreren Features mitnimmt. Kosten: Die Einstiegsedition IBM Maximo Essentials kostet laut AWS Marketplace 39.782 US-Dollar im Jahr, dazu erhebliche Implementierungskosten. Wirtschaftlich erst ab ~200 Mitarbeitenden.

SAP IBP , für SAP-Unternehmen mit Demand-Planning-Kapazität SAP IBP bietet Supply-Chain-Planungsfunktionen, die auch für Ersatzteilprognosen genutzt werden können. Der Vorteil: native SAP-Integration ohne Daten-Export. Der Nachteil: SAP IBP ist ein generisches Supply-Chain-Tool, kein spezialisiertes Obsoleszenz-System. Es braucht erhebliche Konfigurationsarbeit, um für Ersatzteil-Lifecycle-Management geeignet zu sein. Laut unserer Toolseite kostet IBP in der Praxis 80.000 bis 200.000 Euro im Jahr für mittlere Implementierungen, nur sinnvoll, wenn SAP IBP ohnehin für andere Planungsprozesse genutzt wird.

Custom ML mit Azure Machine Learning und Microsoft Power BI , für Unternehmen mit eigenem Daten-Team Wer in-house Data-Science-Kapazität hat (oder aufbauen kann), kann ein maßgeschneidertes Prognosemodell auf den eigenen Daten trainieren. Azure Machine Learning bietet die Trainings- und Deployment-Infrastruktur, Microsoft Power BI das Reporting-Dashboard. Vorteil: vollständige Kontrolle über Daten und Modell-Logik; keine Abhängigkeit von Drittanbieter-Katalogen. Nachteil: erheblicher Aufbauaufwand (4–8 Monate für erste produktive Version), laufende Modellpflege intern. Geeignet für Unternehmen mit mehr als 1.000 verwalteten Anlagen, bei denen sich die Eigenentwicklung gegenüber einer Lizenz rechnet.

Zusammenfassung: Wann welcher Ansatz

• SAP PM vorhanden, strukturierte Stammdaten, Katalog deckt deine Aufzugsteile ab → SPARETECH
• Vollständiges CMMS gesucht, Obsoleszenz als ein Feature → IBM Maximo
• SAP IBP bereits im Einsatz, Supply-Chain-Team vorhanden → SAP IBP -Erweiterung
• 1.000+ Anlagen, internes Data-Science-Team → Custom ML auf Azure Machine Learning

Für alle Ansätze gilt: Es gibt kein sinnvolles kostenloses Einstiegsprodukt für produktiven Betrieb. Die kostenlose Variante ist die Excel-Tabelle mit manueller Abkündigungsverfolgung, sinnvoll als Übergangslösung für Unternehmen unter 150 Anlagen.

Datenschutz und Datenhaltung

Obsoleszenz-Prognosemodelle verarbeiten in erster Linie technische Bestandsdaten und Einkaufshistorien, keine personenbezogenen Daten im klassischen Sinne. Das macht die DSGVO-Lage einfacher als bei vielen anderen KI-Projekten.

Dennoch gibt es relevante Datenschutzaspekte:

Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO: Wenn ein externer Dienstleister (wie SPARETECH ) auf Daten deines ERP-Systems zugreift, auch wenn es nur technische Stammdaten sind, ist zu prüfen, ob ein AVV erforderlich ist. Empfehlung: Bei jeder Cloud-basierten Integration einen AVV abschließen, um auf der sicheren Seite zu sein.

Geschäftsgeheimnisse: Die Installed-Base-Daten deines Anlagenparks sind wettbewerblich sensibel. Welche Aufzüge welcher Kunden du wartest, welche Vertragskonditionen gelten, welche Teile du in welchen Mengen bestellst, das sind Informationen, die nicht in US-amerikanischen Rechenzentren ohne Prüfung landen sollten.

• SPARETECH : Deutsches Unternehmen mit deutschem Vertragsrecht. Die genaue Hosting-Region nennt der Anbieter öffentlich nicht, lass sie dir schriftlich bestätigen.
• IBM Maximo : SaaS auf AWS mit Regionswahl, unter anderem Deutschland; alternativ on-premise oder hybrid für maximale Kontrolle, bei KRITIS-Betreibern verbreitet.
• SAP IBP : SAP nutzt EU-Rechenzentren für europäische Kunden. DSGVO-konform, AVV über SAP-Standard-Prozess erhältlich.
• Azure Machine Learning : Microsoft EU Data Boundary-Programm verfügbar; Daten können in der Region Deutschland West Central (Frankfurt) gehalten werden. AVV über die Microsoft-Vertragsbedingungen enthalten.
• Custom ML on-premise: Maximale Datensouveränität, keine Drittanbieter-Abhängigkeit. Empfohlen, wenn der Anlagenpark KRITIS-nahe Gebäude (Krankenhäuser, Justizgebäude, Infrastruktur) umfasst.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Der größte Kostenblock ist oft nicht die Software, sondern die Datenbereinigung:

• Audit und Bereinigung der Installed-Base-Daten: 4–8 Wochen interner Aufwand + optional externer Dienstleister (5.000–15.000 Euro)
• Software-Einführung: bei SPARETECH laut unserer Toolseite ein mehrmonatiges Einführungsprojekt mit Stammdatenharmonisierung, bei Custom ML ein eigenes Entwicklungsprojekt; beides nach Angebot, es kommt zu allen Summen auf dieser Seite hinzu
• ERP-Integration: Teil des Einführungsprojekts, Aufwand je nach SAP-Komplexität

Laufende Kosten (monatlich/jährlich)

• SPARETECH : Jahresabonnement, Preis nur auf Anfrage
• IBM Maximo : ab 39.782 US-Dollar im Jahr (Essentials, AWS Marketplace) + laufende Adminkosten
• Custom ML auf Azure Machine Learning : 500–2.000 Euro/Monat Infrastruktur (Annahme, hängt an der Rechenlast) + interner Modellpflegeaufwand (5–10 Stunden/Monat)

Was du dagegenrechnen kannst

Annahme: 500 verwaltete Anlagen, 4 Notbeschaffungsfälle pro Quartal, davon 2 durch einen rechtzeitigen Last-Time-Buy vermeidbar, 8 Stunden Disponenten-Aufwand je Fall, Notaufschlag im Schnitt 150 Euro je Fall. Alles Annahmen dieser Seite, setze deine eigenen Zahlen ein.

• Vermiedene Notaufschläge: 2 Fälle mal 4 Quartale mal 150 Euro = 1.200 Euro/Jahr. Dein Geld nur, wenn du die Teile im Vollwartungsvertrag selbst trägst; im einfachen Wartungsvertrag spart der Betreiber den Aufschlag.
• Dispositionszeit: 2 Fälle mal 4 Quartale mal 7,5 Stunden (8 Stunden Notbeschaffung minus eine halbe Stunde planmäßige Bestellung) = 60 Stunden/Jahr. Geld ist das nur, wenn dadurch bezahlte Stunden wegfallen, etwa Überstunden oder eine Aushilfe. Sonst gewinnt die Disposition Zeit, aber keinen Kassenbetrag.
• Vermiedene Stillstandstage: 2 Fälle mal 4 Quartale mal 2 Tage = 16 Stillstandstage weniger im Jahr. Die kosten zuerst den Betreiber. Bei dir kommen sie nur an, wenn der Vertrag Verfügbarkeit zusagt, eine Vertragsstrafe vorsieht, oder wenn ein Kunde wegen wiederholter Stillstände kündigt.

Dagegen stehen der Lagerbestand aus den Last-Time-Buys (Rechenweg im Abschnitt oben: 18.000 Euro Einkauf, im Schnitt rund 9.000 Euro Bestand, mal deinem Lagerhaltungskostensatz, dazu Abschreibungen auf Restmengen) und die Software.

Ein SPARETECH -Abonnement kostet, was im Angebot steht. IBM Maximo beginnt bei knapp 40.000 US-Dollar im Jahr.

Gegen 1.200 Euro direkte Ersparnis im Jahr trägt sich keins von beiden. Die Rechnung kippt erst, wenn deine Notaufschläge je Fall eher bei Miriams 1.530 Euro liegen als bei 150 Euro, wenn du im Vollwartungsvertrag Teile und Verfügbarkeit schuldest, oder wenn wiederholte Stillstände Verträge kosten.

Ehrliches Fazit: Ob sich ein spezialisiertes Tool wie SPARETECH lohnt, hängt weniger an der Anlagenzahl als an drei Größen: der Höhe deiner Notaufschläge, deinem Vertragsmodell und dem Lizenzpreis, den du im Angebot bekommst. Unter 150 Anlagen ist eine gut gepflegte Excel-Liste mit Abkündigungsmonitoring fast immer das bessere Kosten-Nutzen-Verhältnis, und auch darüber ist sie der erste Schritt.

Drei typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Daten stimmen. Das ist der häufigste Fehler bei ML-Projekten in der Industrie, und er ist bei diesem Anwendungsfall besonders destruktiv. Wenn 40 Prozent der Installed-Base-Einträge unvollständige Komponentendetails haben, ist das Modell für genau diese 40 Prozent blind. Es wird Teile als “kein Risiko” einschätzen, weil es schlicht keine Daten hat, nicht weil kein Risiko besteht. Das Ergebnis ist ein System, das Sicherheit suggeriert, die nicht existiert. Besser: Erst für eine Pilotgruppe von 50–100 Anlagen die Daten vollständig bereinigen, dann pilotieren.

2. Abkündigungsmeldungen als einzige Datenquelle behandeln. Hersteller kommunizieren Abkündigungen manchmal erst sehr spät, oder gar nicht förmlich, wenn ein Produkt einfach “nicht mehr lieferbar” ist. Wer nur auf offizielle End-of-Life-Notices wartet, bemerkt den Lieferausfall oft erst, wenn der Lieferant eine Bestellung nicht mehr bestätigt. Besser: Lieferanten-Feedback und Bestelldaten als zweite Signalquelle einbeziehen. Steigen Lieferzeiten, fallen Rückmeldungsquoten oder nehmen Preissteigerungen bei bestimmten Artikeln zu, sind das frühe Warnsignale für bevorstehende Abkündigungen.

3. Das Modell wird eingeführt und dann nicht gepflegt. Das ist der gefährlichste Fehler, weil er still passiert.

Ein Obsoleszenz-Prognosemodell, das sechs Monate nach dem Launch nicht mehr aktualisiert wird, hat veraltete Hersteller-Lifecycle-Daten und veraltete Installed-Base-Daten. Es produziert weiterhin Outputs, aber diese spiegeln nicht mehr die aktuelle Situation wider. Statische ML-Modelle zeigen einen dokumentierten Qualitätsabfall über Zeit, wenn sie keine neuen Daten integrieren (laut akademischer Forschung zu Konzept-Drift in Zeitreihenmodellen). Im besten Fall ignorieren Einkäufer die veralteten Empfehlungen, im schlimmsten Fall vertrauen sie ihnen.

Was einen Review auslöst: jede ERP-Änderung (neue Artikelnummern, Lieferantenwechsel), jede größere Modernisierungswelle im Anlagenpark, und mindestens einmal jährlich ein manueller Abgleich zwischen Modellvorhersagen und tatsächlich eingetretenen Abkündigungen. Diese Wartungsaufgabe braucht eine namentlich benannte Zuständigkeit, nicht “der Einkauf”, sondern eine Person.

Was mit der Einführung wirklich passiert, und was nicht

Ein Obsoleszenz-Prognosemodell ist ein Hilfssystem für den Einkauf, kein autonomes System. Das klingt selbstverständlich, wird aber in der Einführungsphase oft falsch eingeschätzt.

Das Adoptionsproblem: Erfahrene Disponenten haben über Jahre intuitive Abkündigungskenntnis aufgebaut. Sie wissen: “Bei den alten Umrichtern aus der Serie X aufpassen” oder “Den Regler von Hersteller Y bekommt man seit zwei Jahren nicht mehr.” Ein System, das plötzlich formelle Empfehlungen produziert, kann sich anfühlen wie eine Kritik an der bisherigen Arbeitsweise, auch wenn das nie so gemeint ist.

Was hilft: Die erfahrenen Disponenten aktiv in die Modellvalidierung einbinden. Ihre intuitive Liste der “Problemteile” ist ein wertvoller Testdatensatz: Tauchen diese Teile oben in den Modellempfehlungen auf? Wenn nicht, ist das ein Qualitätssignal für das Modell, nicht für die Disponenten. Wer das System mitvalidiert hat, vertraut ihm mehr.

Das Einkaufsproblem: Last-Time-Buy-Bestellungen binden Budgets. Die Genehmigung einer Bestellung von 25 Einheiten eines Teils, das gerade nicht gebraucht wird, erfordert eine andere Prozesslogik als reaktive Einkäufe. Das Budget muss prospektiv reserviert werden, was Finance-Freigaben nach sich zieht, die in der Einführungsplanung oft vergessen werden.

Was nicht passiert: Das System wird keine Lieferantenbeziehungen automatisch managen, keine Bestellungen autonom auslösen und keine Kompatibilitätsprüfungen für Nachfolgeteile durchführen. Es priorisiert, die Entscheidung trifft weiterhin der Mensch. Wer das vorab klar kommuniziert, vermeidet Enttäuschungen.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Dieser Zeitplan gilt für einen SPARETECH -basierten Ansatz. Ein Custom-ML-Projekt beginnt deutlich später produktiv, realistisch 4 bis 8 Monate bis zum ersten produktiven Einsatz.

Häufige Einwände, und was dahintersteckt

„Wir bekommen die Abkündigungen doch sowieso vom Lieferanten gemeldet.” Das stimmt manchmal, aber unzuverlässig. Große Lieferanten mit strukturierten Produktmanagement-Prozessen senden tatsächlich formelle End-of-Life-Notices. Kleine Lieferanten oft nicht. Und selbst wenn eine Meldung kommt: Wer prüft, ob sie in deinen ERP-Bestand gegen alle betroffenen Artikelnummern gegengeprüft wurde? Oft landet die E-Mail im Postfach der Einkäuferin, wird gelesen, weitergemailed und dann vergessen, weil kein System die Verbindung zu den installierten Anlagen zieht.

„Das lohnt sich nur für große Unternehmen.” Für Unternehmen unter 150 Anlagen stimmt das wahrscheinlich, eine Excel-Liste mit manueller Abkündigungsverfolgung reicht. Ab 300 Anlagen wird es unübersichtlich: zu viele Teile, zu viele Hersteller, zu viele Anlagentypen, um das nebenbei zu überblicken. Ab 500 Anlagen braucht es ein System mit fester Zuständigkeit. Ob das eine gepflegte Liste ist oder eine lizenzierte Software, entscheidet die Rechnung im Kostenabschnitt, nicht die Flottengröße allein.

„Unsere Techniker wissen, welche Teile kritisch sind.” Das ist oft wahr, für die Teile, die in letzter Zeit kritisch waren. Aber das Erfahrungswissen von Technikern deckt typischerweise die letzten drei bis fünf Jahre ab. Abkündigungen, die noch zwei Jahre entfernt liegen, sind nicht im aktiven Wissensradar. Und wenn der erfahrene Techniker das Unternehmen verlässt, geht dieses Wissen mit. Ein Prognosemodell ist unter anderem eine Möglichkeit, dieses Wissen aus Köpfen in ein System zu übertragen.

Woran du merkst, dass das zu dir passt

• Du hast mehr als 300 Aufzüge im Wartungsvertrag, davon ein erheblicher Anteil älter als 15 Jahre
• Du erlebst mindestens einen Notbeschaffungsfall pro Quartal, bei dem ein Teil reaktiv gesucht wird, weil es nicht im Lager ist
• Dein ERP enthält strukturierte Installed-Base-Daten mit Komponentendetails auf Artikelnummern-Ebene, oder du bist bereit, diese in einer Pilotgruppe zu vervollständigen
• Du hast im letzten Jahr mindestens eine ungeplante Modernisierung durchgeführt, weil kein Ersatzteil mehr beschaffbar war
• Dein Einkaufsteam verbringt messbare Zeit mit der Suche nach Alternativen für schwer beschaffbare Teile

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 150 verwalteten Anlagen. Die Menge der abzupflegenden Teile und Hersteller-Beziehungen ist bei dieser Größe noch manuell handhabbar. Der Aufwand für Datenbereinigung und Tool-Einführung übersteigt die erzielbare Zeitersparnis. Eine strukturierte Excel-Liste mit einem jährlichen Abkündigungs-Check reicht vollständig.

2. Keine strukturierten Installed-Base-Daten im ERP. Wenn Servicetechniker bisher Komponenten nur unter Sammelpositionen buchen (ohne Artikelnummer, ohne Seriennummer), fehlt das Fundament für jedes ML-Modell. In diesem Fall ist der erste Schritt nicht das Prognosemodell, sondern die Einführung strukturierter Wartungsdokumentation. Ein Prognosemodell auf schlecht strukturierten Installed-Base-Daten produziert falsche Sicherheit, das ist gefährlicher als gar kein System.

3. Kein Anlagenpark mit Typ-Homogenität, jeder Aufzug ist ein Unikat. Wenn das Unternehmen einen sehr diversen Park verwaltet (viele verschiedene Fabrikate, Baujahre und Steuerungstypen in Kleinstmengen), trainiert das ML-Modell auf zu wenigen Beispielen pro Typ. Die Prognosequalität wird für die seltenen Typen gering sein, genau jene, die oft die schwierigsten Obsoleszenzfälle verursachen. Für Unternehmen mit sehr heterogenem Park ist ein stärker manuell gestützter Ansatz (monatliche Lieferantenchecks, Branchenvernetzung) oft realitätsnäher als ein ML-Modell.

Das kannst du heute noch tun

Beginne mit einem kostenlosen Daten-Audit, das du selbst machen kannst, ohne Tool-Entscheidung, ohne Budget-Freigabe.

Exportiere aus deinem ERP alle Wartungsaufträge der letzten drei Jahre, bei denen ein Ersatzteil ausgetauscht wurde. Dann frage für jede Zeile: Steht dort eine vollständige Artikelnummer des Herstellers, oder nur eine interne SAP-Materialnummer ohne Herstellerreferenz? Welcher Anteil der Einträge ist vollständig auflösbar?

Das Ergebnis gibt dir in zwei Stunden den realistischsten Startpunkt: Wenn 70 Prozent oder mehr deiner Bestellungen vollständige Artikelnummern enthalten, ist der Weg zu einer ML-gestützten Obsoleszenzprognose realistisch. Wenn weniger als 40 Prozent vollständig sind, beginnt das Projekt mit einer Datenpflegekampagne.

Für eine erste strukturierte Selbstanalyse hilft der folgende Prompt, damit kannst du die Ausgabe eines ERP-Exports durch eine KI-gestützte Analyse laufen lassen. Exportiere dafür nur Auftragsnummer, Datum, interne Anlagen-ID und Materialdaten, keine Kundennamen, Anlagenadressen oder Vertragskonditionen; die gehören nach dem Datenschutzabschnitt oben nicht ungeprüft in ein US-Rechenzentrum. Im Verbrauchertarif schalte außerdem die Nutzung deiner Eingaben fürs Training ab.

Quellen & Methodik

• Ungenutzte Ersatzteilbestände: SPARETECH, Branchenreport zur MRO-Strategie, beworben auf sparetech.io/blog: „22% of spare parts inventory sits unused for over five years”. Bezieht sich auf die Industrie allgemein, nicht auf Aufzugsbetriebe.
• Aufzugsbestand in Deutschland: TÜV-Verband, Anlagensicherheitsreport 2023: knapp 657.000 geprüfte Aufzugsanlagen im Jahr 2022, geschätzt rund 100.000 ungeprüfte. tuev-verband.de
• Überbestände in der Aufzugsbranche: Oguji Nnamdi, „Strategies for Managing Excess and Dead Inventories: A Case Study of Spare Parts Inventories in the Elevator Equipment Industry”, Operations and Supply Chain Management: An International Journal (2018), S. 128–138. DOI: 10.31387/oscm0320209
• ML-Obsoleszenzprognose: Connor Jennings, Dazhong Wu, Janis Terpenny, „Forecasting Obsolescence Risk and Product Life Cycle With Machine Learning”, IEEE Transactions on Components, Packaging and Manufacturing Technology 6 (9), 2016, S. 1428–1439. DOI: 10.1109/TCPMT.2016.2589206. Klassifiziert Elektronikbauteile als aktiv oder abgekündigt; Aufzugskomponenten wurden nicht untersucht.
• Regulatorischer Rahmen: Betriebssicherheitsverordnung, § 10 (Instandhaltung) und § 2 Abs. 3 (Betreiber überwachungsbedürftiger Anlagen stehen dem Arbeitgeber gleich), gesetze-im-internet.de; Aufzugsrichtlinie 2014/33/EU.
• Notaufschläge, Stunden je Notbeschaffung, vermeidbare Fälle, Stillstandstage: Annahmen dieser Seite, keine gemessenen Werte. Setze deine eigenen Zahlen ein.
• Preisangaben Tools: IBM Maximo Essentials laut AWS Marketplace, SAP IBP laut unserer Toolseite; SPARETECH nennt keine Preise (Stand September 2026).

Du willst wissen, wie gut deine Installed-Base-Daten für eine Obsoleszenzprognose geeignet sind, und welches Tool für deinen Anlagenpark am besten passt? Meld dich, das klären wir in einem kurzen Gespräch.