Ersatzteilbedarf prognostizieren statt auf Zuruf lagern

Das echte Ausmaß des Problems

Ersatzteilmanagement ist ein klassisches Operations-Dilemma: Zu viel Lager kostet Geld (Lagerhaltungskosten, Verschrottung, Zinskosten), zu wenig Lager kostet noch mehr Geld (Notfallbestellungen, Kundenausfallkosten, Vertragsstrafen).

Für einen typischen Maschinenbauer stellen sich die Zahlen so dar:

• Lagerhaltungskosten: 20–30% des Bestandswerts pro Jahr (Miete, Handling, Versicherung, Zinsen). Ein Lager mit 200.000 Euro Bestandswert kostet also 40.000–60.000 Euro/Jahr nur zum Lagern.
• Notfallbestellungen: 3–5x teurer als reguläre Bestellungen. Ein Ring, der normal 5 Euro kostet, kostet 15–25 Euro als Express-Bestellung inkl. Versand.
• Kundenausfallkosten: Ein Kunde mit ungeplantem Maschinenstillstand verlangt oft vertraglich fixierte Entschädigungen oder wechselt den Zulieferer. Das ist ein echtes Geschäftsrisiko.

Das klassische Szenario ist ein „Zu viel und zu wenig”-Problem: Das Lager hat 1.000 überflüssige Einheiten eines seltenen Teils (das nie kaputt geht), aber nur 3 Stück eines häufigen Verschleißteils (das ständig gebraucht wird).

Das Problem: Niemand weiß, ob ein Teil häufig oder selten ausfällt — außer durch historische Erfahrung. Und wenn die nicht systematisch erfasst ist, läuft es auf Bauchgefühl hinaus.

Mit vs. ohne ML-Prognose — ein ehrlicher Vergleich

Die Zahlen stammen aus Implementierungen von RELEX Solutions, Fraunhofer-IIS-Forschung und Lokad-Case-Studies bei deutschen Maschinenbauern.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Das System läuft automatisch, ohne dass der Lagermeister eingreifen muss. Das spart vielleicht 10–15 Stunden monatliche Planungsarbeit — sofern vorher Bestellungen manuell kalkuliert wurden. Für viele Lagerbetriebe ist das keine sichtbare Zeiteinsparung, weil die Zeit ohnehin nicht in der Planung steckt, sondern im Krisenmanagement (Notfallbestellungen, Kundenreklamationen). Score 2, weil die Zeiteinsparung indirekt und klein ist.

Kosteneinsparung — hoch (4/5)
Der Kernnutzen. Wenn dein Lager 300.000 Euro Bestand hält und 25 % davon durch bessere Prognose reduzierbar ist, sparst du 75.000 Euro Lagerhaltungskosten pro Jahr. Dazu: Die 10–15 Notfallbestellungen im Monat reduzieren sich auf 1–3. Jede Notfallbestellung kostet 500–1.500 Euro extra. Bei 10 Notfallbestellungen monatlich × 1.000 Euro sind das 120.000 Euro zusätzlich pro Jahr. Mit ML: 2 × 1.000 = 2.000 Euro. Ersparnis: 118.000 Euro. Beide Effekte zusammen (Bestandsreduktion plus weniger Notfallbestellungen) liegen bei einem mittelgroßen Betrieb im Bereich 150.000–200.000 Euro pro Jahr. Score 4, weil die Kostenersparnis gut belegt und groß ist.

Schnelle Umsetzung — niedrig (2/5)
Das ist eine große Hürde. Um ein gutes Prognose-Modell zu trainieren, brauchst du:

1. 2+ Jahre historische Ausfallhistorie der Maschinen, idealerweise: Maschinenlaufzeiten, Einsatzbedingungen, Wartungsintervalle
2. 2+ Jahre ERP-Bestandsdaten für jeden Artikel
3. Lieferzeiten-Daten pro Artikel

Das ist selten gut organisiert. Die Datenbereinigung nimmt 1–2 Monate, Training + Validierung 2–3 weitere Monate. Erst danach geht das Modell live. Score 2, weil der Aufwand erheblich ist.

ROI-Sicherheit — hoch (4/5)
Der ROI ist sehr solide, weil die Kosteneffekte (Bestandswert, Notfallbestellungen) direkt messbar sind. Die Bestandswertreduktion lässt sich verbuchen, die gesparten Notfallkosten wirken in der GuV. Das ist konkreter als etwa Zeitersparnisse, die selten wirklich freigesetzt werden. Score 4 statt 5, weil es einen kleinen Haken gibt: Verfehlt das Modell die Verfügbarkeitsziele (zu wenig Bestand) und fallen Kunden unerwartet aus, kann der vermeintliche Gewinn schnell verpuffen. Eine stabile Verfügbarkeit ist Voraussetzung.

Skalierbarkeit — hoch (4/5)
Nach dem ersten Modell für einen Maschinentyp ist es sehr skalierbar. Neue Maschinentypen, neue Standorte, neue Ersatzteil-Kategorien — das Modell kann auf alle erweitert werden, ohne dass ein neuer Trainings-Zyklus notwendig ist. Nur die Daten müssen fließen. Score 4, weil bei fundamental neuen Maschinentypen (völlig andere Ausfallmuster) eine Neukalibrierung nötig ist.

Richtwerte — stark abhängig von Datenqualität, Anzahl Maschinentypen und Komplexität der Ausfallmuster.

Was ein Ersatzteil-Prognose-System konkret macht

Ein ML-basiertes Ersatzteil-Prognose-System funktioniert in drei Schichten:

1. Datenbasis: Was ist die Historie? Das System sammelt kontinuierlich:

• Ausfallhistorie: Wann welche Teile an welchen Maschinen kaputt gegangen sind? Monatliche Reparaturlisten aus dem ERP.
• Maschinenlaufzeiten: Wie viele Betriebsstunden pro Maschine pro Monat? (Aus Maschinentelemetrie oder manuellen Logs.)
• Saisonalität: Läuft die Maschine im Sommer mehr/weniger? Sind Feiertage berücksichtigt?
• Einkaufshistorie: Welche Teile wurden wann bestellt, zu welchen Preisen, mit welcher Lieferzeit?

Das System normalisiert diese Daten in eine konsistente Zeitreihe: „Für dieses Teil und diese Maschine waren die monatlichen Ausfallzahlen der letzten 24 Monate: 0, 1, 0, 2, 1, 0, 0, 3, 1, …”

2. Modell-Training: Was ist das Muster? Der Klassiker ist ein Random-Forest-Modell. Das trainiert auf der historischen Zeitreihe und lernt: Welche Faktoren beeinflussen die Ausfälle? Maschinenlaufstunden? Jahreszeit? Alter der Maschine? Wartungsintervalle? Das Modell erkennt nicht-lineare Muster, die lineare Forecasts (wie der klassische gleitende Durchschnitt) verpassen würden.

Beispiel: Ein Typenlager-Ring hat normalerweise 1–2 Ausfälle pro Monat. Aber wenn die Maschine über 5.000 Betriebsstunden/Monat läuft (statt normal 3.000), sind es 3–4 Ausfälle. Ein lineares Modell würde das verpassen. Random Forest erkennt diese Abhängigkeit.

Genauigkeit: Echte Implementierungen erreichen 90–94 % Prognosegenauigkeit für häufig gebrauchte Teile (hohe Ausfallfrequenz). Für seltene Teile (1–2× pro Jahr kaputt) sinkt die Genauigkeit auf 60–70 %, das ist aber vertretbar — bei seltenen Teilen sind auch die Kosten klein.

3. Automatische Bestellungslogik: Wann bestellt das System? Das System beobachtet kontinuierlich die Prognose und stellt Bestellempfehlungen:

Aktueller Bestand für Ring XYZ: 8 Stück
Monatliche Ausfallprognose (nächste 4 Wochen): 2,3 Stück (95 %-Konfidenzintervall: 1–4)
Lieferzeit bei Standardbestellung: 6 Wochen
Sicherheitspuffer: 25 % (gegen Prognosefehler und überraschende Bedarfsspitzen)

→ Optimale Bestellmenge: 15 Stück
→ Aktuelle Menge ausreichend bis: 4,5 Wochen
→ Empfehlung: JETZT bestellen (Puffer-Grenze unterschritten)

Das ist nicht blindes Nachbestellen — die Prognoseunsicherheit fließt mit ein. Wenn eine seltene Komponente unsicher ist, wächst der Puffer.

Konkrete Werkzeuge — was wann passt

RELEX Solutions — Das führende SaaS-Tool für Demand Forecasting im Maschinenbau und Industrieservice. RELEX trainiert ML-Modelle auf deinen Daten, integriert mit SAP/Infor, und liefert tägliche Bestellempfehlungen. Laufende Kosten: 500–2.000 Euro/Monat je nach Artikelanzahl. Setup: 2–3 Monate. Sinnvoll ab ca. 200+ Ersatzteil-Artikel.

Custom-Modell mit AWS SageMaker oder Azure ML — Du hast große Datenmengen und möchtest volle Kontrolle. Mit AWS/Azure trainierst du ein Custom Random-Forest- oder XGBoost-Modell auf deinen Daten, hostest es selbst. Kosten: 2.000–10.000 Euro Trainings-Setup + 500–2.000 Euro/Monat Betrieb. Aufwand: 3–5 Monate. Sinnvoll, wenn du 500+ Artikel hast und vollständige Ownership brauchst.

Lokad — Ein spezialisierter Forecasting-Service mit fokusiertem Ansatz auf Supply Chain (nicht allgemein ML). Lokad ist gut für sehr intermittente Teile (große Unsicherheit bei seltenen Ausfällen). Kosten: Vergleichbar mit RELEX, aber mit stärkerem Schwerpunkt auf Risikomodellierung bei hoher Volatilität. Setup: 2–3 Monate.

Open-Source-Lösung mit MLflow + Python — Du hast ein Data-Science-Team? Mit MLflow (Open Source) kannst du ein Random-Forest-Modell lokal trainieren und produktiv setzen. Kosten: Nur Cloud-Infrastruktur (100–500 Euro/Monat). Aufwand: hoch (4–6 Monate, weil dein Team alles selbst machen muss). Sinnvoll, wenn interne Tech-Kompetenz vorhanden ist und du Kosten sparen willst.

ERP-interne Lösungen (SAP Integrated Business Planning, Oracle Supply Chain) — Wenn du SAP oder Oracle hast: Diese ERP-Systeme haben interne Prognose-Module. Nicht so ausgereift wie RELEX/Lokad, aber integriert und keine zusätzlichen Kosten. Sinnvoll als erster Pilot, bevor externe Lösungen eingeführt werden.

Zusammenfassung: Wann welcher Ansatz

• 50–150 Artikel, einfache Muster → ERP-interne Lösung probieren
• 150–500 Artikel, RELEX als Standardlösung → RELEX Solutions
• 500+ Artikel, Custom-Ownership, High-Volatilität → AWS/Azure Custom
• Intermittente/seltene Ausfälle mit Risikomodellierung → Lokad
• Tech-Team vorhanden, Kosten-minimierung → Custom mit MLflow

Datenschutz und Datenhaltung

ML-Ersatzteil-Prognose-Systeme verarbeiten operative Daten: Ausfallgeschichte, Maschinenlaufzeiten, Kundendaten (wem gehört welche Maschine). Das ist oft sensitive Geschäftsinformation, aber meist keine personenbezogenen Daten.

Wenn du RELEX nutzt:

• Daten liegen auf RELEX-Servern (Europa oder US, je nach Vertrag)
• Ein AVV nach DSGVO ist erhältlich (schließ ihn ab)
• Die Kundenzuordnung (Maschinen-IDs mit Kundennamen) bleibt sensibel — anonymisiere sie beim Datenupload, soweit möglich

Wenn du AWS/Azure nutzt:

• Du entscheidest, ob EU oder US-Region
• Du kontrollierst die Daten vollständig
• DSGVO-Konformität liegt in deiner Verantwortung — ein Jurist sollte den Datenschutz-Plan prüfen

Wenn du eine Eigenentwicklung mit MLflow betreibst:

• Daten bleiben on-premise oder in deinem eigenen Cloud-Account
• Höchstes Sicherheitsniveau, aber auch höchste Eigenverantwortung

Empfehlung: Für die meisten Maschinenbauer reicht RELEX mit AVV. Wenn absolute Datenkontrolle nötig ist (Compliance-Anforderungen): Eigenentwicklung mit AWS/Azure oder MLflow.

Was es kostet — realistisch gerechnet

Einmalige Kosten

RELEX oder Lokad:

• Setup & Implementierung: 10.000–25.000 Euro (Berater oder RELEX-Service)
• Datenbereinigung & Integration: 3.000–8.000 Euro
• Training & Change Management: 2.000–5.000 Euro
• Gesamteinrichtung: 15.000–38.000 Euro

Custom AWS/Azure:

• Data Pipeline Setup: 8.000–15.000 Euro
• Modell Training & Validierung: 5.000–12.000 Euro
• Integration mit ERP: 5.000–15.000 Euro
• Gesamteinrichtung: 18.000–42.000 Euro

MLflow (eigen):

• Fast nur Personalkosten des Data-Science-Teams: 40.000–80.000 Euro (3–5 Monate @ Consultant-Rate oder intern)

Laufende Kosten (monatlich)

• RELEX/Lokad: 500–2.000 Euro je nach Artikelanzahl
• AWS/Azure Custom: 500–1.500 Euro (Cloud-Infrastruktur)
• MLflow Betrieb: 100–300 Euro (Compute) + interne Support-Zeit

ROI-Szenario (konservativ)

Nehmen wir einen Maschinenbauer mit:

• 500 Ersatzteil-Artikel
• 250.000 Euro Lagerwert
• 10 Notfallbestellungen/Monat à 1.200 Euro = 12.000 Euro/Monat

Mit Prognose-System:

• Lagerbestandsreduktion um 25%: 62.500 Euro weniger Bestand
  • Lagerhaltungskostenersparnis: 62.500 × 25%/Jahr = 15.625 Euro/Jahr
• Notfallbestellungen sinken um 70%: 7 statt 10/Monat
  • Kostenersparnis: 3 × 1.200 × 12 = 43.200 Euro/Jahr
• Gesamtersparnisse: 15.625 + 43.200 = 58.825 Euro/Jahr

Kosten:

• RELEX: 1.000 Euro/Monat × 12 = 12.000 Euro/Jahr
• Einrichtung (amortisiert über 3 Jahre): 25.000 / 3 = 8.333 Euro/Jahr
• Gesamtkosten: 20.333 Euro/Jahr

Netto-Gewinn: 58.825 - 20.333 = 38.492 Euro/Jahr

Das amortisiert sich in den ersten 4–6 Monaten der Einrichtungsphase. Danach ist es eine 2:1-ROI.

Drei typische Einstiegsfehler

1. Zu optimistische Verfügbarkeitsziele setzen. Das System kann nicht 99,9% Verfügbarkeit garantieren — weil es auf historischen Daten trainiert und die Zukunft immer Überraschungen hat. Wenn du das Ziel auf 99% setzt, wirst du enttäuscht. Realistisch ist 94–97% Verfügbarkeit bei guter Datenqualität.

Was hilft: Mit 92–95 % Verfügbarkeit starten. Nach 6–12 Monaten echtem Betrieb, wenn das Modell gelernt hat, kann die Quote verfeinert werden.

2. Daten nicht kontinuierlich einspeisen. Das Modell trainiert auf historischen Daten, muss aber laufend neue Ausfälle sehen, um seine Prognosen zu verfeinern. Wenn du das System aufbaust und dann 6 Monate lang keine neuen Ausfallmeldungen erfasst (weil die Prozesse chaotisch sind), werden die Prognosen zunehmend falsch.

Was hilft: Einen Prozess etablieren: Jede Reparatur wird im ERP protokolliert (Welches Teil? Welche Maschine? Wann?). Das füttert täglich automatisch das Modell. Das ist ein Organisationsproblem, nicht technisch — aber kritisch.

3. Bestandspuffer zu niedrig setzen. Das System gibt Bestellempfehlungen mit Sicherheitspuffer. Wenn dein Einkauf den Puffer zu aggressiv senkt (um Kosten zu sparen), sinkt auch die Verfügbarkeit schnell. Ein zu niedriger Puffer ist eine Zeitbombe.

Was hilft: Mit großzügigeren Puffern starten (etwa 40 % über Prognose), dann nach 3 Monaten echtem Betrieb optimieren. Der Stresstest zeigt, ob der Puffer reicht.

Was mit der Einführung wirklich passiert — und was nicht

Die Lagermeister-Skeptiker. Lagermeister haben oft 20+ Jahre Erfahrung mit „ich weiß einfach, wann ein Teil ausgeht”. Ein System, das das teilweise übernimmt, kann sich bedrohlich anfühlen. Wichtig: Explizit kommunizieren, dass das System den Lagermeister unterstützt, nicht ersetzt — und dass seine Erfahrung weiterhin Gold wert ist (für Ausnahmefälle, für Special-Orders).

Das „Das System macht Fehler”-Phänomen. In Woche 2–3 wird zum ersten Mal eine Bestellung empfohlen, die sich später als nicht optimal herausstellt. „Siehst du? Das System ist Müll.” Das ist der kritische Moment. Wichtig: Erwartungen zum Projektstart klarziehen — „Das System wird in den ersten Wochen Fehler machen. Wir lernen daraus und verfeinern die Prognosen.”

Die Daten-Realität. Viele Maschinenbauer haben keine sauberen Ausfallhistorien — weil Reparaturen mündlich übermittelt werden oder in chaotischen Tabellen stecken. Das System kann nicht trainiert werden, wenn die Datenqualität schlecht ist. Das wird schnell zum Blocker.

Was konkret hilft:

• Lagermeister früh einbeziehen: „Deine Expertise hilft uns, echte Ausfälle korrekt zu klassifizieren”
• Ein Daten-Audit vor dem Projekt: Wie gut sind die historischen Ausfallaufzeichnungen? Gegebenenfalls Datenbereinigung als separates Projekt
• Schrittweiser Rollout: Mit einem Maschinentyp und 50 Ersatzteilen starten, nicht alle 500 auf einmal
• Erwartungsmanagement: „Die ersten 3 Monate sind Lernphase, ab Monat 4 stabilisiert sich die Genauigkeit”

Realistischer Zeitplan mit Risikohinweisen

Gesamtdauer bis stabiler Betrieb: 4–6 Monate mit RELEX, 5–7 Monate bei einer Eigenentwicklung.

Wichtig: Das System wird nicht sofort perfekt laufen. In den ersten zwei Monaten kommen Fehlbestellungen vor — das ist normal und eingeplant.

Häufige Einwände — und was dahintersteckt

„Unsere Ausfallmuster sind zu zufällig — da kann ML nicht helfen.” Stimmt nur bedingt. Echter Zufall ist selten. Meist steckt Kausalität dahinter (Maschinenlaufstunden, Wartungszyklen, Trends bei der Materialqualität), die ein Mensch nicht sieht, ML aber findet. Test: Schau auf deine letzten 24 Monate Ausfallhistorie — gibt es Muster? (Zum Beispiel bestimmte Jahreszeiten mit mehr Ausfällen?) Wenn ja, kann ML helfen.

„Das kostet zu viel — 20.000 Euro Einrichtung?” Der Einwand ist fair, wenn du ein sehr kleines Lager hast (unter 100 Artikel). Für 500+ Artikel ist der ROI in wenigen Monaten positiv, wie oben gezeigt. Die Frage ist nicht „Kostet das viel?”, sondern „Wie viel kostet mich schlechte Bestandsplanung pro Monat?” Liegt die Antwort bei 5.000+ Euro, zahlt sich das System schnell.

„Wir haben schon ein ERP-Prognose-Modul — brauchen wir mehr?” Oft ja. ERP-Prognose-Module sind gut für standardisierte Vorhersagen (gleitender Durchschnitt, Exponential Smoothing), aber schwach bei intermittierenden Teilen (seltene Ausfälle mit großer Unsicherheit). RELEX, Lokad oder ein eigenes ML-Modell sind auf Maschinenbau-Szenarien mit hoher Variabilität spezialisiert. Ein Pilot mit beiden Systemen zeigt schnell, ob der Mehrwert groß genug ist.

Woran du merkst, dass das zu dir passt

• Dein Lager hat 200+ Ersatzteil-Artikel, von denen du nicht alle manuell planen kannst
• Du hast regelmäßig Notfallbestellungen, die teuer sind (Express-Versand, teurere Lieferanten)
• Kunden haben sich schon über Verfügbarkeitsprobleme beschwert oder deine Serviceverfügbarkeit liegt unter deinem Ziel
• Ein großer Teil deines Lagers ist „toter Bestand” — Teile, die selten oder nie kaputtgehen
• Du hast 2+ Jahre Ausfallhistorie dokumentiert (im ERP oder irgendwo abrufbar) — das ist die Trainingsdatenbasis
• Die durchschnittlichen Lieferzeiten liegen bei 4+ Wochen, daher ist bessere Planung notwendig
• Die Lagerkosten sind spürbar im Betriebsergebnis — über 5 % der Herstellkosten

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

1. Weniger als 100 Ersatzteil-Artikel. Die Einrichtungskosten sind nicht gerechtfertigt. Eine gepflegte Excel-Liste mit einfachen Formeln reicht.

2. Keine dokumentierte Ausfallhistorie. Wenn Reparaturen nicht im ERP stehen und nur mündlich überliefert sind, fehlt die Trainings-Datenbasis. Das System kann nicht trainiert werden. Erst Datenqualität verbessern, dann ML.

3. Lieferketten sind so stabil, dass Notfallbestellungen praktisch nie vorkommen. Der ROI sitzt in der Einsparung bei Notfallkosten. Wenn die bei null liegt, auch der Mehrwert.

Das kannst du heute noch tun

Öffne deine letzten 24 Monate Ausfallhistorie (aus dem ERP). Wähle einen Artikel aus, der häufig kaputt geht (mindestens 2x pro Monat). Plotte die monatlichen Ausfallzahlen auf ein Linien-Diagramm.

Siehst du ein Muster? Saisonalität? Trend? Wenn ja: Das ist ein Signal, dass ML helfen kann. Schreib die Zeitreihe auf.

Danach: Kontaktiere RELEX Solutions oder Lokad und frag nach einer kostenlosen Proof-of-Concept-Demo. Du gibst ihnen deine Top-20-Artikel und 24 Monate Ausfallhistorie. Sie trainieren ein kleines Modell und zeigen dir, wie gut die Prognosegenauigkeit ist. Das dauert 1–2 Wochen und ist kostenlos. Danach weißt du, ob ein reales Projekt wirtschaftlich ist.

Quellen & Methodik

• Lagerhaltungskosten 20–30% p.a.: BCG-Studie Supply Chain Efficiency (2023); bestätigt durch Fraunhofer-IIS-Forschung zu Ersatzteillogistik
• Notfallbestellungskosten 3–5× normal: Praxisbeobachtung aus Service-Level-Vereinbarungen bei 5+ europäischen Maschinenbauern; Express-Versand rund 3×, Notfallaufschlag beim Lieferanten 1–2×
• Prognosegenauigkeit Random Forest 90–94 %: Nature Scientific Reports 2025, „Machine Learning Frameworks for Spare Part Demand in End-of-Life Scenarios”; Lokad- und RELEX-Fallstudien 2024
• Lagerwert-Reduktion 20–35 %: RELEX Solutions Fallstudien, Fraunhofer-IIS-Projekte zur Ersatzteilprognose
• Verfügbarkeits-Verbesserung 85–90 % auf 95–99 %: Baxter Planning Supply Chain Optimization Report 2024

Du brauchst konkrete Hilfe, um zu klären, ob ein Prognose-System zu dir passt? Lass uns ein 30-Minuten-Gespräch führen — wir schauen deine letzten 24 Monate Ausfallhistorie an und planen das konkrete Vorgehen.