Werkzeugbau & Formenbau

Unterkalkulierte Aufträge entstehen, weil Komplexitätstreiber in Anfragen nicht erkannt werden.

Ein NLP-Klassifikator und ein auf ERP-Auftragsdaten trainiertes ML-Modell erkennen Toleranzkombinationen, Materialspezifika und Sondergeometrien als Risikoindikatoren und warnen den Kalkulator vor Angebotserstellung.

Weniger unterkalkulierte Aufträge durch frühzeitige Risikowarnung, der Kalkulator bekommt einen datengestützten Grund, den Preis nach oben zu korrigieren. Kalkulationszeit je Anfrage sinkt von 3–4 Stunden auf unter 1,5 Stunden.

LLM-Prompt als Checkliste (kein Setup)Cloud-SaaS mit Ähnlichkeitsanalyse (up2parts, SIMILIA)Custom ML-Modell auf ERP-Auftragsdaten

Toleranzstapelungsprobleme werden erst in der Fertigung erkannt, zu spät für kostengünstige Korrekturen.

ML-kalibrierte Monte-Carlo-Simulation (Regressionsmodell auf historischen Fertigungsmessdaten) identifiziert kritische Maßketten mit Cpk-Aussage bereits in der Konstruktionsphase.

Frühwarnung vor Passungsfehlern in der Konstruktionsphase, verhinderte Nacharbeitsschleifen kosten 5.000–200.000 € weniger als die Korrektur nach Werkzeugfreigabe.

Dienstleister-Analyse (kein Setup, Einmalkosten)Desktop-Software CETOL 6σ / 3DCS (CAD-Plugin)SaaS RD8 (cloud-basiert, EU-Hosting)

Nacharbeit wird als Einzelfall behandelt, obwohl dieselben Ursachen immer wieder auftreten, strukturelle Muster bleiben in der Fehlerliste unsichtbar.

Unüberwachtes Clustering auf historischen Nacharbeits- und Fertigungsdaten macht wiederkehrende Ursachenmuster sichtbar, bevor die nächste Korrektur fällig wird.

Systematische Ursachenbekämpfung statt reaktive Nacharbeit: Betriebe berichten von 20–40 % weniger Nacharbeitsaufwand nach gezielten Gegenmassnahmen.

Orange Data Mining (kein Code, kostenlos)KNIME Analytics Platform (automatisierbar, kostenlos)Python/scikit-learn oder Dataiku (Entwickler-Ressourcen)

Schätzfehler akkumulieren sich still: Bestimmte Operationstypen, Materialien oder Kundenanforderungen werden Jahr für Jahr unterschätzt, ohne dass das jemandem auffällt.

XGBoost-Regressionsmodell analysiert Plan-Ist-Differenzen über die gesamte Auftragshistorie und trennt zufällige Einzelfehler von systematischen Abweichungsmustern je Operationstyp.

Systematische Kalkulationsfehler um 40–50 % reduzierbar, bei 30 EDM-intensiven Projekten/Jahr entspricht das 40.000–60.000 € Margenverbesserung.

ERP-Export + Power BI (kein Setup-Aufwand)KNIME-Pipeline mit Drift-Analyse (selbst gebaut)Celonis / Process Mining (für SAP-Umgebungen)

Stammkunden mit hohem Umsatz erscheinen profitabel, solange Sonderwünsche, Rückfragen, Nacharbeit und Reklamationen nicht auf Kundenebene erfasst werden.

Ein Regressionsmodell aggregiert kundenspezifische Kostentreiber aus ERP-Nachkalkulation und Servicedaten, ordnet Abweichungen nach Kunde zu und berechnet die echte Vollkostenmarge, automatisiert und kontinuierlich aktualisiert.

3–5 Arbeitstage Controlling-Aufwand pro Quartal auf Stunden reduziert. Klarer Überblick, welche Kunden systemisch unterkalkuliert werden, Grundlage für Preisverhandlungen, die im Schnitt 8–15 % Mehrerlös realisieren.

Julius AI, explorative Pilotanalyse mit CSV-Export (kein Setup)Power BI / Looker Studio, automatisiertes Kundenprofitabilitäts-DashboardERP-integrierte Vollkostenanalyse mit Connector und Echtzeit-Aktualisierung

Werkzeugstandzeiten variieren enorm: dieselbe Wendeschneidplatte hält in einer Operation 45 Minuten, in der nächsten 180 Minuten. Konservative Festintervalle führen zu massiver Unterausnutzung oder Laufen-bis-Bruch.

Ein Random-Forest-Modell analysiert Verschleißmuster über Chargen, Bedienende, Kühlschmierstoffzustand und Schnittparameter hinweg und identifiziert die echten Treiber der Standzeit-Varianz.

15–25% weniger Werkzeugverbrauch je Typ, drastisch weniger ungeplante Maschinenstoppagen, und erstmals belegbare Entscheidungsgrundlage für konditionsbasierte Werkzeugwechsel.

CSV-Export + Julius AI (kein Setup, kein Hardware)Körperschall-Monitoring je Maschine (Montronix)IIoT-Plattform mit OPC-UA-Integration (MachineMetrics, Siemens Edge)