Der Auftrag wartet auf die Erfassung.
Bestellungen kommen per E-Mail oder PDF. Mitarbeiter übertragen Positionen ins ERP und klären fehlende Angaben einzeln.
KI für die Industrie
KI in der
Auftragsabwicklung,
Produktionsplanung
und Materialdisposition
Wir automatisieren die Abläufe von der Absatzprognose über Materialdisposition bis hin zur Auftragsabwicklung und verankern sie in Ihrer Organisation.
Sie liefern schneller, pünktlicher, günstiger.
Ihre Mitarbeiter bearbeiten nur noch Ausnahmen.
Aus der industriellen Praxis In Ihre Systeme integriert
-
DSGVO
Datenschutz
von Anfang an -
EU AI Act
Anforderungen
je Einsatzfall -
Datenhaltung
EU oder
Ihr eigener Server
Datenschutz, KI-Anforderungen und Betriebsmodell werden für Ihren Einsatzfall geprüft und vereinbart.
Von der Prognose bis zum Versand.Beispielablauf
01 / 09 · PrognoseAus Nachfrage wird ein belastbarer Plan.
Bedarfe erkennen. Prognosen aktualisieren. Abweichungen sichtbar machen.
Prozesse verstehen. Systeme verbinden. Wirkung schaffen.Prognose Planung Lieferung
Erfolgreiche Zusammenarbeit mit Leanovative.
Ihre Systeme sind digital.
Dazwischen bleibt Handarbeit.
Bestellungen abtippen. Listen abgleichen. Termine nachtelefonieren. Jede Übergabe bindet Zeit, die in Planung und Steuerung fehlt.
Wo Automatisierung ansetztDer Plan ist schon wieder überholt.
Neue Bedarfe, fehlendes Material und verschobene Termine lösen dieselben Abstimmungen immer wieder aus.
Die Disposition arbeitet im Alarmmodus.
Engpässe werden spät sichtbar. Gleichzeitig liegt Material im Lager, das aktuell nicht gebraucht wird.
Vom Bedarf bis zur Lieferung.
Ein durchgängiger Ablauf.
Wir verbinden KI, Planungsverfahren und regelbasierte Automatisierung. Welche Schritte autonom laufen können, wird an Ihren Daten und Ihren Ausnahmen geprüft.
Prognose & S&OPBedarf und Kapazität früher zusammenbringen.
Was automatisiert werden kann
Absatzdaten, Auftragsbestand und verfügbare Kapazität zusammenführen. Prognosen aktualisieren, Abweichungen markieren und Szenarien für den S&OP-Prozess vorbereiten.
Wo Ihr Team entscheidet
Vertrieb, Operations und Einkauf bewerten Sondereffekte und Zielkonflikte. Neue Produkte, Aktionen und Kapazitätsentscheidungen bleiben bewusst gesteuert.
Technologien im Einsatz
Machine Learning · Zeitreihenmodelle · KI-AgentenMachine Learning erkennt Bedarfsmuster und erstellt Prognosen. Szenariomodelle vergleichen Nachfrage und Kapazität; KI-Agenten bereiten Daten und Entscheidungsgrundlagen für den S&OP-Prozess auf.
Messbar an Prognosegüte · Planungsaufwand · Reaktionszeit auf Bedarfsänderungen
MaterialdispositionBedarfe decken, Bestände gezielt steuern.
Was automatisiert werden kann
Bedarfe, Bestände, Wiederbeschaffungszeiten und offene Bestellungen abgleichen. Bestellvorschläge erzeugen und freigegebene Standardfälle innerhalb vereinbarter Grenzen auslösen.
Wo Ihr Team entscheidet
Lieferantenwechsel, große Bestellwerte und kritische Fehlteile gehen mit einer priorisierten Handlungsempfehlung an die Verantwortlichen.
Technologien im Einsatz
Machine Learning · Optimierungsmodelle · KI-AgentenPrognosemodelle schätzen Bedarf und Lieferzeiten. Optimierungsmodelle unterstützen Bestands- und Bestellentscheidungen; KI-Agenten bereiten Bestellungen vor und lösen freigegebene Standardfälle aus.
Messbar an Dispositionsaufwand · Fehlteilquote · Bestandsreichweite
AuftragsabwicklungVon der Bestellung zur belastbaren Zusage.
Was automatisiert werden kann
Bestellungen auslesen, Kunden und Artikel zuordnen, Mengen und Konditionen prüfen und im ERP erfassen. Liefertermine auf Basis von Material und Kapazität ermitteln und nach Freigaberegeln bestätigen.
Wo Ihr Team entscheidet
Unklare Positionen, Preisabweichungen oder nicht erfüllbare Wunschtermine werden mit dem nötigen Kontext zur Bearbeitung vorgelegt.
Technologien im Einsatz
Document AI / OCR · Sprachmodelle · KI-AgentenDokumentenerkennung und Sprachmodelle lesen Bestellungen aus E-Mails und PDFs. KI-Agenten gleichen die Angaben mit Stammdaten und Geschäftsregeln ab und übergeben geprüfte Aufträge an das ERP.
Messbar an Bearbeitungszeit je Auftrag · Korrekturquote · Zeit bis zur Bestätigung
Produktionsplanung & SteuerungAus Änderungen wird ein abgestimmter Plan.
Was automatisiert werden kann
Aufträge unter Berücksichtigung von Material, Kapazität und Rüstfolgen einplanen. Rückmeldungen aus der Produktion auswerten und bei Abweichungen passende Planungsoptionen vorbereiten.
Wo Ihr Team entscheidet
Prioritätskonflikte, Überstunden und Eingriffe mit größeren Auswirkungen werden freigegeben. Die Lösung unterstützt die operative Steuerung; eine Maschinensteuerung gehört nur bei gesonderter Vereinbarung dazu.
Technologien im Einsatz
Mathematische Optimierung · Machine Learning · KI-AgentenOptimierungsverfahren berücksichtigen Kapazitäten, Material und Rüstfolgen. Machine Learning unterstützt die Bewertung von Durchlaufzeiten und Abweichungen; KI-Agenten koordinieren Rückmeldungen und Planänderungen.
Messbar an Planungsaufwand · Termintreue · Anzahl kurzfristiger Umplanungen
VersandplanungFertigstellung und Auslieferung verzahnen.
Was automatisiert werden kann
Fertigmeldungen, Liefertermine und Versandkapazität abgleichen. Lieferungen bündeln, Versandaufträge vorbereiten und relevante Terminänderungen weitergeben.
Wo Ihr Team entscheidet
Teillieferungen, Sonderfahrten und kritische Kundenprioritäten werden anhand klarer Regeln entschieden und nachvollziehbar dokumentiert.
Technologien im Einsatz
Optimierungsmodelle · KI-Agenten · DokumentenautomatisierungOptimierungsmodelle unterstützen die Bündelung und Terminierung von Lieferungen. KI-Agenten verknüpfen Fertigmeldungen, Versandaufträge und Statusmeldungen; Dokumentenautomatisierung bereitet Versandunterlagen vor.
Messbar an Versandaufwand · Liefertermintreue · Sonderfrachtkosten
Mögliche Zielprozesse. Datenqualität, Schnittstellen und Freigaben bestimmen den erreichbaren Automatisierungsgrad.
Der Nutzen muss sich
im Betrieb zeigen.
Wir messen die Wirkung am Prozess. Gemeinsam legen wir Ausgangswerte und Zielgrößen fest und prüfen, was nach Einführung tatsächlich besser wird.
| Ihr Ziel | Was sich verändern soll | Woran wir es messen |
|---|---|---|
| Weniger manuelle Arbeit | Standardfälle laufen ohne wiederholtes Erfassen, Suchen und Abgleichen. | Bearbeitungszeit je Vorgang Anteil automatisch abgeschlossener Fälle |
| Schnellere Antworten | Aufträge und Änderungen werden früher belastbar bestätigt. | Zeit bis zur Auftragsbestätigung Reaktionszeit bei Abweichungen |
| Verlässlichere Lieferung | Material, Kapazität und Termine werden gemeinsam betrachtet. | Liefertermintreue Fehlteile und Sonderfrachten |
| Weniger gebundenes Kapital | Bestände orientieren sich genauer am tatsächlichen Bedarf. | Bestandsreichweite Überbestände bei gesicherter Versorgung |
Freie Zeit wird erst durch Umsetzung zum wirtschaftlichen Ergebnis.
Deshalb berücksichtigen wir auch Ausnahmebearbeitung, Einführung, Betrieb und interne Mitarbeit. Kostensenkung, zusätzliche Kapazität und freigesetzte Liquidität weisen wir getrennt aus.
Operative Erfahrung.
Messbare Ergebnisse.
Ergebnisse aus unserer Arbeit in Operations, Planung und Bestandsoptimierung. Diese Erfahrung bringen wir in Ihre KI-Transformation ein.
50+
Planungsprozesse optimiert
Bedarf, Material und Kapazität
besser aufeinander abgestimmt.
Working Capital
350+Millionen Euro
Lagerbestand reduziert
Weniger gebundenes Kapital.
Mehr finanzieller Spielraum.
2+
Jahre KI-Implementierung
In Supply Chain & Produktion
KI wirkt, wenn
der Prozess stimmt.
Wir verbinden 16 Jahre Umsetzungserfahrung aus der Industrie mit künstlicher Intelligenz.
LEANOVATIVE bringt langjährige Erfahrung aus der ergebniswirksamen Optimierung von Operations und Supply Chain in den wirtschaftlichen Einsatz von KI.
Wir gestalten den Zielprozess, bewerten den wirtschaftlichen Nutzen, implementieren die technischen Lösungen und steuern die Umsetzung. Ihre Fachbereiche, Ihre IT und die ggf. erforderlichen technischen Partner arbeiten auf ein gemeinsames Ergebnis hin.
- Prozesse und Engpässe verstehen
- Technik in den Arbeitsalltag integrieren
- Verantwortung und Wirkung verankern
Bekannt aus
Mit einem Prozess starten.
Mit nachgewiesener Wirkung wachsen.
Wir grenzen den Einstieg so ab, dass Aufwand, Verantwortung und Ergebnis prüfbar bleiben. Jeder Schritt schafft die Grundlage für die nächste Entscheidung.
Potenzial bewerten
Fallzahlen, Bearbeitungszeiten, Ausnahmen und Systeme aufnehmen. Nutzen und Integrationsaufwand bewerten.
Ergebnis: eine belastbare Entscheidungsgrundlage.Im Pilot nachweisen
Einen abgegrenzten Ablauf mit repräsentativen Vorgängen testen. Qualität, Aufwand und Grenzen der Automatisierung messen.
Ergebnis: ein geprüfter Prozess mit Abnahmekriterien.Im Betrieb verankern
Schnittstellen, Freigaben und Überwachung einrichten. Verantwortliche schulen und den Umgang mit Störungen regeln.
Ergebnis: ein betreuter Ablauf im Tagesgeschäft.Gezielt ausweiten
Ergebnisse mit dem Ausgangszustand vergleichen. Den nächsten Prozess nach Nutzen und Machbarkeit auswählen.
Ergebnis: ein begründeter nächster Ausbauschritt.
Ihr Einstieg: die KI-Potenzialanalyse.
Sie erhalten einen priorisierten Anwendungsfall, einen Zielprozess, einen Business Case mit offengelegten Annahmen und einen klaren Pilotumfang. Aufwand und Zeitrahmen vereinbaren wir anhand Ihrer Ausgangslage.
In Ihre Systeme integriert.
Nach Ihren Regeln betrieben.
Ihre IT und die fachlich Verantwortlichen werden früh eingebunden. Datenzugriff, Betriebsmodell und Freigaben gehören von Anfang an zum Zielprozess.
Eine verbundene ProzesslandschaftIllustrativer Zielprozess
ERP & MESAufträge, Bestände, Kapazitäten
E-Mails & DokumenteBestellungen, Termine, Belege
Excel & EinzellösungenDaten übernehmen, Abläufe ablösen
KI & AutomatisierungVerstehen · Prüfen · Handeln
Ihre Regeln. Ihre Freigaben.
In Ihren Systemen handelnGeprüfte Daten und freigegebene Aktionen zurück ins ERP.
MaterialbedarfErmittelt
BestellvorschlagVorbereitet
TerminabweichungZur Entscheidung
Ausnahmen gezielt entscheidenIhr Team erhält Kontext und Handlungsvorschläge.
Schnittstellen & Datenflüsse Rollen & Freigaben Protokollierung & Kontrolle
Aus Excel-Listen werden
verlässliche KI-Tools.
Manuelle Planungslisten, Dispositionstabellen und wiederkehrende Auswertungen ersetzen wir durch passende KI-Anwendungen. Daten fließen automatisch ein, Geschäftsregeln sind hinterlegt und Ihr Team arbeitet mit einer gemeinsamen, aktuellen Datenbasis.
Was Ihrer Software fehlt,
bauen wir passend dazu.
Fehlt ein Prognosemodul, ein Dispositionscockpit oder eine automatische Auftragserfassung, entwickeln und integrieren wir die passende KI-Lösung. Mit einer bedienbaren Oberfläche, klaren Zuständigkeiten und Anbindung an Ihre vorhandenen Systeme.
Bestehende Systeme anbinden
Wir prüfen Schnittstellen, Datenqualität und Berechtigungen. Der Integrationsaufwand fließt in die Entscheidung ein.
EU-Hosting oder eigener Server
Verarbeitungsorte, Anbieterzugriffe und Unterauftragnehmer werden vor der Umsetzung geklärt.
Datenschutz von Anfang an
Mit Ihren zuständigen Stellen bewerten wir Datenbedarf, Zugriffsrechte und die Anforderungen des EU AI Act je Einsatzfall.
Kontrolle im Betrieb behalten
Freigabegrenzen, Qualitätskontrollen und ein geregelter Rückfall in die manuelle Bearbeitung gehören zum Zielprozess.
Ihre Systemlandschaft.
Neue Möglichkeiten.
Wir verbinden, was funktioniert, und ergänzen, was fehlt. Von SAP bis Outlook, vom MES bis zur individuellen Datenbank. Excel binden wir als Datenquelle an oder ersetzen den manuellen Ablauf durch ein passendes KI-Tool.
Unternehmensprozesse
ERP · CRM · Planung
- SAP
Dynamics 365
Infor
Oracle
Sage
Salesforce
Zusammenarbeit
E-Mail · Dokumente · Wissen
- Outlook
Teams
SharePoint
OneDrive
Adobe Acrobat
Google Drive
Produktion & Daten
MES · PLM · Datenbanken
Siemens
PostgreSQL- Excel
Autodesk
Dassault Systèmes
SQL Server
Und die Software, mit der Sie bereits arbeiten.
Offen für Ihre Systeme Über APIs, Datenbanken oder strukturierte Dateiaustausche planen wir die passende Verbindung.
Die Logos zeigen Beispiele typischer Systemlandschaften. Die konkrete Anbindung prüfen wir anhand von Version, Schnittstellen, Berechtigungen und Lizenzbedingungen.
Ein EU-Standort allein belegt keine DSGVO-Konformität. Maßgeblich sind der konkrete Datenfluss und die technische sowie vertragliche Ausgestaltung. Datenschutz durch Gestaltung · EU AI Act
Die Fragen
vor dem ersten Schritt.
Eine tragfähige Lösung beginnt mit klaren Erwartungen.
Ihren Fall besprechenFür welche Serienfertiger ist das sinnvoll?
Besonders dort, wo viele ähnliche Vorgänge, wiederkehrende Planungsentscheidungen und manuelle Übergaben zusammenkommen. Entscheidend sind Fallzahlen, Datenzugang und ein ausreichend standardisierbarer Ablauf. Wir prüfen das an einem konkreten Prozess.
Müssen wir unser ERP ersetzen?
Nein. Wir arbeiten mit dem, was bei Ihnen vorhanden ist. Ihr bestehendes ERP bleibt die Grundlage; wir verbinden Ihre Systeme, automatisieren die Abläufe dazwischen und ergänzen fehlende Funktionen durch passende KI-Tools. Die Anbindung richten wir nach den verfügbaren Schnittstellen und Zugriffsrechten aus. Wenn Sie später neue Software einführen möchten, kann freigesetztes Kapital dafür genutzt werden. Das ist Ihre Entscheidung und keine Voraussetzung für die Zusammenarbeit.
Können Sie unsere Excel-Planung ersetzen?
Ja. Wir übertragen geeignete Planungs-, Dispositions- und Auswertungsabläufe aus Excel in passende KI-Anwendungen. Vorhandene Daten und fachliche Regeln werden übernommen, geprüft und mit Ihren Systemen verbunden. Im Pilot prüfen wir die Ergebnisse gemeinsam mit Ihrem Team, bevor der neue Ablauf die bisherige Lösung ablöst.
Was machen wir, wenn uns die passende Software fehlt?
Dann ergänzen wir die benötigte Funktion durch ein passendes KI-Tool, zum Beispiel für Absatzprognosen, Materialdisposition oder Auftragserfassung. Die Lösung erhält eine bedienbare Oberfläche und wird in Ihre bestehenden Abläufe eingebunden. Wir prüfen zuerst, welche vorhandenen Funktionen sich bereits nutzen lassen.
Welche KI-Technologien kommen zum Einsatz?
Wir wählen die Technologie passend zur Aufgabe: Machine Learning und Zeitreihenmodelle für Prognosen, Dokumentenerkennung und Sprachmodelle für Bestellungen sowie KI-Agenten für regelgebundene Abläufe. Für Kapazitäten, Reihenfolgen und Bestände kombinieren wir diese mit mathematischen Optimierungsverfahren.
Wo werden unsere Daten verarbeitet?
Wir stimmen das Betriebsmodell mit Ihrer IT ab: EU-Hosting oder, wenn technisch geeignet, Ihre eigene Infrastruktur. Datenflüsse, Zugriffsrechte, Anbieter und vertragliche Anforderungen werden vor der Umsetzung geklärt. Die konkrete Ausgestaltung richtet sich nach Ihrem Einsatzfall und Ihren Anforderungen.
Reichen unsere Daten dafür aus?
Das untersuchen wir anhand repräsentativer Vorgänge. Für Prognosen sind belastbare Zeitreihen wichtig; für Auftragserfassung unter anderem klare Artikel- und Kundenstammdaten. Notwendige Bereinigung und fehlende Grundlagen werden vor dem Pilot sichtbar gemacht.
Was passiert, wenn die KI einen Fehler macht?
Automatisiert werden nur freigegebene Schritte innerhalb definierter Grenzen. Unklare oder kritische Fälle werden weitergeleitet. Tests, Plausibilitätsprüfungen, Protokolle und Überwachung helfen, Fehler zu erkennen und die Bearbeitung kontrolliert fortzusetzen.
Wer übernimmt Umsetzung und laufenden Betrieb?
LEANOVATIVE verantwortet Prozessgestaltung, wirtschaftliche Bewertung und Umsetzungssteuerung. Die technische Implementierung gestalten wir mit eigenen AI-Engineers und technischen Partnern. Wer Schnittstellen und KI-Komponenten entwickelt, betreibt und wartet, wird mit Ihrer IT vor Projektbeginn vereinbart – hier finden wir eine sichere und nachhaltige Lösung.
Wie viel kostet das und wie lange dauert es?
Das hängt vom Prozessumfang, den vorhandenen Schnittstellen und dem Betriebsmodell ab. Nach der ersten Einordnung grenzen wir die Analyse ab. Für einen Pilot werden Leistungen, interner Aufwand, laufende Kosten und Zeitrahmen vor Beginn festgelegt.
Was verändert sich für unsere Mitarbeiter?
Wiederkehrende Tätigkeiten sollen entfallen. Fachliche Verantwortung, Freigaben und Ausnahmebearbeitung werden neu zugeordnet. Führung und betroffene Teams klären frühzeitig Qualifizierung und die Nutzung frei werdender Kapazität; erforderliche Mitbestimmung wird einbezogen.
Welcher Ablauf bindet
bei Ihnen zu viel Zeit?
Bringen Sie einen konkreten Engpass mit. Wir besprechen, wo Automatisierung ansetzen kann und welcher nächste Schritt sinnvoll ist.
KI-Potenzial besprechen Mit Kenneth Hytrek · Terminwahl über CalendlyDarüber sprechen wir.
- Ihr Prozess und die heutigen Engpässe
- Ihre Daten und vorhandenen Systeme
- Ihr Ziel und ein passender Einstieg
Lieber zuerst per E-Mail?
[email protected]KI in der industriellen Praxis
Realisierte Projektergebnisse
durch KI
Wie KI konkret hilft
Den gesamten Auftragsprozess entdeckenRealisierter Projektfall
Ausgangssituation
11,9 Mio. € waren im Material gebunden. Die Reichweite betrug 51 Tage, trotzdem wiesen 4,8 % der Bedarfspositionen Fehlteile auf. Wiederbeschaffungszeiten von teilweise neun Wochen erschwerten einen kurzfristigen Bestandsabbau.
Zielsetzung
Wir wollten Kapital aus dem Materialbestand freisetzen und gleichzeitig die Versorgung verbessern. Dafür hat KI je Material den Verbrauch prognostiziert und Sicherheitsbestand sowie Bestellmenge neu berechnet. Die Disposition sah jeden Morgen, wo sie eingreifen muss.
Ergebnis
Nach zwölf Wochen hatten wir den Bestand auf 8,2 Mio. € reduziert und 3,7 Mio. € Liquidität freigesetzt. Die Reichweite sank auf 35 Tage, die Fehlteilquote auf 1,9 %. Die langen Wiederbeschaffungszeiten prägten den Zeitraum bis zum Ergebnis.
KabelherstellerWeniger Materialbestand.
KI-generiertes BranchenmotivWeniger Materialbestand.
Mehr Liquidität.
Kabelhersteller · Wiederbeschaffungszeiten bis zu 9 Wochen
Ergebnis nach 12 Wochen
3,7Mio. €
Freigesetzte Liquidität
durch 31 % weniger Materialbestand
Fehlteilquote gleichzeitig von 4,8 % auf 1,9 % gesenkt
12 Wochen ProjektlaufzeitUmsetzung ansehen ↓
Durchschnittlicher Materialbestand
11,9 Mio.→8,2Mio. €
3,7 Mio. € weniger Kapital gebundenBestandsreichweite
51 Tage→35Tage
Bei gleicher VerbrauchsbasisBedarfspositionen mit Fehlteil
4,8 %→1,9%
2,9 Prozentpunkte weniger FehlteileProjektverlauf und technische Einordnung12 Wochen bis zur Wirkung · Systeme und Datenfluss
So sind wir vorgegangen. Nach 12 Wochen war die Wirkung im Betrieb messbar.
Woche 1–2
11,9 Mio. € Bestand analysiert
Bestände, Verbräuche und Wiederbeschaffungszeiten aus SAP geladen. Überbestände und Fehlteile je Material sichtbar gemacht (51 Tage Reichweite, 4,8 % Fehlteilquote).
Woche 3–5
Parameter mit KI neu berechnet
Das Modell prognostizierte den Verbrauch je Material und leitete daraus Sicherheitsbestand und Bestellmenge ab. Bei bis zu neun Wochen Wiederbeschaffung war das der eigentliche Hebel.
Woche 6–9
Disposition täglich priorisiert
Ein Cockpit zeigte jeden Morgen, wo Überbestand entsteht und wo ein Fehlteil droht. Die Disponenten gaben Bestelländerungen frei, SAP blieb führend.
Nach 12 Wochen
3,7 Mio. € Kapital freigesetzt
Der Bestand lag bei 8,2 Mio. €, die Reichweite bei 35 Tagen und die Fehlteilquote bei 1,9 %.
Eingesetzte Systeme und DatenflussFachlogik mit Python · schematische Darstellung
- RFC / JCoSAP MM / MRPBestände und Bedarfe
- SQLPostgreSQLDatenstand speichern
- RESTPythonVerbrauch prognostizieren
- HTTPSDashMaßnahme freigeben
- SAP BANFBeschaffung anstoßen
Prüfung / Ausnahme
Ändert sich ein Bedarf nach dem Vorschlag, prüft das System die bereits gedeckten Mengen erneut. Erst danach geht die Bestelländerung an SAP.
Technische Verbindung
SAP MM / MRP → lesender RFC (Java / SAP JCo) → PostgreSQL → Python (Verbrauchsprognose, Parameterberechnung, Fehlteilrisiko) → Dash-Cockpit → Bestellanforderung bzw. Parameteränderung in SAP. SAP bleibt führend; jede Änderung wurde von der Disposition freigegeben.
Bewertung der Ergebnisse
- Bestandswerte für denselben Material- und Bewertungsumfang verglichen.
- Reichweite auf gleicher Verbrauchsbasis betrachtet.
- Versorgungsqualität parallel zum Bestandsabbau über die Fehlteilquote bewertet.
Wirtschaftlichkeit und MessmethodeRechenweg, Annahmen und Grenzen der Kennzahlen
3,7 Mio. € freigesetzte Liquidität
11,9 Mio. € Ausgangsbestand minus 8,2 Mio. € Endbestand ergeben 3,7 Mio. € weniger Kapitalbindung. Das entspricht 31,1 %, gerundet 31 %. Projektzeitraum: zwölf Wochen. Die Kapitalfreisetzung ist ein einmaliger Effekt, keine jährliche Kosteneinsparung.
MaterialbestandProjektverlauf · 12 Wochen
Vor Projektstart11,9 Mio. €
Nach 12 Wochen8,2 Mio. €
3,7 Mio. € weniger Kapital gebunden
Bestandsreduzierung31,1 %
Definition der Kennzahlen
Bestandsreduzierung = (11,9 − 8,2) / 11,9 = 31,1 %. Die Reichweite sank von 51 auf 35 Tage. Bei rund 233.333 € Tagesverbrauch entsprechen 11,9 Mio. € 51 Tagen und 8,2 Mio. € rund 35 Tagen. Die Fehlteilquote sank um 2,9 Prozentpunkte.
Einordnung der Projektwerte
Werte und Zeitraum sind erreichte Projektergebnisse. Der Effekt entstand aus dem Zusammenspiel von KI-Parametern und Disposition; eine isolierte Aufteilung in KI- und sonstige Maßnahmenwirkung liegt nicht vor. Die Grafik zeigt die Gesamtbestände; das Branchenbild ist KI-generiert.
Ausgangssituation
1.000 Bestellungen kamen jeden Monat per E-Mail, als PDF, Excel oder Freitext. Der Innendienst tippte Positionen in SAP ab, suchte Artikelnummern und klärte Preise nach. Jeder Auftrag band rund acht Minuten, 2,4 % der Positionen waren falsch erfasst.
Zielsetzung
Die Routine sollte die KI übernehmen, die Entscheidung der Innendienst. Ziel waren unter drei Minuten je Auftrag und eine Bestätigung am selben Tag.
Ergebnis
Nach zehn Wochen lag die Bearbeitung bei 2,9 Minuten je Auftrag. 62 % der Bestellungen liefen als Standardfall mit kurzer Sichtprüfung durch. Bestätigungen gingen nach vier statt 24 Stunden raus, die Erfassungsfehler sanken auf 0,5 %.
MetallverarbeitungBestellungen verarbeiten.
KI-generiertes BranchenmotivBestellungen verarbeiten.
Ohne die Routinearbeit.
Ein Postfach · 1.000 Bestellungen im Monat · SAP SD
Ergebnis nach 10 Wochen
−64%
Bearbeitungszeit je Auftrag
von 8 auf 2,9 Minuten bei 1.000 Bestellungen im Monat
Auftragsbestätigung nach 4 statt 24 Stunden
10 Wochen ProjektlaufzeitUmsetzung ansehen ↓
Aktive Bearbeitungszeit je Auftrag
8 Min.→2,9Min.
Standardfälle und Ausnahmen gewichtetZeit bis zur Auftragsbestätigung
24 h→4h
Gemessen in Service-StundenErfassungsfehler je Position
2,4 %→0,5%
Weniger Falschlieferungen und GutschriftenProjektverlauf und technische Einordnung10 Wochen bis zur Wirkung · Systeme und Datenfluss
So sind wir vorgegangen. Nach 10 Wochen war die Wirkung im Betrieb messbar.
Woche 1–2
Bestellungen und Regeln erfasst
Rund 300 echte Bestellungen von 40 Kunden gesammelt. Artikelzuordnung, Pflichtfelder, Dubletten und Freigabegrenzen mit dem Innendienst festgelegt.
Woche 3–5
Dokumente lesbar gemacht
Postfach über Microsoft Graph und n8n angebunden. Document AI liest Text und Layout, Gemini ordnet die Positionen zu (auch bei Kunden mit eigenen Artikelnummern).
Woche 6–8
SAP-Anlage gebaut
Prüfansicht in Dash entwickelt. Aufträge werden per BAPI angelegt und zurückgelesen, Preisabweichungen landen beim Innendienst.
Woche 9–10
Im Tagesgeschäft freigeschaltet
Zwei Wochen lang jeden Auftrag prüfen lassen und Fehler gemessen. Danach liefen 62 % der Aufträge als Standardfall mit kurzer Sichtprüfung durch.
Eingesetzte Systeme und DatenflussOrchestrierung mit n8n · schematische Darstellung
- HTTPSOutlook / GraphBestellung übernehmen
- APIn8nVorgang orchestrieren
- JSONDocument AIDokument lesen
- HTTPSPython + DashPrüfen und freigeben
- SAP SDAuftrag anlegen
Prüfung / Ausnahme
Artikel unbekannt oder Preis abweichend? Der Vorgang wartet in der Dash-Prüfansicht. Erst nach Korrektur und Freigabe geht er zurück in den Workflow.
Technische Verbindung
Outlook → Microsoft Graph → n8n → Document AI (OCR) → Gemini (Positionszuordnung) → Stammdatenprüfung in Python → Dash-Freigabe → SAP JCo / BAPI_SALESORDER_CREATEFROMDAT2 → SAP SD. Gemini läuft in der EU-Region europe-west4, Dokumente werden nicht zum Training genutzt.
Bewertung der Ergebnisse
- Unbekannte Artikel und Preisabweichungen erreichten zuverlässig den Innendienst.
- Änderungsbestellungen wurden von Neubestellungen unterschieden.
- Kein Timeout erzeugte einen doppelten SAP-Auftrag.
Wirtschaftlichkeit und MessmethodeRechenweg, Annahmen und Grenzen der Kennzahlen
49.500 € Kapazitätswert / Jahr
85 Stunden weniger Erfassung pro Monat (0,53 FTE). Im Jahr 1.020 Stunden abzgl. 120 Stunden Pflege, bewertet mit 55 €/h. Die Zeit ging in Kundenanfragen und Angebote, nicht in Personalabbau.
Auftragsprüfung · AusschnittInnendienst
PDFBestellung K-10474 Felder geprüft
KundenartikelK-4711 zugeordnet
SAP-MaterialM-084
Bestellmenge500 Stück
Wunschlieferung12. November
Preisabweichung: PDF 4,80 € / SAP 4,95 €.
Der Innendienst entscheidet vor der Übergabe.
Der Innendienst entscheidet vor der Übergabe.
Dokument → Prüfung → FreigabeKeine doppelte Erfassung
Definition der Kennzahlen
Aktive Bearbeitungszeit getrennt von Liegezeit gemessen (Zeitstempel im Workflow). Bestätigungszeit vom Eingang bis zur versendeten Bestätigung, bei gleichen Servicezeiten vor und nach dem Projekt. Erfassungsfehler = nachträglich korrigierte Positionen / alle Positionen.
Einordnung der Projektwerte
620 Standardfälle × 1 Minute + 380 Ausnahmen × 6 Minuten = 2.900 Minuten. Vorher 1.000 × 8 = 8.000 Minuten. Differenz 85 Stunden / 160 = 0,53 FTE. 55 €/h und 10 Stunden Pflege pro Monat sind Rechenannahmen.
Ausgangssituation
500 Serienartikel wurden in Excel geplant. Vertrieb, Disposition und Fertigung arbeiteten mit unterschiedlichen Zahlen, die Prognose lag im Schnitt 32 % daneben. Die Folge waren 5,2 Mio. € Fertigwarenbestand und trotzdem Sonderfahrten zum Kunden.
Zielsetzung
Eine Prognose, der alle trauen. Die KI sollte Lieferabrufe und Historie auswerten, die Planung nur noch das ergänzen, was kein Modell wissen kann (Anläufe, Ausläufe, Kundengespräche).
Ergebnis
Nach 14 Wochen lag der Prognosefehler bei 22 %. Weil die Prognose genauer war, konnten die Sicherheitsbestände sinken, der Fertigwarenbestand fiel auf 4,3 Mio. €. Die monatliche Planung dauerte 14 statt 40 Stunden.
AutomobilzuliefererNachfrage früher verstehen.
KI-generiertes BranchenmotivNachfrage früher verstehen.
Planung sicherer entscheiden.
Ein Werk · 500 Serienartikel · 24 Monate Historie
Ergebnis nach 14 Wochen
0,9Mio. €
Freigesetzte Liquidität
durch 17 % weniger Fertigwarenbestand
Prognosefehler (WAPE) von 32 % auf 22 % gesenkt
14 Wochen ProjektlaufzeitUmsetzung ansehen ↓
Prognosefehler · WAPE
32 %→22%
31 % weniger PrognosefehlerFertigwarenbestand
5,2 Mio.→4,3Mio. €
0,9 Mio. € weniger Kapital gebundenPlanungsaufwand pro Monat
40 h→14h
26 Stunden für Abstimmung statt ExcelProjektverlauf und technische Einordnung14 Wochen bis zur Wirkung · Systeme und Datenfluss
So sind wir vorgegangen. Nach 14 Wochen war die Wirkung im Betrieb messbar.
Woche 1–3
Daten aus SAP erschlossen
Absatzhistorie, Lieferabrufe und Stornos über einen lesenden RFC-Zugang (SAP JCo) geladen. Artikel, Einheiten und Absatzdefinition mit Vertrieb und Disposition abgestimmt.
Woche 4–6
Modelle trainiert und verglichen
Statistische Verfahren und Machine Learning gegen die bisherige Excel-Planung getestet. Je Artikelgruppe gewann das Verfahren mit dem geringsten Fehler im Rücktest.
Woche 7–9
Planung ins Cockpit geholt
Dash-Cockpit mit Prognose, Korrekturgrund und Freigabe gebaut. Der Vertrieb ergänzt sein Wissen über Anläufe und Ausläufe, den Rest rechnet das Modell.
Woche 10–14
Bedarf an SAP übergeben, Bestand gesenkt
Freigegebene Bedarfe laufen in SAP PP. Die Sicherheitsbestände wurden auf Basis des gemessenen Prognosefehlers neu gesetzt, der Fertigwarenbestand sank auf 4,3 Mio. €.
Eingesetzte Systeme und DatenflussFachlogik mit Python · schematische Darstellung
- RFC / JCoSAP ECCAbsatzhistorie lesen
- SQLPostgreSQLHistorie aufbereiten
- PythonStatsForecastPrognose berechnen
- HTTPSDashPlanung abstimmen
- SAP PPBedarf übernehmen
Prüfung / Ausnahme
Ein Artikel hat zu wenig Historie oder einen Strukturbruch? Die Prognose wird markiert und fachlich geprüft. Offene Aufträge werden gemäß SAP-Planungsstrategie verrechnet.
Technische Verbindung
SAP ECC → lesender RFC (Java / SAP JCo) → PostgreSQL → Python-Rechenjob (StatsForecast, LightGBM) → Dash-Freigabe → SAP PP (Planprimärbedarf per BAPI). Die Anwendung schreibt keine SAP-Tabellen direkt.
Bewertung der Ergebnisse
- Prognosefehler auf denselben Artikeln und Horizonten wie vor dem Projekt gemessen.
- Rücktests nutzten nur Daten, die zum jeweiligen Stichtag bekannt waren.
- Fertigwarenbestand zum Monatsende bei gleicher Bewertung verglichen.
Wirtschaftlichkeit und MessmethodeRechenweg, Annahmen und Grenzen der Kennzahlen
0,9 Mio. € freigesetzte Liquidität
5,2 Mio. € Fertigwarenbestand vor dem Projekt, 4,3 Mio. € nach 14 Wochen. Die Sicherheitsbestände konnten sinken, weil die Prognose genauer wurde. Das ist ein einmaliger Liquiditätseffekt. Dazu kommen 26 Planungsstunden pro Monat (rund 17.200 € Kapazitätswert im Jahr bei 55 €/h).
Absatzplanung · Werk 1000Repräsentativer Artikel
Ist-MengeKI-Prognose
Prüfen → Korrigieren → FreigebenBedarf an SAP PP
Definition der Kennzahlen
WAPE = Σ|Prognose − Ist| / ΣIst, Horizont vier Wochen. Bias = Σ(Prognose − Ist) / ΣIst; er sank von +11 % auf +3 % (die alte Planung lag also systematisch zu hoch). Fertigwarenbestand als Monatsendwert zu Herstellkosten. Planungszeit inkl. Korrekturen und Abstimmungsrunden.
Einordnung der Projektwerte
Der Bestandseffekt stammt aus neu berechneten Sicherheitsbeständen bei gleichem Lieferservice. Volumen und Produktmix waren im Vergleichszeitraum vergleichbar. Die Grafik zeigt zwölf Wochen eines repräsentativen Artikels. 55 €/h ist eine Rechenannahme für die Planungskapazität.
Ausgangssituation
Sechs Spritzgussmaschinen teilten sich Werkzeuge und Einrichter. Eilaufträge warfen die Reihenfolge täglich um, die Wechsel kosteten 120 Rüststunden im Monat. Nur 84 % der Aufträge wurden zum Solltermin fertig, viermal im Monat lief eine Samstagsschicht.
Zielsetzung
Weniger rüsten und Termine halten, ohne eine neue Maschine zu kaufen. Die KI sollte aus den MES-Daten lernen, welche Wechsel wirklich lange dauern, und daraus bessere Reihenfolgen rechnen.
Ergebnis
Nach zwölf Wochen lag die Rüstzeit bei 92 Stunden im Monat. 93 % der Aufträge wurden pünktlich fertig, zwei Samstagsschichten pro Monat entfielen. Die Planung braucht 10 statt 30 Stunden im Monat.
KunststoffverarbeitungWeniger Rüsten.
KI-generiertes BranchenmotivWeniger Rüsten.
Mehr Zeit am Engpass.
Eine Spritzgusszelle · 6 Maschinen · 2 Wochen Horizont
Ergebnis nach 12 Wochen
336h / Jahr
zusätzliche Kapazität am Engpass
durch 23 % weniger Rüstzeit
Termintreue von 84 % auf 93 % gesteigert
12 Wochen ProjektlaufzeitUmsetzung ansehen ↓
Termintreue der Fertigungsaufträge
84 %→93%
Bezogen auf den eingefrorenen SollterminRüstzeit pro Monat
120 h→92h
28 Maschinenstunden mehr verfügbarPlanungsaufwand pro Monat
30 h→10h
20 Stunden weniger UmplanenProjektverlauf und technische Einordnung12 Wochen bis zur Wirkung · Systeme und Datenfluss
So sind wir vorgegangen. Nach 12 Wochen war die Wirkung im Betrieb messbar.
Woche 1–3
Rüstzeiten aus dem MES gelernt
18 Monate Rückmeldungen ausgewertet. Das Modell schätzt die echte Rüstzeit je Werkzeugwechsel (die SAP-Vorgabewerte lagen im Schnitt 30 % daneben).
Woche 4–6
Planungsmodell gebaut
OR-Tools (CP-SAT) mit Maschinen, Werkzeugen, Schichten und Materialterminen als harten Bedingungen aufgesetzt.
Woche 7–9
Cockpit und MES verbunden
Planer vergleichen Varianten im Dash-Cockpit. Eilaufträge und Maschinenausfälle werden in Minuten neu eingeplant statt in einer Stunde.
Woche 10–12
Im Betrieb übernommen
Vier Wochen Parallelbetrieb gegen den Planer. Danach übernahm das Cockpit die Reihenfolgeplanung der Zelle.
Eingesetzte Systeme und DatenflussFachlogik mit Python · schematische Darstellung
- AdapterSAP PPAufträge bereitstellen
- RESTMESRüstzeiten rückmelden
- PythonOR-ToolsReihenfolge optimieren
- APIDashSzenario freigeben
- MES-DispatchPlan bereitstellen
Prüfung / Ausnahme
Keine zulässige Lösung oder Maschinenstillstand? Der letzte freigegebene Plan bleibt aktiv. Die Planung bewertet Alternativen; eine automatische Maschinensteuerung gibt es nicht.
Technische Verbindung
SAP PP / MES → Integrationsadapter → PostgreSQL → Python (Rüstzeitmodell) → OR-Tools CP-SAT → Dash-Freigabe → MES-Dispatch. Die Maschinensteuerung blieb unberührt; der Planer gibt jeden Plan frei.
Bewertung der Ergebnisse
- Kein Plan verletzte Maschinen-, Werkzeug- oder Personalgrenzen.
- Fertigung startete nur mit bestätigter Material- und Qualitätsfreigabe.
- Bei fehlender Lösung oder veralteten Daten blieb der letzte gültige Plan aktiv.
Wirtschaftlichkeit und MessmethodeRechenweg, Annahmen und Grenzen der Kennzahlen
336 Maschinenstunden / Jahr am Engpass
28 Stunden weniger Rüsten pro Monat × 12. Zwei von vier Samstagsschichten pro Monat sind entfallen, weil die Kapazität unter der Woche reichte. Ein Deckungsbeitrag entsteht dort, wo zusätzliche Nachfrage die freie Zeit füllt.
Reihenfolgeplan · AusschnittEngpasszelle
06:0010:0014:0018:00
Maschine 1
A-104A-108
Maschine 2
B-211B-214B-218
Maschine 3
C-302A-112
Geplanter AuftragRüstwechsel
Material und Werkzeuge geprüftPlaner gibt Reihenfolge frei
Definition der Kennzahlen
Termintreue = bis zum eingefrorenen Solltermin fertiggestellte Aufträge / alle fälligen Aufträge. Rüstzeiten aus MES-Rückmeldungen, je drei Monate vor und nach dem Projekt. Produktmix und Schichtmodell im Vergleich berücksichtigt.
Einordnung der Projektwerte
120 − 92 = 28 Stunden monatlich, 336 Stunden im Jahr. Zusätzliche Maschinenzeit ist keine Personaleinsparung. Die Balken zeigen einen Ausschnitt aus einem Reihenfolgeplan.
Ausgangssituation
Fertigstellung, Qualitätsfreigabe und Abfahrt wurden per Telefon abgestimmt. Ob eine Baugruppe am Donnerstag wirklich fertig ist, wusste keiner sicher. Kurzfristige Transporte kosteten 12.000 € im Monat, nur 88 % der Aufträge kamen pünktlich und vollständig an.
Zielsetzung
Früher wissen, was versandbereit wird. Die KI sollte die Fertigstellung vorhersagen, damit der Versand Lieferungen bündeln und regulär buchen kann.
Ergebnis
Nach acht Wochen lagen die Sonderfrachten bei 6.500 € im Monat. 95 % der Aufträge kamen pünktlich und vollständig an. Die Versandplanung brauchte 34 statt 60 Stunden im Monat.
MaschinenbauLieferungen bündeln.
KI-generiertes BranchenmotivLieferungen bündeln.
Sonderfahrten reduzieren.
Ein Versandstandort · Serienbaugruppen · ein Dienstleister
Ergebnis nach 8 Wochen
66.000€ / Jahr
weniger Sonderfracht
46 % weniger Zusatzkosten bei gleichem Versandvolumen
Pünktlich und vollständig (OTIF) von 88 % auf 95 %
8 Wochen ProjektlaufzeitUmsetzung ansehen ↓
Sonderfrachtkosten pro Monat
12.000 €→6.500€
5.500 € weniger ZusatzkostenPünktlich und vollständig geliefert
88 %→95%
OTIF nach ursprünglicher ZusageVersandplanung pro Monat
60 h→34h
26 Stunden weniger Telefonieren und AbstimmenProjektverlauf und technische Einordnung8 Wochen bis zur Wirkung · Systeme und Datenfluss
So sind wir vorgegangen. Nach 8 Wochen war die Wirkung im Betrieb messbar.
Woche 1–2
Fertigstellung messbar gemacht
Fertigmeldungen, Qualitätsstatus und Liefertermine aus SAP und MES zusammengeführt. Jede Sonderfahrt der letzten zwölf Monate nach Ursache sortiert.
Woche 3–4
Versandbereitschaft vorhergesagt
Das Modell schätzt aus Arbeitsgangfortschritt und offenen Prüfungen, wann eine Baugruppe fertig ist (Trefferquote auf ±1 Tag: 87 %).
Woche 5–6
Bündelung und Buchung verbunden
Python schlägt gemeinsame Abfahrten vor. Nach Freigabe bucht n8n beim Spediteur und liest den Status zurück.
Woche 7–8
Im Versand übernommen
Ausnahmen getestet (Ablehnung, Storno, fehlender Status). Sonderfahrten und OTIF wöchentlich mit dem Versand ausgewertet.
Eingesetzte Systeme und DatenflussOrchestrierung mit n8n · schematische Darstellung
- AdapterSAP SD + MESFertigungsstand lesen
- RESTPythonFertigstellung vorhersagen
- WebhookDashTransport freigeben
- HTTPSn8nBuchung orchestrieren
- Speditions-APIBuchung bestätigen
Prüfung / Ausnahme
Die Buchungsantwort fehlt? Zuerst die gespeicherte Referenz beim Dienstleister prüfen. Eine erneute Anfrage darf keine Doppelbuchung erzeugen.
Technische Verbindung
SAP SD / MES → Datenadapter → PostgreSQL → Python (Fertigstellungsprognose, Bündelungsregeln) → Dash-Freigabe → n8n → Speditions-API. Warenausgang und Faktura blieben in SAP.
Bewertung der Ergebnisse
- Ware ohne Qualitätsfreigabe wurde nicht verbindlich gebucht.
- Timeouts führten zum Statusabgleich, nicht zur Doppelbuchung.
- Verpackung, Transportkapazität und Kundenfenster wurden vor jeder Buchung geprüft.
Wirtschaftlichkeit und MessmethodeRechenweg, Annahmen und Grenzen der Kennzahlen
66.000 € weniger Sonderfracht / Jahr
5.500 € × 12 Monate bei vergleichbarem Versandvolumen und Tarifniveau. Die 26 Stunden Planungskapazität pro Monat sind darin nicht enthalten.
Versandvorschlag · AusschnittAbfahrt 14:00
Lieferung 8001426 Paletten · Empfänger Süd
FreigegebenLieferung 8001564 Paletten · Empfänger Süd
FreigegebenLieferung 8001613 Paletten · Qualitätsprüfung offen
Zur KlärungVorschlag: eine gemeinsame Abfahrt10 Paletten
Erst freigeben, dann buchenStatus zurück ins Cockpit
Definition der Kennzahlen
Sonderfrachtkosten aus tatsächlich gebuchten Zuschlägen, nach Versandvolumen normalisiert. OTIF = vollständig und im vereinbarten Fenster gelieferte Aufträge / alle fälligen Aufträge. Nachträglich verschobene Solltermine zählen nicht als pünktlich.
Einordnung der Projektwerte
Vergleich von je drei Monaten vor und nach dem Projekt. OTIF hängt auch an Fertigung und Kundenfenstern; die Verbesserung ist nicht allein der Versandplanung zuzurechnen. Wiederkehrende Baugruppen, keine Einzelfertigung von Großanlagen.
Die Wirkung zählt im Betrieb. Wir messen gegen einen definierten Ausgangszustand. Freie Kapazität, tatsächliche Kostensenkung und freigesetztes Kapital werden getrennt bewertet.
Der durchgängige Auftragsprozess
Ein Auftrag.
Drei klare Phasen.
Von der Bestellung bis zum Zahlungseingang. Wählen Sie eine Phase und öffnen Sie den Schritt, der Sie interessiert.
SAP führt die Belege.Freigaben bleiben nachvollziehbar.Ausnahmen werden gezielt geklärt.
16–24 WochenSo wird der gesamte Prozess eingeführtVorgeschlagener Aufbau für ein abgegrenztes Werk
Woche 1–4
Daten und Regeln klären
Prozess aufnehmen, Ausgangswerte messen, Schnittstellen und Berechtigungen im Testsystem nachweisen.
Woche 5–10
Auftragseingang verbinden
Postfach, Dokumentenerkennung und SAP-Auftragserfassung aufbauen. Zunächst jede Übergabe fachlich prüfen.
Woche 11–16
Planung und Lieferung ergänzen
Material, Kapazität, Rückmeldungen und Versand anbinden. Termin- und Ausnahmeentscheidungen gemeinsam testen.
Woche 17–24
Faktura und Betrieb absichern
Liefer- und Rechnungsstatus verbinden, Parallelbetrieb durchführen, Wiederanlauf testen und das Team übergeben.
Betrieb und Datenhaltung
Vorgeschlagene Plattform: Dash / Flask in Google Cloud Run (europe-west4), PostgreSQL in Cloud SQL und Python-Jobs für die Berechnung. n8n orchestriert Übergaben. Microsoft Entra ID regelt die Benutzeranmeldung; Rollen und Freigaben prüft die Anwendung.
Der Weg in das bestehende SAP
Ein Java-Adapter mit SAP JCo im Kundennetz stellt ausschließlich freigegebene Funktionen bereit. Die Cloud erreicht ihn über eine authentifizierte, abgesicherte Verbindung; RFC-Berechtigungen bleiben auf die benötigten Funktionen begrenzt. Bei älterem SAP R/3 werden Release, Connector und BAPIs zuerst im Testsystem nachgewiesen.
Die Phasen zeigen einen 24-Wochen-Plan. Mit vorhandenen Schnittstellen können sie teilweise überlappen und den Ablauf auf 16 Wochen verkürzen. Planungskorridor, keine dokumentierte Projektdauer. Voraussetzung sind vorhandene ERP-Prozesse, Testzugänge und verfügbare Fachverantwortliche. Mehrere Werke, neues MES, Zoll und komplexe EDI-Abrufe erweitern den Umfang.
Profitabilität. Liquidität. Wettbewerbsfähigkeit.
Ein Prozess als Einstieg.
Ein Business Case als Maßstab.
Wir wählen den Anwendungsfall, der zu Ihrer Systemlandschaft und Ihrem Engpass passt. Im Pilot prüfen wir Qualität, Aufwand und wirtschaftliche Wirkung an Ihren Daten.
KI-Potenzial besprechen Mit Fachbereich und IT. An einem konkreten Ablauf.