← Zurück zu den Use-Cases

Projektberichte und technische Architektur

LEANOVATIVE Intelligence · LEANOVATIVE Consulting GmbH · Stand 6. Oktober 2026

Dieses Dossier dokumentiert fünf realisierte Projekte in Operations und Supply Chain. Ergebnisse, Laufzeiten und technische Umsetzung entsprechen den veröffentlichten Use-Cases. Die Projektfälle und Ergebnisse wurden von LEANOVATIVE bestätigt.

Die anschließende durchgängige Referenzarchitektur beschreibt ein übergreifendes Zielbild. Sie ist von den fünf einzelnen Projektberichten zu unterscheiden.

Realisierter Projektfall · 12 Wochen

Kabelhersteller: Materialdisposition

Kabelhersteller · Wiederbeschaffungszeiten bis zu 9 Wochen

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 12 Wochen

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.

KennzahlAusgangErreicht
Durchschnittlicher Materialbestand11,9 Mio.8,2 Mio. €
Bestandsreichweite51 Tage35 Tage
Bedarfspositionen mit Fehlteil4,8 %1,9 %

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.

Projektverlauf

  1. 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).
  2. 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.
  3. 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.
  4. 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 %.

Technische Umsetzung

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.

Prüfkriterien

Messung und Einordnung

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.

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.

Die Kennzahlen beschreiben das erreichte Ergebnis dieses Projekts. Sie sind keine Ergebniszusage für andere Unternehmen. Freigesetzte Liquidität und rechnerischer Kapazitätswert sind unterschiedliche wirtschaftliche Effekte.

Realisierter Projektfall · 10 Wochen

Metallverarbeitung: Auftragserfassung

Ein Postfach · 1.000 Bestellungen im Monat · SAP SD

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 10 Wochen

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 %.

KennzahlAusgangErreicht
Aktive Bearbeitungszeit je Auftrag8 Min.2,9 Min.
Zeit bis zur Auftragsbestätigung24 h4 h
Erfassungsfehler je Position2,4 %0,5 %

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.

Projektverlauf

  1. Woche 1–2: Bestellungen und Regeln erfasst. Rund 300 echte Bestellungen von 40 Kunden gesammelt. Artikelzuordnung, Pflichtfelder, Dubletten und Freigabegrenzen mit dem Innendienst festgelegt.
  2. 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).
  3. Woche 6–8: SAP-Anlage gebaut. Prüfansicht in Dash entwickelt. Aufträge werden per BAPI angelegt und zurückgelesen, Preisabweichungen landen beim Innendienst.
  4. 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.

Technische Umsetzung

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.

Prüfkriterien

Messung und Einordnung

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.

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.

Die Kennzahlen beschreiben das erreichte Ergebnis dieses Projekts. Sie sind keine Ergebniszusage für andere Unternehmen. Freigesetzte Liquidität und rechnerischer Kapazitätswert sind unterschiedliche wirtschaftliche Effekte.

Realisierter Projektfall · 14 Wochen

Automobilzulieferer: Prognose & S&OP

Ein Werk · 500 Serienartikel · 24 Monate Historie

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

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.

KennzahlAusgangErreicht
Prognosefehler · WAPE32 %22 %
Fertigwarenbestand5,2 Mio.4,3 Mio. €
Planungsaufwand pro Monat40 h14 h

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).

Projektverlauf

  1. 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.
  2. 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.
  3. 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.
  4. 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. €.

Technische Umsetzung

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.

Prüfkriterien

Messung und Einordnung

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.

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.

Die Kennzahlen beschreiben das erreichte Ergebnis dieses Projekts. Sie sind keine Ergebniszusage für andere Unternehmen. Freigesetzte Liquidität und rechnerischer Kapazitätswert sind unterschiedliche wirtschaftliche Effekte.

Realisierter Projektfall · 12 Wochen

Kunststoffverarbeitung: Produktionsplanung

Eine Spritzgusszelle · 6 Maschinen · 2 Wochen Horizont

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 12 Wochen

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.

KennzahlAusgangErreicht
Termintreue der Fertigungsaufträge84 %93 %
Rüstzeit pro Monat120 h92 h
Planungsaufwand pro Monat30 h10 h

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.

Projektverlauf

  1. 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).
  2. Woche 4–6: Planungsmodell gebaut. OR-Tools (CP-SAT) mit Maschinen, Werkzeugen, Schichten und Materialterminen als harten Bedingungen aufgesetzt.
  3. 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.
  4. Woche 10–12: Im Betrieb übernommen. Vier Wochen Parallelbetrieb gegen den Planer. Danach übernahm das Cockpit die Reihenfolgeplanung der Zelle.

Technische Umsetzung

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.

Prüfkriterien

Messung und Einordnung

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.

120 − 92 = 28 Stunden monatlich, 336 Stunden im Jahr. Zusätzliche Maschinenzeit ist keine Personaleinsparung. Die Balken zeigen einen Ausschnitt aus einem Reihenfolgeplan.

Die Kennzahlen beschreiben das erreichte Ergebnis dieses Projekts. Sie sind keine Ergebniszusage für andere Unternehmen. Freigesetzte Liquidität und rechnerischer Kapazitätswert sind unterschiedliche wirtschaftliche Effekte.

Realisierter Projektfall · 8 Wochen

Maschinenbau: Versandplanung

Ein Versandstandort · Serienbaugruppen · ein Dienstleister

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 8 Wochen

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.

KennzahlAusgangErreicht
Sonderfrachtkosten pro Monat12.000 €6.500 €
Pünktlich und vollständig geliefert88 %95 %
Versandplanung pro Monat60 h34 h

66.000 € weniger Sonderfracht / Jahr

5.500 € × 12 Monate bei vergleichbarem Versandvolumen und Tarifniveau. Die 26 Stunden Planungskapazität pro Monat sind darin nicht enthalten.

Projektverlauf

  1. Woche 1–2: Fertigstellung messbar gemacht. Fertigmeldungen, Qualitätsstatus und Liefertermine aus SAP und MES zusammengeführt. Jede Sonderfahrt der letzten zwölf Monate nach Ursache sortiert.
  2. Woche 3–4: Versandbereitschaft vorhergesagt. Das Modell schätzt aus Arbeitsgangfortschritt und offenen Prüfungen, wann eine Baugruppe fertig ist (Trefferquote auf ±1 Tag: 87 %).
  3. Woche 5–6: Bündelung und Buchung verbunden. Python schlägt gemeinsame Abfahrten vor. Nach Freigabe bucht n8n beim Spediteur und liest den Status zurück.
  4. Woche 7–8: Im Versand übernommen. Ausnahmen getestet (Ablehnung, Storno, fehlender Status). Sonderfahrten und OTIF wöchentlich mit dem Versand ausgewertet.

Technische Umsetzung

SAP SD / MES → Datenadapter → PostgreSQL → Python (Fertigstellungsprognose, Bündelungsregeln) → Dash-Freigabe → n8n → Speditions-API. Warenausgang und Faktura blieben in SAP.

Prüfkriterien

Messung und Einordnung

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.

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 Kennzahlen beschreiben das erreichte Ergebnis dieses Projekts. Sie sind keine Ergebniszusage für andere Unternehmen. Freigesetzte Liquidität und rechnerischer Kapazitätswert sind unterschiedliche wirtschaftliche Effekte.

Durchgängige Referenzarchitektur

Auftrag bis Zahlung

Der Ablauf beschreibt das systemübergreifende Zielbild. Er ist kein gesonderter Nachweis einer durchgängig realisierten Kundeninstallation.

01 Bestellung empfangen

Tools: Outlook · Microsoft Graph · n8n

Eingabe: E-Mail, PDF oder ein separat angebundener strukturierter Kundenauftrag.

Microsoft Graph übernimmt neue Nachrichten. n8n registriert IDs, Anhang und Prüfsumme. Ein Prüfdienst kontrolliert Dateityp und Schadsoftware.

Übergabe: Ein eindeutig zugeordneter Vorgang mit Originaldokument und Eingangszeit.

Ausnahme: Verdächtige oder unlesbare Anhänge gehen in die manuelle Klärung.

02 Inhalte verstehen

Tools: Document AI · optional Gemini

Eingabe: Geprüftes Dokument mit Kundenreferenz, Positionen, Mengen und Wunschdatum.

OCR erkennt Text und Layout. Ein optionales Sprachmodell strukturiert die Angaben. Pydantic prüft Datentypen und Pflichtfelder; Fundstellen bleiben erhalten.

Übergabe: JSON mit Kundenreferenz, Artikel, Menge, Einheit, Preis und Datum.

Ausnahme: Fehlende Angaben werden sichtbar markiert. Dokumentinhalt darf keine Systemaktionen anweisen.

03 Auftrag prüfen

Tools: SAP SD · Python · Dash

Eingabe: Bestellpositionen, Kundenstammdaten, Artikelzuordnung und ERP-Konditionen.

Python gleicht Kunde, Artikel, Einheit und Preise mit SAP ab. Der Innendienst sieht Abweichungen und entscheidet in Dash. Dubletten werden anhand der Kundenreferenz geprüft.

Übergabe: Freigegebener Auftragsentwurf mit begründeten Korrekturen und unveränderlichem Planstand.

Ausnahme: Preisabweichung, Kredit- oder Auftragssperre und Änderungsbestellung brauchen eine definierte Bearbeitung.

04 In SAP anlegen

Tools: Java / SAP JCo · SAP SD BAPI

Eingabe: Geprüfter Entwurf mit Vertriebsbereich, Partnerrollen und Einteilungen.

Ein JCo-Adapter legt den Auftrag über einen im Release geprüften BAPI an. Er wertet SAP-Rückgaben aus und steuert Commit oder Rollback in derselben Sitzung.

Übergabe: SAP-Auftrag mit Belegnummer, Status und eindeutig zugeordnetem Übergabeauftrag.

Ausnahme: Ein Timeout nach möglicher Buchung führt zum Statusabgleich. Es wird nicht blind neu angelegt.

05 Termin zusagen

Tools: SAP ATP · Kapazitätsprüfung · Dash

Eingabe: SAP-Auftrag, Materialverfügbarkeit, bestätigte Zugänge und freigegebene Kapazität.

SAP prüft die konfigurierte Verfügbarkeit. Eine zusätzliche Kapazitätsprüfung bewertet Engpässe; klassische ATP allein garantiert keine endliche Maschinenkapazität. Der Vertrieb gibt Ausnahmen frei.

Übergabe: Dokumentierte Lieferzusage. Eine freigegebene Bestätigung kann über Outlook / Graph versendet werden.

Ausnahme: Teilmenge oder unhaltbarer Wunschtermin wird mit dem Kunden geklärt.

06 Material disponieren

Tools: SAP MM / MRP · Python · Dash

Eingabe: SAP-Bedarfe, verwendbare Bestände, offene Beschaffung und Liefertermine.

MRP bleibt in SAP. Python priorisiert drohende Fehlteile und bewertet Lieferzeitrisiken. Eine freigegebene Ergänzung wird nach erneutem Belegabgleich übergeben.

Übergabe: Nachvollziehbare Beschaffung oder Terminmaßnahme mit Belegbezug.

Ausnahme: Fehlteil, Lieferantenwechsel und hoher Bestellwert bleiben freigabepflichtig.

07 Fertigung einplanen

Tools: SAP PP · OR-Tools · Dash

Eingabe: Arbeitsgänge, Materialtermine, Schichten, Werkzeuge und Ressourcen.

OR-Tools CP-SAT berechnet Reihenfolgen innerhalb der vereinbarten Bedingungen. Das Cockpit zeigt Terminfolgen. Die Planung gibt die gewählte Variante an MES oder Dispatch weiter.

Übergabe: Ein versionierter Fertigungsplan mit fixierten kurzfristigen Arbeitsgängen.

Ausnahme: Keine zulässige Lösung oder veraltete Daten stoppen eine automatische Planfreigabe.

08 Fertigen und prüfen

Tools: MES · SAP PP / QM · Mitarbeitende

Eingabe: Freigegebener Arbeitsplan und Fertigungsauftrag.

Mitarbeitende und MES melden Mengen, Zeiten und Ausschuss. SAP QM oder der vorhandene Qualitätsprozess erteilt die Freigabe. Statusänderungen fließen zurück in die Planung.

Übergabe: Verlässliche Fertigmeldung und explizite Qualitätsfreigabe für den Versand.

Ausnahme: Ausfall, Ausschuss oder Qualitätssperre lösen eine Terminbewertung aus. Keine direkte SPS-Steuerung.

09 Versand koordinieren

Tools: SAP SD · Python · n8n · Speditions-API

Eingabe: Freigegebene Ware, offene Lieferungen, Verpackung und Kundenfenster.

Python bildet zulässige Versandoptionen. Nach Freigabe bucht n8n über einen konkreten Dienstleisteradapter. Referenz und Status werden zurückgelesen.

Übergabe: Abgestimmte Lieferung mit bestätigter Transportbuchung.

Ausnahme: Unklare Buchung, fehlende Qualitätsfreigabe oder Sonderfahrt wird gezielt geklärt.

10 Lieferung abschließen

Tools: SAP Logistik · Lager / WMS · Carrier

Eingabe: Kommissionierte Ware, Versandauftrag und Transportreferenz.

Lager oder WMS bestätigt den physischen Versand. SAP bucht den Warenausgang im bestehenden freigegebenen Prozess. Carrier-Status und gegebenenfalls Zustellnachweis werden abgeglichen.

Übergabe: Gebuchter Warenausgang und ein nachvollziehbarer Lieferstatus.

Ausnahme: Fehlmenge, Transportschaden oder fehlender Nachweis wird einer verantwortlichen Person zugeordnet.

11 Rechnung erstellen

Tools: SAP SD / FI · bestehender Rechnungskanal

Eingabe: Abrechenbarer Liefer- oder Auftragsstatus gemäß vereinbartem Fakturaverfahren.

SAP erzeugt die Faktura aus dem fachlich freigegebenen Fakturavorrat. Steuer-, Preis- und Buchungslogik bleiben in SAP. Der bestehende gültige Rechnungskanal übernimmt den Versand.

Übergabe: Rechnungsbeleg mit FI-Forderung und Versandstatus.

Ausnahme: Fakturasperre, strittiger Preis oder fehlende Rechnungsdaten verhindert den unkontrollierten Versand.

12 Zahlung abgleichen

Tools: SAP FI · elektronischer Kontoauszug

Eingabe: FI-Forderung, vertragliches Zahlungsziel und vorhandener Bankimport.

SAP FI ordnet Zahlungen über den bestehenden Kontoauszugsprozess zu. Offene oder unklare Posten werden zur Klärung priorisiert. Das Verfahren setzt keine KI voraus.

Übergabe: Ausgeglichene Forderung oder ein zugewiesener Klärfall. Erst jetzt ist der Zahlungseingang realisiert.

Ausnahme: Teilzahlung, Abzug oder Überfälligkeit wird geprüft. Schnellere Faktura verkürzt kein vertragliches Zahlungsziel automatisch.