Die lernende Produktionsplanung

Derzeit verändert sich der Blick auf Produktionsplanung grundlegend. Lange lag der Fokus vor allem darauf, Aufträge unter gegebenen Restriktionen effizient auf Ressourcen und Zeitfenster zu verteilen. Heute rückt zusätzlich eine andere Frage in den Mittelpunkt: Wie kann Planung aus der Praxis lernen, anstatt bei jeder Neuplanung wieder nur vom aktuellen Zustand auszugehen? Für die Dualis GmbH IT Solution ist das der nächste Reifegrad moderner Produktionsplanung.

Restriktionen und Zielkonflikte

Produktionsplanung legt fest, welche Aufträge wann, mit welchen Ressourcen und in welcher Reihenfolge abgearbeitet werden. Jede Einplanung wirkt sich unmittelbar auf andere Aufträge, Ressourcen und Abläufe aus. Begrenzt werden die Möglichkeiten durch Restriktionen, also Einschränkungen: von Materialverfügbarkeit und Maschinen bis hin zu Schichtmodellen, Qualifikationen und technologischen Abhängigkeiten. Bereits vergleichsweise kleine Planungsszenarien erzeugen eine enorme Zahl möglicher Varianten. Gleichzeitig wirken Zielkonflikte permanent auf die Planung ein – etwa zwischen Durchlaufzeit, Auslastung, Kosten und Termintreue. Produktionsplanung ist damit keine rein rechnerische Aufgabe, sondern ein kontinuierliches Abwägen unter realen, sich verändernden Bedingungen. Genau darin liegt ihre eigentliche Herausforderung.

Die Praxis schlägt das theoretische Optimum

Um diese Komplexität beherrschbar zu machen, kommen in der Feinplanung unterschiedliche Verfahren zum Einsatz. Exakte Optimierungsverfahren können meist für nur kleine Modelle sehr gute oder sogar optimale Lösungen liefern. In der Realität stoßen sie jedoch häufig an Grenzen – nicht zuletzt, weil sich Rahmenbedingungen laufend ändern und sich viele betriebliche Restriktionen nur unvollständig modellieren lassen. In der industriellen Praxis spielen deshalb heuristische und domänenspezifische Verfahren eine zentrale Rolle. Sie liefern nicht zwingend die mathematisch optimale Lösung, ermöglichen aber schnelle Reaktionen und bilden reale Abläufe besser ab. Gerade in volatilen Umgebungen ist das entscheidend: Ein Plan ist nur dann gut, wenn er sich schnell erzeugen und anpassen lässt und unter den tatsächlichen Bedingungen funktioniert.

Die Datenbasis limitiert

Eine zentrale Schwachstelle vieler Planungssysteme ist die Datenbasis. Realistische Produktionsplanung funktioniert nur so gut wie die Daten, auf denen sie aufsetzt. Im Kontext der Produktionsplanung lassen sich drei Datenkategorien unterscheiden. Erstens Stammdaten wie Artikel, Stücklisten, Arbeitspläne, Rüstmatrizen, Kapazitäten, Schichtmodelle, Kalender, Qualifikationen, Maschinenparameter und Vorgabezeiten. Zweitens Bewegungs- und Rückmeldedaten: Auftragsdaten, Materialverfügbarkeiten, Ist-Durchlaufzeiten, Maschinenzustände, Rückmeldungen aus der Fertigung, Störungen und Ausschussraten. Drittens Kontextdaten bzw. implizites Wissen – etwa saisonale Muster, logistische Restriktionen, Erfahrungswissen aus der Disposition oder Lernkurven bestimmter Mitarbeiter. Alle drei Ebenen beeinflussen die Planungsqualität. Kleine Fehler in den Stammdaten wirken dabei oft wie ein Hebel. Eine ungenaue Vorgabezeit, ein unvollständiger Arbeitsplan oder ein falscher Rüstzustand können in der Feinplanung erhebliche Folgen haben. Ein Plan mag auf dem Bildschirm plausibel erscheinen, erweist sich in der Produktion jedoch als zu optimistisch, zu instabil oder schlicht nicht umsetzbar.

Realität ist unplanbar

Doch selbst bei guter Datenqualität bleibt ein grundlegendes Problem bestehen: Die operative Realität ist volatil. Maschinenausfälle, Schichtänderungen, Materialengpässe, Qualitätsprobleme oder kurzfristige Kundenaufträge sind Teil des Tagesgeschäfts. Produktionsplanung ist deshalb immer auch eine Hypothese darüber, wie sich die Fertigung unter den aktuellen Annahmen entwickeln wird. Damit verschärft sich die Anforderung an die Datenbasis zusätzlich. Einmal ‚gute‘ Daten reichen nicht. Planung muss kontinuierlich mit der Realität abgeglichen und angepasst werden. Stabilität bedeutet die Fähigkeit, Veränderungen kontrolliert zu verarbeiten.

Ohne Datenwahrheit keine KI

Vor diesem Hintergrund greift auch die Diskussion über KI in der Produktionsplanung oft zu kurz. In vielen Unternehmen ist die notwendige Datengrundlage nicht belastbar genug. Wer Vorgangsdauern realistisch prognostizieren, Liefertermine absichern oder Abweichungsursachen systematisch analysieren will, benötigt konsistente historische Daten. Genau hier liegen in der Praxis die größten Hürden: Rückmeldungen sind unvollständig oder fehlerbehaftet, Daten werden nicht ausreichend historisiert, Planstände sind nicht nachvollziehbar, und relevantes Wissens bleibt außerhalb der Systeme. Hinzu kommen technische und organisatorische Grenzen. Große Datenmengen stellen Anforderungen an Speicherung und Performance. Gleichzeitig sind analytische Auswertungen oft nicht fest im Planungsalltag verankert. KI scheitert oft noch an schlechter Daten- und Rückmeldequalität, fehlender Historie und mangelnder Prozessintegration.

Anzeige

SAP-Transformation mit Augenmaß: Sicherheit für die richtige Entscheidung

SAP-Verantwortliche wissen, dass sie handeln müssen – aber nicht, wie sie fundiert entscheiden. ‣ weiterlesen

Der Hebel ist die Historisierung

Wenn Produktionsplanung unter diesen Bedingungen lernfähig werden soll, reicht es nicht aus, den aktuellen Zustand zu berechnen. Entscheidend ist die Fähigkeit, Planung und tatsächliche Ausführung über die Zeit hinweg systematisch zu vergleichen. Unternehmen müssen nachvollziehen können, wie ein Plan zu einem bestimmten Zeitpunkt aussah, wann und warum er verändert wurde und wie die Fertigung tatsächlich gelaufen ist. Erst dieser zeitliche Kontext macht Abweichungen erklärbar – und damit nutzbar. Hier greift die Historisierung. Eine versionierte Speicherung von Planständen und deren Veränderungen schafft die Grundlage, um Entwicklungen, Muster und systematische Abweichungen sichtbar zu machen. In Kombination mit Ist-Rückmeldungen lassen sich so zentrale Fragen beantworten:

• Wo weicht die Produktion regelmäßig vom Plan ab?
• Welche Vorgänge dauern regelmäßig länger als angenommen?
• Wie häufig und wie weitreichend wird praktisch umgeplant?
• Wo sind wiederkehrende Engpässe?
• Welche Puffer sind real notwendig, und welche nur theoretisch?

Ohne diese Historisierung bleibt Planung weitgehend gegenwartsbezogen. Mit ihr wird sie analysierbar, vergleichbar und schrittweise lernfähig.

APS schließt die Lücke

Daher verfolgt Dualis als Anbieter eines Feinplanungstools mit Ganttplan Analytics einen pragmatischen Ansatz. Das Tool verbindet systematisch Planung mit realer Ausführung. Es analysiert und visualisiert das Verhältnis zwischen Planung und tatsächlicher Umsetzung. Damit kann eine belastbare Datengrundlage entstehen, auf der sich Planungsverläufe, Abweichungen und Trends auswerten lassen. Planung wird nicht nur als Soll-Zustand betrachtet, sondern als Prozess, dessen Qualität sich über die Zeit bewerten lässt. Unternehmen können etwa bei verfehlten Terminen untersuchen, wie stabil die zugrunde liegende Planung war, wie häufig umgeplant wurde und wo Pläne systematisch von der Realität abweichen.

Analytics entwickelt seinen Wert in Stufen

Der Nutzen von Analytics entsteht entlang klarer Reifegrade. Die erste Stufe ist deskriptiv: Was ist passiert? Kennzahlen, Reports und Dashboards schaffen Transparenz über Durchlaufzeiten, Bestände, Termintreue und Engpässe.

Darauf folgt die diagnostische Ebene: Warum ist es passiert? Ursachen für Verzögerungen, Störungen oder wiederkehrende Abweichungen werden sichtbar. Diese Stufe ist in der Praxis besonders wertvoll, weil sie Entscheidungen vom Bauchgefühl in Richtung evidenzbasierter Steuerung verschiebt.

Die dritte Stufe ist prädiktiv: Was wird wahrscheinlich passieren? Auf Basis historischer Daten lassen sich realistischere Prognosen für Vorgangsdauern, Liefertermine oder Risiken entwickeln. Hier entstehen erste konkrete KI-nahe Anwendungsfälle mit erkennbarem Nutzen.

Die vierte Stufe ist präskriptiv: Was sollten wir tun? Systeme würden konkrete Handlungsempfehlungen ableiten, zum Beispiel zur Reihenfolgeplanung, Ressourcennutzung oder Szenariobewertung. Diese Stufe ist fachlich relevant, in der industriellen Praxis jedoch noch fern von einer flächendeckenden Etablierung.

Die fünfte und letzte Stufe beschreibt die kognitive Ebene. Sie erkennt, was wir noch nicht wissen – also blinde Flecken, fehlende Daten bzw. kritische Risiken.

Wo Unternehmen stehen

In der Praxis liegt der Schwerpunkt vieler Unternehmen heute im deskriptiven und teilweise diagnostischen Bereich. Transparenz und Ursachenverständnis nehmen zu, doch prädiktive und präskriptive Ansätze sind häufig noch Pilotprojekte oder Forschungsfelder. Auch bei Dualis zeigt sich dieses Bild. Analysen auf Basis historischer Planungs- und Rückmeldedaten liefern bei Pilotkunden bereits wertvolle Erkenntnisse. Teilweise bestätigen sie bestehende Annahmen, teilweise machen sie bislang unbekannte Zusammenhänge sichtbar. Gleichzeitig werden die aktuellen Grenzen deutlich: große Datenmengen, Performanceanforderungen, begrenzte Speicherdauer und vor allem die fehlende Integration in den operativen Alltag. Analytics ist in vielen Unternehmen noch kein kontinuierlicher Bestandteil der Planung. Die Entwicklung ist real, aber sie erfolgt schrittweise.

Der nächste Schritt ist Assistenz, nicht Autonomie

Vor diesem Hintergrund wird auch der weitere Entwicklungspfad klarer. Kurz- und mittelfristig stehen nicht vollautomatisierte Planungssysteme im Vordergrund, sondern Assistenzfunktionen, die Planer gezielt unterstützen. Dazu zählen belastbarere Prognosen, realistischere Lieferterminaussagen, bessere Transparenz über Abweichungen sowie einfachere Zugriffe auf Daten und Auswertungen. Auch KI-basierte Assistenzsysteme lassen sich hier sinnvoll einordnen. Ein Chatbot kann helfen, Reports, Konfigurationen oder Log-Daten schneller zugänglich zu machen und in natürlicher Sprache zu erschließen. Der Nutzen liegt in der Reduktion von Komplexität und der Unterstützung von Analyse und Entscheidungsfindung.

Zielbild ist der lernende Planungsworkflow

Das mittelfristige Zielbild ist kein radikaler Bruch mit bestehenden Ansätzen, sondern ein lernender Workflow. Am Anfang stehen belastbare Daten und eine konsistente Historisierung. Darauf aufbauend entsteht Transparenz über Abweichungen zwischen Planung und Realität. Im nächsten Schritt werden daraus Prognosen und Risikoeinschätzungen. Anschließend unterstützen Assistenzsysteme bei der Ableitung von Handlungsoptionen. Der Mensch bewertet, priorisiert und entscheidet. Erst dieser kontinuierliche Feedback-Loop macht Produktionsplanung wirklich lernfähig. Erfahrungen aus der Umsetzung fließen systematisch zurück und verbessern zukünftige Planungen. Für Industrieunternehmen zählen künftig belastbarere Pläne, stabilere Abläufe, realistischere Termine und schnellere Reaktionsfähigkeit. Diese Fähigkeiten entstehen durch die konsequente Verknüpfung von Planung und Realität.