Predictive Analytics in Lager und Produktion bedeutet, dass Ihr ERP nicht wartet, bis etwas ausgeht oder kaputt geht — es prognostiziert das 7–28 Tage im Voraus und schlägt Maßnahmen vor. Für DACH-KMU in der Produktion und Logistik ist das in 2026 der schnellste Weg, Bestände um 15–30 % zu reduzieren, Maschinenstillstände um 40 % zu verkürzen und die Kapazitätsplanung zu präzisieren. Sie brauchen keine Data Scientists — moderne ERP-Systeme wie Modulario haben Prognosemodelle eingebaut und müssen nur auf Ihren historischen Daten aktiviert werden.
Dieser Artikel baut auf dem Pillar KI in ERP-Systemen — praktischer Einsatz auf.
Drei Bereiche, wo Predictive Analytics im ERP am meisten zurückgibt
| Bereich | Prognose | Typischer Nutzen |
|---|---|---|
| Lager | Nachfrage pro SKU, optimaler Nachbestellpunkt | -18 % Bestände, -65 % Stockouts |
| Produktion | Predictive Maintenance, OEE | -40 % ungeplante Stillstände |
| Planung | Kapazitätsauslastung, Lieferzeit | +12 % Pünktlichkeit |
Diese Zahlen sind aggregiert aus DACH-Produktionskunden von Modulario, 2024–2026.
Nachfrageprognose — wie KI vorhersagt, was Sie verkaufen werden
Klassische Methoden (gleitender Durchschnitt, exponentielle Glättung) versagen bei:
- Saisonalen Produkten mit kurzer Geschichte,
- Produkten mit schwankender Nachfrage (B2B-Projekte),
- Neuen Produkten ohne Geschichte,
- Einflüssen externer Faktoren (Wetter, Feiertage, Marketingkampagnen).
Moderne ML-Modelle (Prophet, LightGBM, Temporal Fusion Transformer) in Modulario:
- Analysieren historische Verkäufe über 24+ Monate.
- Fügen externe Features hinzu — Feiertagskalender, Wetter, Kurse, Eingangspreise.
- Erkennen Kannibalisierung zwischen ähnlichen SKU (neue Version frisst alte).
- Verwenden für neue Produkte Transfer Learning aus ähnlichen Produkten in der Kategorie.
- Ausgabe ist eine tägliche Prognose für 28 Tage im Voraus mit Konfidenzintervall (P10/P50/P90).
Für den praktischen Einkäufer bedeutet das: statt “Wir kaufen 100 Stück, weil letzten Monat 90 verkauft wurden” hat er in Modulario ein täglich aktualisiertes Panel: “In den nächsten 28 Tagen werden wahrscheinlich 78–124 Stück verkauft (P50: 96). Aktueller Bestand 110 Stück reicht bis 17. Mai. Nachbestellung für Lieferung bis 25. Mai muss in 4 Tagen ausgelöst werden.”
Beispiel: E-Commerce mit 1.200 SKU
Kunde: B2C-Online-Shop mit Sportbekleidung, 18 Mitarbeiter.
Vor Predictive Analytics:
- Durchschnittlicher Bestand: 4,2 Monate Umsatz (zu viel).
- Stockouts: 8 % der SKU pro Monat hatten Nullbestand.
- Dead Stock (>12 Monate ohne Bewegung): 14 % des Bestandswerts.
Nach 9 Monaten:
- Durchschnittlicher Bestand: 2,8 Monate (-33 %).
- Stockouts: 2,9 % der SKU (-64 %).
- Dead Stock: 6 % (-57 %).
In Zahlen: Freisetzung von ca. 86.000 EUR im Cashflow, der in unnötigen Beständen gebunden war.
Was funktioniert hat:
- Externe Features. Das Hinzufügen von Wetter als Input verbesserte den MAPE (Mean Absolute Percentage Error) um 4 %, da Sportbekleidungsverkäufe stark mit Temperaturen und Niederschlägen korrelieren.
- Promo-Flags. Die KI erhielt im Training Informationen, wann Produkte im Angebot waren — ohne das hätte sie Promo-Spitzen als organisches Wachstum interpretiert und Prognosen überschätzt.
- Cross-Channel-Daten. Verkäufe über Online-Shop, Amazon, eBay und stationäre Geschäfte wurden in eine Prognose zusammengeführt, was die Genauigkeit für seltene SKU mit gestreuter Nachfrage verbesserte.
Bestandsoptimierung — Nachbestellpunkte und Sicherheitsbestand
KI ersetzt statische Nachbestellpunkte durch dynamische. Die klassische Regel “bestell 200 Stück, wenn Bestand unter 50 fällt” ist in 2026 veraltet. Das Modulario Prognose-Modul berechnet:
- Dynamischen Nachbestellpunkt basierend auf aktueller Nachfrage und Lieferantenvorlaufzeit.
- Sicherheitsbestand basierend auf Volatilität (höhere Volatilität = größere Reserve).
- Optimale Bestellmenge unter Berücksichtigung von Mengenrabatten und Lagerkosten (modifiziertes EOQ).
Beispiel für eine SKU:
| Parameter | Statische Regel | Modulario KI |
|---|---|---|
| Nachbestellpunkt | 50 Stück (fix) | 38–72 Stück (täglich aktualisiert) |
| Sicherheitsbestand | 30 Stück (fix) | 18–45 Stück (volatilitätsbasiert) |
| Bestellmenge | 200 Stück (fix) | 140–280 Stück (EOQ + Rabatte) |
| Stockout-Risiko | 12 %/Monat | 2,8 %/Monat |
| Ø Bestand | 165 Stück | 110 Stück |
Diese -33 % im Bestand bei gleichem Service Level ist das typische Ergebnis der KI-Optimierung.
SKU-Klassifizierung — wo KI den größten Wert hat
Nicht alle SKU machen Sinn, mit KI zu prognostizieren. Verwenden Sie folgende Klassifizierung:
| Klasse | Charakteristik | Strategie |
|---|---|---|
| A — Fast Movers (Top 20 % SKU = 80 % Umsatz) | Stabile Nachfrage, hohe Volumen | KI-Prognose mit wöchentlicher Kalibrierung |
| B — Medium Movers | Schwankende Nachfrage, mittlerer Umsatz | KI-Prognose mit monatlicher Kalibrierung |
| C — Slow Movers | Unregelmäßig, kleine Volumen | Statische Regel (ROP), KI hat zu wenig Daten |
| D — Saisonal / Event-driven | Spitzen 2–4× jährlich | KI mit manuellem Promo-Flag |
| E — Neue (< 6 Monate Geschichte) | Keine Geschichte | Transfer Learning + höherer Sicherheitsbestand |
In der Praxis fallen 60–70 % der SKU in die Klassen A und B, wo KI-Prognosen den größten Wert liefern.
Predictive Maintenance für Maschinen
In der DACH-Produktion ist Predictive Maintenance (PdM) der stärkste KI-Anwendungsfall nach der Lead-Qualifizierung. Die Logik:
- Sensoren an der Maschine (Vibration, Temperatur, Drehzahl, Strom) senden Daten alle 5–60 Sekunden.
- Das ML-Modell vergleicht aktuelle Werte mit der Baseline für gesunden Betrieb.
- Es erkennt Anomalien — Abweichungen, die Ausfällen vorausgehen.
- Es prognostiziert die Remaining Useful Life (RUL) einer Komponente (Tage bis zum erwarteten Ausfall).
- Es erstellt einen Task im MES-Modul: “Lager Motor Nr. 3 — austauschen innerhalb von 8 Tagen, geplante Abschaltung 12. Mai 18:00.”
Reale Zahlen von 2 DACH-Produktionskunden
Kunde A — Herstellung von Kunststoffkomponenten, 4 Spritzgussmaschinen:
| Metrik | Vor PdM | Nach 12 Monaten PdM |
|---|---|---|
| Ungeplante Stillstände | 18 Tage/Jahr | 6 Tage/Jahr |
| Reparaturkosten | 32.000 EUR | 19.000 EUR |
| OEE (Overall Equipment Effectiveness) | 64 % | 78 % |
Return on Investment (Sensoren + ML-Lizenz): 8 Monate.
Kunde B — CNC-Metallbearbeitung, 12 CNC-Maschinen:
- KI erkannte 4 entstehende Lagerschäden vor der kritischen Phase.
- Ersparte ca. 28 Stunden ungeplante Stillstände / Quartal.
- ROI: 11 Monate.
Grenzen der Predictive Maintenance
PdM ist nicht magisch — es hat seine Grenzen:
- Erkennt keine katastrophalen Ausfälle ohne Warnsignale (z. B. Werkzeugbruch bei Kollision).
- Benötigt 4–8 Wochen Training des Modells auf Ihrer spezifischen Maschine — Sie können KI nicht einfach an Tag 1 “einschalten”.
- Mindert keinen menschlichen Fehler — wenn ein Operator falsches Material eingibt, erkennt das keine KI vor dem Schaden.
- Closed-loop-Lösungen (Service auf KI-Vorschlag ohne Human Review) sind 2026 für DACH-KMU noch nicht reif. Ein menschlicher Operator sollte jeden Alert validieren.
KI-Integration mit WMS und MES-Modul
In Modulario ist Predictive Analytics nativer Bestandteil der WMS (Warehouse Management) und MES (Manufacturing Execution) Module, kein separates Produkt. Das bedeutet:
- Der Lagerarbeiter am Terminal sieht auf der SKU-Karte die Verbrauchsprognose neben dem aktuellen Bestand.
- Der MES-Dashboard-Operator sieht RUL jeder Maschine und vorgeschlagene Wartungsfenster.
- Der Produktionsplaner erhält vorgeschlagenes Sequencing der Aufträge nach Materialverfügbarkeit (unter Berücksichtigung prognostizierter Lieferungen).
- Der Einkäufer erhält montagmorgens einen Digest: “5 SKU unter Nachbestellpunkt, 3 Lieferanten in Verzug, vorgeschlagene Bestellungen zur Genehmigung bereit.”
Diese Integration eliminiert “KI-Silos” — ein häufiges Problem in Unternehmen, wo das Datenteam sein BI-Dashboard hat, aber Lageroperatoren nie erfahren, was die KI vorschlägt.
Beispielansicht für den Einkäufer
Stellen Sie sich den Montagsdigest vor, den der Einkäufer um 7:30 erhält:
5 SKU unter Nachbestellpunkt:
- Schraube M8x40 (noch 7 Tage Bestand) — vorgeschlagene Bestellung 1.200 Stück @ Würth, 1.840 EUR
- Filter Typ A (noch 4 Tage) — vorgeschlagene Bestellung 80 Stück @ MultiFilter, 4.200 EUR
- …
3 Lieferanten in Verzug:
- SteelMaster hatte letzte Lieferung +5 Tage verspätet. Vertragsevaluierung.
- …
2 Anomalien:
- Verbrauch “Dichtung B12” steigt 30 % MoM ohne bekannte Ursache. Mit Produktion prüfen.
Der Einkäufer erledigt das in 5 Minuten, genehmigt/passt Bestellungen mit einem Klick an. Vorher dauerte das 2 Stunden manuell, um Bestände in 6 Lagern zu prüfen und Bestellungen zu erstellen.
Voraussetzungen für erfolgreiche Predictive Analytics
Ohne diese funktioniert KI nicht:
- Mindestens 12 Monate saubere historische Daten über Verkauf / Produktion / Lagerbewegungen.
- Konsistente SKU-Nummerierung (nicht 4 Varianten desselben Produkts unter verschiedenen Codes).
- Aktuelle und genaue Vorlaufzeiten von Lieferanten (keine Schätzung von vor 5 Jahren).
- Sensoren für PdM — ohne Vibrationssensoren ist Predictive Maintenance nicht möglich (ca. 200–400 EUR/Maschine).
- Definiertes Service-Level-Ziel — wenn Sie der KI nicht sagen, ob das Ziel 95 % oder 99 % ist, optimiert sie “blind”.
In der Praxis entfallen 60–70 % der Kosten eines KI-Projekts im Lager auf Datenbereinigung und Integration, nicht auf das ML selbst.
Kostenüberlegung — was Predictive Analytics im ERP kostet
Für DACH-KMU in der Produktion / E-Commerce mit 20–60 Mitarbeitern:
| Position | Einmalig | Monatlich |
|---|---|---|
| Modulario KI-Modul (Lizenz) | – | 80–180 EUR |
| Setup und Modelltraining | 2.400–4.800 EUR | – |
| Sensoren für PdM (8 Maschinen) | 2.800 EUR | – |
| Team-Onboarding | 1.200 EUR | – |
| Compute für tägliches Re-Training | – | 25–60 EUR |
Gesamt Jahr 1: ca. 8.000–12.000 EUR Investition + 1.500–2.800 EUR jährliche Betriebskosten.
Typische Einsparung: 25.000–70.000 EUR/Jahr für ein Unternehmen dieser Größe.
Verwandte Ressourcen
Häufige Fragen
Wie viele historische Daten brauche ich für die Nachfrageprognose? Mindestens 12 Monate tägliche Verkaufsdaten für stabile SKU, idealerweise 24 Monate zur Erfassung der Saisonalität. Für komplett neue Produkte verwendet das Modell Transfer Learning aus ähnlichen SKU in der Kategorie — das Ergebnis ist weniger präzise (typisch ±25 % vs. ±10 % für etablierte SKU), aber immer noch besser als manuelle Schätzungen.
Funktioniert Predictive Maintenance auch bei älteren Maschinen ohne eingebaute Sensoren? Ja. Zusätzliche Vibrations- und Temperatursensoren werden in 2–6 Stunden pro Maschine nachgerüstet und kosten 200–400 EUR/Maschine. Für rotierende Maschinen (Motoren, Pumpen, Getriebe) reichen Vibrationssensoren. Für thermische Maschinen (Spritzguss, Öfen) Temperatursensoren hinzufügen. Modulario unterstützt alle gängigen Industry 4.0-Sensoren über OPC UA und MQTT-Protokolle.
Wie stellen Sie sicher, dass die KI keinen unsinnigen Nachbestellvorschlag macht? Das Modulario KI-Modul hat eine eingebaute Business-Logic-Schicht mit Twin Guardrails: Mindestbestellung, Maximalbestellung, maximal X Nachbestellungen/Monat. Außerdem erfordert jeder automatische Vorschlag über 5.000 EUR die Genehmigung des Einkäufers. Beim Start für einen neuen Kunden läuft es 4 Wochen im “Shadow Mode” — KI schlägt vor, exekutiert aber nicht, und der Einkäufer vergleicht mit manuellen Bestellungen.
Können wir Predictive Analytics nutzen, wenn wir nur 1 Lager haben? Ja, tatsächlich ist 1 Lager der einfachere Fall. Für Multi-Warehouse-Setups (3+ Lager) kommt eine weitere Schicht hinzu: Inventory Rebalancing zwischen Lagern, wobei die KI vorschlägt, Waren dorthin zu verschieben, wo steigende Nachfrage prognostiziert wird. Das sind weitere 5–12 % Bestandseinsparungen, macht aber erst bei 3+ Lagern wirklich Sinn.