Plan
5 000 Portionen
Start: 10:00
Geplante Fertigstellung: 13:00
KI-Produktionsplanung
Sehen Sie, ob der Produktionsplan machbar ist,bevor Sie den Auftrag starten.
INVO analysiert geplante Aufträge, Rezepturen, verfügbare Linien, Ressourcen und die Historie der tatsächlichen Ausführung, um Fertigstellungszeit, Produktionsauslastung und Verzugsrisiko vorherzusagen.
Portionen
24.850
Aufträge
186
Linien
7
Linie 1Linie 2Linie 3
+45 min
Geplante Fertigstellung 14:20 Prognostizierte Fertigstellung 15:05
Verzugsrisiko78%
Verpackungslinie 3 · erwarteter Engpass
Empfehlung
Charge #4821 auf Linie 2 verschieben
Plan vs. Realität
Der Produktionsplan zeigt nicht immer,wie die Produktion wirklich läuft.
Der Plan geht vielleicht davon aus, dass der Auftrag um 14:00 fertig ist. In der Praxis hängt das Ergebnis davon ab, was in der Produktion passiert: Chargengrößen, Linienauslastung, Auftragsreihenfolge, Personalverfügbarkeit und Verzögerungen aus früheren Schritten.
INVO nutzt die Historie der tatsächlichen Produktion, um schon vor Schichtbeginn abzuschätzen, wie lange die Produktion voraussichtlich dauert und wo ein Problem entstehen kann.
Tatsächliche Bedingungen
- Linie 3 stark ausgelastet
- vorheriger Auftrag +18 Min.
- größere Charge als üblich
- Verpackung nahe der vollen Kapazität
INVO-Prognose
Prognostizierte Fertigstellung
13:34
PlanPrognostizierte Fertigstellung
13:00
+34 Min.
Verzugsrisiko: 72%
Der Plan sagt, was passieren soll. INVO nutzt historische Daten, um vorherzusagen, was tatsächlich passieren wird.
Vor dem Produktionsstart
Was können Sie wissen,bevor die Schicht beginnt?
Wann ist die Produktion wirklich fertig?
Prognostizierte Fertigstellungszeit für den Auftrag und den gesamten Plan.
Welche Linien werden überlastet sein?
Prognostizierte Auslastung der verfügbaren Kapazität.
Wo entsteht ein Engpass?
Prozesse, die die Planausführung voraussichtlich begrenzen.
Wie viel Rohstoff verbrauchen wir tatsächlich?
Eine Ausführungsprognose, die historische Abweichungen berücksichtigt.
Welche Aufträge sind gefährdet?
Wahrscheinlichkeit, den Zeitplan nicht einzuhalten.
Reicht die aktuelle Besetzung aus?
Prognostizierter Personalbedarf für die einzelnen Stufen.
Wie es funktioniert
Von der Produktionshistorie zurPrognose der nächsten Schicht.
INVO nutzt Daten, die bei der Planung und Ausführung der Produktion ohnehin entstehen. Es vergleicht frühere Pläne mit der tatsächlichen Ausführung und sagt auf dieser Basis den Verlauf der nächsten Aufträge voraus.
Produktionshistorie
Plan + tatsächliche Ausführung
KI
Findet die Zusammenhänge
Prognose
Was passiert morgen voraussichtlich?
- Plan
- 14:00
- Prognose
- 15:05
- Risiko
- 78%
01
Wir erfassen echte Produktionsdaten
INVO erfasst unter anderem:
- was wir produziert haben
- wie viel
- auf welcher Linie
- wie lange
- mit welcher Leistung
- welche Verzögerungen auftraten
So entsteht eine Historie darüber, wie die Produktion wirklich verlief - und nicht nur, wie sie geplant war.
02
Die KI findet wiederkehrende Zusammenhänge
Die Modelle analysieren frühere Ausführungen und prüfen, was Zeit und Leistung der Produktion beeinflusst hat. Das System kann zum Beispiel feststellen:
Bei diesem Produktionsvolumen und dieser Verpackungsauslastung dauerten ähnliche Aufträge im Schnitt 12% länger als geplant.
Sie müssen nicht jeden dieser Zusammenhänge manuell definieren - das Modell findet sie in den historischen Daten.
03
Wir sagen die nächste Produktion voraus
Wenn ein neuer Plan entsteht, nutzt INVO frühere Daten, um abzuschätzen:
- wann die Produktion endet
- welche Linien überlastet sein können
- wo ein Engpass entstehen kann
- welche Aufträge von Verzug bedroht sind
Statt
Geplante Fertigstellung: 14:00
Sie erhalten außerdem
- Prognostizierte Fertigstellung: 15:05
- Verzugsrisiko: 78%
- Problem: Linie 3 überlastet
Je mehr tatsächliche Ausführungen in der Historie liegen, desto mehr Daten haben wir, um die Prognosemodelle zu trainieren und zu verbessern.
Modelle & Technologie
Unterschiedliche Fragen erfordernunterschiedliche Modelle.
Alle Modelle greifen auf Daten aus dem INVO Data Warehouse zu. Dort verbinden wir die Historie von Bestellungen, Rezepturen, Produktionsplänen, Linienbetrieb, tatsächlichen Ausführungszeiten, Rohstoffverbrauch, Stillständen und weiteren Ereignissen aus ERP und MES.
Auf dieser Basis wählen wir das Modell passend zur konkreten Frage - etwa wie lange die Produktion dauert, wo eine Überlastung entsteht oder wie hoch das Verzugsrisiko ist.
Woher beziehen die Modelle ihre Daten?
ERPMESWMSProduktionsdaten
INVO Data Warehouse
- Bestellungen
- Rezepturen
- Produktionspläne
- Ist-Zeiten
- Linienbetrieb
- Verbrauch
- Stillstände
- Leistung
Plan
Wie die Produktion geplant war
Ist
Wie sie wirklich verlief
KI-Modelle
Das Data Warehouse baut eine Historie darüber auf, wie die Produktion geplant war und wie sie wirklich verlief. Auf diesen Daten trainieren und betreiben wir die Prognosemodelle.
Prognosemodell
Wie lange dauert die Produktion wirklich?
Modelle, die viele Faktoren analysieren
Das Modell analysiert Tausende früherer Ausführungen und prüft, welche Bedingungen ihr tatsächliches Ergebnis beeinflusst haben.
Es kann zum Beispiel feststellen, dass eine bestimmte Kombination aus großer Charge, konkreter Linie und hoher Auslastung historisch zu längerer Produktion führte.
Wenn ein ähnlicher Auftrag auftaucht, nutzt es diese Zusammenhänge, um dessen Ergebnis vorherzusagen.
Plan180 Min.
KI-Prognose214 Min.
Anwendungen
- Produktionszeit
- Verzugsrisiko
- Prognostizierte Leistung
- Rohstoffverbrauch
Nutzen: Eine realistischere Prognose auf Basis tatsächlicher Ausführungen.
Gradient Boosting
LightGBM · XGBoost · CatBoost
Zeitreihenmodelle
Wie verändert sich die Lage im Zeitverlauf?
Modelle, die den Produktionsverlauf analysieren
Diese Modelle betrachten nicht nur das Endergebnis. Sie analysieren, wie sich Auslastung, Produktionstempo und andere Parameter über die folgenden Stunden verändern.
So können sie vorhersagen, an welchem Punkt eine Überlastung oder ein Leistungseinbruch auftritt.
Linie 3 · jetzt
- 82%
- 10:3091%
- 11:30103%
- 12:30112%
Erwartete Kapazitätsüberlastung
Anwendungen
- Linienauslastung
- Produktionstempo
- Künftige Engpässe
- Kapazitätsnutzung
Nutzen: Sie sehen nicht nur die aktuelle Lage, sondern auch, in welche Richtung sich die Produktion bewegt.
Time-Series Forecasting
N-HiTS · Temporal Fusion Transformer
Risikoprognose
Wie hoch ist das Risiko, dass der Plan nicht hält?
Modelle, die Unsicherheit berücksichtigen
Produktion ist nicht zu 100% vorhersehbar. Deshalb kann das Modell nicht nur das wahrscheinlichste Ergebnis zeigen, sondern auch die Bandbreite möglicher Ergebnisse und das Risikoniveau.
Statt einer scheinbar sicheren Endzeit sieht der Planer, wie belastbar die Prognose wirklich ist.
- Wahrscheinlichste Fertigstellung
- 14:52
- Erwartete Bandbreite
- 14:40-15:10
- Verzugsrisiko
- 84%
Anwendungen
- Verzugsrisiko
- Überlastungsrisiko
- Zeitfenster der Fertigstellung
- Bewertung der Planunsicherheit
Nutzen: Der Planer entscheidet auf Basis eines Risikoniveaus und nicht anhand einer scheinbar sicheren Zahl.
Probabilistic Forecasting
Quantile Regression · Conformal Prediction
Und wenn der Prozess komplexer ist?
Bei großen Datenmengen, vielen parallelen Linien, langen Operationsfolgen oder Daten aus IoT-Geräten können wir auch neuronale Netze und Deep-Learning-Modelle einsetzen. Sie erlauben die Analyse komplexerer Zusammenhänge, wir nutzen sie aber nur dann, wenn Tests zeigen, dass sie die Prognosequalität verbessern.
Neural Networks · Deep Learning · Sequence Models
Ein komplizierteres Modell bedeutet nicht immer eine bessere Prognose.
Wir wählen das Modell, das die tatsächliche Ausführung auf den Daten des Kunden am besten vorhersagt.
Optimierungs-Engine
Das Modell sagt ein Problem voraus.Das System hilft, einen besseren Plan zu finden.
Wenn die Modelle vorhersagen, dass eine der Linien überlastet sein wird, lautet die nächste Frage: Was können wir ändern?
Die Optimierungsschicht kann verschiedene Varianten der Planausführung vergleichen und dabei verfügbare Linien, Auftragsreihenfolge, Besetzung, Termine, Umrüstungen und Kosten berücksichtigen.
Aktueller Plan
15:12
Verzugsrisiko: 84%
KI-Prognose · Linie 3 überlastet
Alternative Szenarien
Szenario A
+4 Mitarbeitende
+1.850 PLN
Zusatzkosten
- Fertigstellung
- 14:31
Szenario B
Empfohlen2 Aufträge auf Linie 2 verschieben
+320 PLN
Zusatzkosten
- Fertigstellung
- 14:16
Die Prognose endet nicht bei der Information über ein mögliches Problem. Sie lässt sich nutzen, um Varianten zu vergleichen und einen besseren Weg der Planausführung zu finden.
ERP + MES + Produktion
INVO Data Warehouse
Wie sahen frühere Ausführungen aus?
KI-Modelle
Welche Zusammenhänge stecken in den Daten?
Prognose
Was passiert morgen voraussichtlich?
Optimierung
Welche Alternativen haben wir?
Empfehlung
Welche Variante liefert das beste prognostizierte Ergebnis?
Von der Prognose zur Entscheidung
Eine Prognose allein verändert die Produktion nicht.Eine Entscheidung schon.
Alarm
Linie 3 überschreitet die Kapazität voraussichtlich um 12%.
Empfehlung
Zwei Aufträge auf Linie 2 verschieben.
Simulation
Prüfen Sie die Wirkung der Änderung, bevor Sie den Plan aktualisieren.
Aktueller Plan
Wie geplant
15:12
Überstunden: 72 Min.
Verzugsrisiko: 84%
Szenario A
+4 Operatoren
14:31
Zusatzkosten: 1.850 PLN
Verzugsrisiko: 21%
Szenario B · empfohlen
2 Aufträge verschieben
14:16
Zusatzkosten: 320 PLN
Verzugsrisiko: 9%
Geschäftlicher Effekt
Ein besserer Plan vor dem Start bedeutetweniger teure Korrekturen während der Schicht.
Überstunden ↓
Weniger ungeplante Überstunden
Wartezeit ↓
Weniger Stillstand und Warten
Leistung ↑
Mehr Output aus den vorhandenen Linien
Termintreue ↑
Höhere Termintreue bei der Auslieferung
Schätzen Sie das Potenzial anhand Ihrer eigenen Produktionskosten.
Aktuell vermeidbare Kosten: 3.000.000 PLN
Einsparpotenzial
450.000 PLN
/ Jahr
≈ 37.500 PLN / Monat
Die Simulation zeigt die mögliche Größenordnung des Effekts und ist keine Ergebnisgarantie. Das tatsächliche Ergebnis hängt von den Prozessen, der Datenqualität und dem Umfang der Einführung ab.
Prüfen Sie, ob der Plan für morgen machbar ist,bevor die Produktion beginnt.
Sehen Sie, wie INVO die Historie der tatsächlichen Ausführung nutzen kann, um Produktionszeit, Überlastungen und Verzugsrisiko vorherzusagen.