Ihr ERP plant mit 14 Tagen. Ihr Lieferant braucht 80.

Wie KI die Qualität von ERP-Stammdaten messbar verbessert

Ein Artikel hat im ERP eine Wiederbeschaffungszeit von 14 Tagen. Vergleichbare Artikel beim selben Lieferanten liegen bei 70 bis 90 Tagen. Die Disposition plant mit dem ERP-Wert. Die Bestellung geht zu spät raus. Das Teil fehlt in der Produktion.

Niemand hat einen Fehler gemacht, der im Alltag auffällt. Das Feld war gepflegt. Der Wert war nur falsch.

In der Praxis zeigt sich häufig: Viele Probleme in Einkauf, Disposition und Produktion entstehen nicht dort, wo sie sichtbar werden. Sie entstehen früher – in den Stammdaten.

Typische Stammdatenfehler in produzierenden Unternehmen

fehlende oder unrealistische Wiederbeschaffungszeiten
Dubletten: gleiche Teile mit unterschiedlichen Materialnummern
widersprüchliche Mengeneinheiten zwischen Einkauf und Stückliste
Mindestbestellmengen, die nicht zum tatsächlichen Bedarf passen
kritische Teile ohne Sicherheitsbestand oder ohne gepflegten Lieferanten
aktive Artikel, die seit Jahren nicht mehr bestellt wurden
Sicherheitsbestände, die aus alten Verbrauchsmengen stammen

Die Folgen sind bekannt: Fehlteile trotz Bestand, Expressbestellungen, gebundenes Kapital, instabile Produktionsplanung und viel manuelle Nacharbeit.

Warum die Fehler im Datenbestand bleiben

Schlechte Stammdaten sind meistens kein reines Datenproblem, sondern ein Prozessproblem mit Datenfolgen. Typische Ursachen:

Unklare Verantwortung: Niemand ist eindeutig für Wiederbeschaffungszeiten, Dispositionsparameter oder Freigaben zuständig.
Historisch gewachsene Daten: Neue Artikel werden durch Kopieren bestehender angelegt. Alte Fehler werden weitervererbt.
Fehlender Abgleich mit der Realität: Der Einkauf kennt die neue Lieferzeit, im ERP steht weiter der alte Wert.
Excel-Nebenwelten: Lieferzeiten oder kritische Teile werden außerhalb des ERP gepflegt. Es entstehen unterschiedliche Wahrheiten.
Keine Prüfzyklen: Ohne regelmäßige Prüfung hängt die Datenqualität davon ab, ob einzelne Mitarbeitende daran denken.

Hinzu kommt: ERP-Systeme prüfen meist nur, ob ein Feld technisch gefüllt ist. Ob der Wert fachlich sinnvoll ist, prüfen sie nicht. Eine Wiederbeschaffungszeit von 14 Tagen ist formal korrekt – auch wenn der Lieferant real 80 Tage braucht.

Wo KI konkret hilft

KI ersetzt nicht die fachliche Bewertung. Sie macht aber in kurzer Zeit sichtbar, wo man hinschauen muss – statt tausende Datensätze manuell zu durchsuchen.

1. Anomalien erkennen
KI vergleicht jeden Artikel mit ähnlichen Artikeln, demselben Lieferanten und derselben Warengruppe. Werte, die deutlich aus dem Muster fallen, werden markiert.

2. Stammdaten gegen Bewegungsdaten prüfen
Planlieferzeiten werden mit tatsächlichen Wareneingängen abgeglichen, Stammpreise mit Bestellpreisen, Sicherheitsbestände mit dem realen Verbrauch und der Fehlteilhistorie.

3. Dubletten finden
KI erkennt ähnliche Artikel auch dann, wenn Beschreibungen und Schreibweisen voneinander abweichen.

4. Korrekturvorschläge erzeugen
Das Ergebnis ist nicht nur eine Fehlerliste, sondern ein begründeter Zielwert je Parameter. Dieser wird vom Fachbereich geprüft und freigegeben.

5. Risiken priorisieren
Über die Stücklistenverwendung wird sichtbar, welche Fehler kritische Baugruppen betreffen und deshalb zuerst bereinigt werden sollten.

Welche Daten dafür nötig sind

Einzelne Tabellen zeigen nur oberflächliche Fehler. Aussagekräftig wird die Analyse durch die Kombination:

Materialstamm mit Dispositionsparametern
Lieferanten- und Einkaufsdaten
Bestellungen und Wareneingänge
Stücklisten
Bedarfe und Forecasts
Lager- und Bestandsdaten

Diese Daten lassen sich aus gängigen ERP-Systemen exportieren. Ein neues ERP-System ist nicht erforderlich.

Wie proaquila unterstützt

proaquila verbindet Industrieerfahrung aus Produktion, Entwicklung und Supply Chain mit KI-gestützter Datenanalyse. Wir starten nicht mit einem Tool, sondern mit dem Prozessproblem.

Stammdaten-Audit Einkauf & SCM (2 bis 4 Wochen)

Analyse Ihrer ERP-Exporte
Prüfmatrix für Datenqualität
KI-gestützte Anomalieerkennung
Risikoklassifizierung nach operativer Relevanz
Maßnahmenliste mit konkreten Korrekturvorschlägen
Management-Report und Umsetzungs-Roadmap

Datenschutz und Datensicherheit gehören von Beginn an dazu.

Aus der Analyse wird ein konkreter Pilot. Aus dem Pilot wird ein regelmäßiger, automatisierter Stammdatencheck – ergänzt um klare Verantwortlichkeiten und Prüfzyklen, damit dieselben Fehler nicht wieder entstehen.

Fazit

Stammdaten steuern, wann und wie viel bestellt wird, ob Material rechtzeitig verfügbar ist und ob Liefertermine gehalten werden. Sie sind kein Verwaltungsthema, sondern ein operativer Hebel.

Saubere Stammdaten sind zudem die Grundlage für jede weitere KI-Automatisierung. Schlechte Daten erzeugen schlechte Entscheidungen – auch mit KI.

Wenn Sie wissen möchten, wo in Ihren Stammdaten der größte Hebel liegt, sprechen wir gerne darüber.