Ersatzteilprognose

Eine Ersatzteilprognose beantwortet zwei Fragen: welche Teile in einem bestimmten Zeitraum voraussichtlich benötigt werden, und welches Teil bei einem konkreten Störungsfall wahrscheinlich defekt ist. Die erste Frage steuert die Lagerhaltung, die zweite die Vorbereitung des einzelnen Einsatzes.

Grundlage sind der betreute Anlagenbestand mit Typen, Baujahren und Betriebsbedingungen, die Servicehistorie mit den tatsächlich verbauten Teilen, die Ausfallcharakteristik der Bauteile sowie – wo verfügbar – die Betriebsdaten der Anlagen. Verschleißteile folgen dabei anderen Mustern als Elektronikkomponenten: Erstere verschleißen laufzeitabhängig, letztere fallen eher zufällig oder gehäuft in bestimmten Baureihen aus.

Für Heizungsbauer, SHK-Betriebe und Elektrobetriebe mit Servicegeschäft ist das eine wirtschaftliche Abwägung. Lagerbestand bindet Kapital und veraltet, fehlender Bestand kostet Anfahrten und Kundenzufriedenheit.

Wo KI ansetzt

Der Ausgangspunkt ist die eigene Servicehistorie. Werden bei jedem Einsatz Anlagentyp, Fehlerbild, Ursache und verbautes Teil erfasst, entsteht über die Jahre ein Datenbestand, aus dem sich Wahrscheinlichkeiten ableiten lassen. Ein Modell kann daraus vorhersagen, welches Teil bei einem gemeldeten Fehler bei diesem Anlagentyp in diesem Alter am wahrscheinlichsten benötigt wird. Genau diese Auswertung findet in den meisten Betrieben nicht statt, obwohl die Daten vorhanden sind.

Der zweite Ansatz nutzt Betriebsdaten. Aus Laufzeiten, Schaltzyklen und Verläufen lässt sich der Verschleißzustand einzelner Komponenten abschätzen. Anders als eine reine Altersbetrachtung berücksichtigt das die tatsächliche Beanspruchung – eine Anlage mit hoher Taktzahl verschleißt schneller als eine gleichaltrige mit ruhigem Betrieb. Das führt direkt zu vorausschauender Instandhaltung: Ein Teil wird bei der ohnehin anstehenden Wartung getauscht, bevor es ausfällt.

Der dritte Ansatz betrifft die Bestandsplanung. Aus der Alterstruktur des betreuten Anlagenbestands lässt sich der Teilebedarf der kommenden Monate abschätzen, sodass Bestellungen gebündelt und Engpässe vor der Heizsaison vermieden werden. Bei Bauteilen mit langen Lieferzeiten ist das der entscheidende Punkt.

Wirtschaftlich verbindet sich die Prognose mit der Erstlösungsquote und dem vorab mitgenommenen Ersatzteil. Beide profitieren unmittelbar von einer besseren Vorhersage.

Ein praktischer Hinweis: Die Prognose ist nur so gut wie die Datenerfassung im Einsatz. Ein Serviceauftrag, der nur Arbeitszeit und eine pauschale Materialposition enthält, liefert nichts für die Auswertung. Die Umstellung auf eine strukturierte Erfassung von Fehlerbild, Ursache und Teil ist der Schritt, der den Rest möglich macht – und er kostet den Techniker weniger als eine Minute je Einsatz.