Wie ClearOps Entscheidungen im Service Parts Planning verständlich, überprüfbar und umsetzbar macht
Ein Ersatzteil für 20 €, das im falschen Moment fehlt, kann eine Maschine im Wert von 500.000 € stilllegen. Für Hersteller hängt die Vermeidung dieses Stillstands an Tausenden täglicher Entscheidungen im Service Parts Planning: Wird das richtige Teil am richtigen Ort sein, wenn es gebraucht wird? Die naheliegende Annahme ist, dass bessere Prognosen das lösen, und Planungsalgorithmen sind tatsächlich wirklich gut darin geworden, schwer zu modellierende Aftermarket-Nachfrage vorherzusagen.
Beim Bau einer Planungsanwendung für genau dieses Problem haben wir jedoch festgestellt, dass die Prognosegenauigkeit nicht der Punkt war, an dem es tatsächlich stockte.
Der Engpass war Vertrauen
Planer stießen regelmäßig auf Empfehlungen, die korrekt aussahen, aber ungewöhnlich waren. Statt danach zu handeln, hielten sie an, um zu prüfen: das ERP-System öffnen, Bestandspositionen rekonstruieren, die Begründung manuell nachbauen, die das Planungssystem bereits durchlaufen hatte.
Eine zutreffende Empfehlung, die ein Planer nicht schnell überprüfen kann, kostet ungefähr so viel wie eine schlechte, weil der Planer die Überprüfung in beiden Fällen selbst leisten muss.
Planungssysteme scheitern nicht nur, wenn sie falsch liegen. Sie scheitern auch, wenn sie richtig liegen, die Begründung aber fehlt.
Was unerklärte Empfehlungen kosten
Manuelle Untersuchung nimmt Planern Zeit für höherwertige Arbeit. Die größeren Kosten entstehen aber, wenn Unsicherheit ihr Verhalten verändert. Eine Empfehlung, die sich schwer validieren lässt, wird übersteuert. Der Sicherheitsbestand wird defensiv erhöht. Eillieferungen werden ausgelöst, weil der Planer nicht genug Vertrauen in das Ergebnis des Systems hat.
Das sind keine irrationalen Reaktionen. Ein Planer ist am Ende dafür verantwortlich, dass Teile verfügbar sind und die Maschinen der Kunden laufen. Das Ergebnis ist eine teure Kombination aus mehr manueller Arbeit, unnötigem Bestand, Eilbestellungen und Stockouts.
Deshalb ist Erklärbarkeit nicht einfach eine Verbesserung der Benutzeroberfläche. Wenn KI Planungsentscheidungen treffen soll, muss die Begründung hinter diesen Entscheidungen verfügbar sein, wenn der Planer sie braucht.
Auf Celonis-Kontext aufbauen
Das wurde zum Fokus unserer Arbeit beim 5. Global Ecosystem Hackathon, der Teams herausforderte, reale Anwendungen zu bauen, die die Celonis-Plattform mit AWS-Technologien wie Amazon Bedrock verbinden. Unser ClearOps-Team wurde zum regionalen EMEA-Champion gekürt.
Wir haben ClearWhy AI gebaut, einen funktionierenden Prototyp, der mit einem Multi-Agenten-Ansatz die Ergebnisse unserer Algorithmen für das Service Parts Planning erklärt.
Statt dem Planer nur das Ergebnis zu zeigen, arbeitet ClearWhy die Begründung hinter der Entscheidung durch und macht daraus eine Erklärung, die ein Planer verstehen und validieren kann.
Ein Meldebestand von 13 Einheiten lässt sich zum Beispiel über erwartete Nachfrage, Sicherheitsbestand, Nachfragevariabilität, Lagerhaltungskosten und das geforderte Füllratenziel erklären. Eine Bestellmenge lässt sich über ihre wirtschaftliche Bestellmenge, Nebenbedingungen und die aktuelle Bestandsposition erklären.
- Der Planer muss die Begründung nicht mehr von Grund auf rekonstruieren.
- Der Algorithmus erzeugt die Entscheidung. KI erklärt die Entscheidung.
Die größere Chance entsteht, wenn diese Begründung mit operativem Kontext verbunden wird.
Service Parts Planning ist als Celonis-native Planungsanwendung ausgelegt. Sie verbindet die zweckentwickelte Prognose und Bestandsoptimierung von ClearOps mit den operativen Daten und dem Kontext im Celonis-Ökosystem.
Celonis liefert den Kontext. ClearOps macht aus diesem Kontext eine Planungsentscheidung. KI erklärt, warum diese Entscheidung sinnvoll ist. So sehen wir, wie ClearOps den Wert von Celonis erweitert: vom Verstehen dessen, was im Betrieb geschieht, hin zur Entscheidung, was als Nächstes geschehen sollte.
Warum es zählt
Das unmittelbare Ziel ist die Produktivität der Planer: einen wesentlichen Teil der Zeit zurückzugewinnen, die heute in manueller Untersuchung verloren geht. Wichtiger noch: Weniger Untersuchungen sollten weniger defensive Übersteuerungen und weniger Eilbestellungen bedeuten, denn beides sind typischerweise Reaktionen auf Unsicherheit, nicht auf eine schlechte Empfehlung.
Das ist der Mechanismus, über den Erklärbarkeit in Planungsergebnisse übersetzt werden soll: nicht indem der Algorithmus schlauer wird, sondern indem seine Empfehlungen für einen Planer leichter direkt umsetzbar werden. Erklärbarkeit macht die Intelligenz hinter einer Planungsempfehlung zu etwas, das ein Planer verstehen, validieren und umsetzen kann, und hilft so, die Teileverfügbarkeit zu verbessern und gleichzeitig Bestandskosten und Planungsaufwand zu senken.
Das Fazit
Autonome Planung beginnt nicht mit Automatisierung. Sie beginnt mit Vertrauen, und Vertrauen beginnt mit Erklärung.
Das ist die Idee hinter dem, was wir mit Celonis bauen: eine Service Parts Planning-Anwendung direkt in Celonis, die Process Intelligence, operativen Kontext, KI-gestützte Planung und Erklärbarkeit in einer Lösung zusammenbringt.
Auch wenn es Planungsanwendungen bereits gibt, ist dieser Ansatz grundlegend anders. Statt Planung von der operativen Realität des Geschäfts zu trennen, nutzen wir den Kontext und die Daten, die in Celonis schon verfügbar sind, um zu erklären, warum eine bestimmte Planungsentscheidung getroffen wird.
Das schafft einen neuen Weg von Process Intelligence zur Handlung: vom Verstehen dessen, was geschehen ist, über die Entscheidung, was als Nächstes geschehen sollte, bis zur Erklärung, warum. Das Ergebnis ist Planung, die nicht nur Empfehlungen erzeugt, sondern Planern das Vertrauen gibt, danach zu handeln.
