Rollierende Kapazitätsplanung: Verbrenner und E-Mobilität gemeinsam planen
Interview mit Yenal Ersen (OPTANO GmbH) und Dr. Kostja Siefen (Gurobi)
Der Wandel der Automobilindustrie verlangt Zulieferern Entscheidungen von großer finanzieller Tragweite ab. Die Rahmenbedingungen sind hierbei nach wie vor unsicher. Yenal Ersen, Head of Business Development bei OPTANO und Dr. Kostja Siefen, Sr. Director Technical Account Management bei Gurobi sprechen darüber, wie Unternehmen die Nachfrage nach konventionellen Antrieben zuverlässig bedienen und zugleich die unsichere Transformation aller Produktionsprozesse für eine veränderte Produktstruktur mit elektrischem Antriebsstrang vorbereiten können – am Beispiel einer rollierenden Kapazitäts- und Produktionsplanung über mehrere Werke und einjährigem Planungshorizont. Aus ihrer jeweiligen Perspektive zeigen sie, wie mathematische Optimierung in einer Softwareanwendung Zulieferer bei diesen Planungsentscheidungen unterstützen kann.
Besonders deutlich wird er, wenn Unternehmen das bestehende Geschäft zuverlässig weiterführen und gleichzeitig neue Produktion vorbereiten müssen. Für Verbrenner gibt es Lieferverpflichtungen, während Zeitpunkt und Umfang des E-Mobilitäts-Hochlaufs noch unsicher sind. Trotzdem müssen die Verantwortlichen über Kapazitäten, Umrüstungen und Personal entscheiden. Sie können nicht mit allem warten, bis die Nachfrage feststeht. In der Planung zeigt sich dann sehr konkret, welche Folgen diese Unsicherheit hat.
Turn complexity into value:
Aus den vielen Handlungsmöglichkeiten eine bessere Grundlage für die nächste Entscheidung zu machen.
Nehmen wir an, beide Geschäfte nutzen teilweise dieselben Produktionsanlagen und Fachkräfte. Andere Ressourcen sind produktspezifisch. Der Zulieferer muss entscheiden, wann welche Anlagen umgerüstet werden müssen, welche Mengen die Werke übernehmen können und wo zusätzliche Schichten benötigt werden. Dabei gelten Vorläufe und Kundenfreigaben; freie Kapazität lässt sich nicht beliebig verschieben.
Rüstet er früh um und der Hochlauf verzögert sich, gibt es womöglich ungenutzte Kapazitäten. Wartet er zu lange, können sie später fehlen. Mit OPTANO lassen sich die Alternativen und ihre Auswirkungen gegenüberstellen.
Für die Berechnung gehört auch die Zeit dazwischen dazu. Eine Anlage produziert während der Umrüstung nicht. Soll ein anderes Werk einspringen, muss es dafür geeignet und freigegeben sein. Ein Bestandspuffer lässt sich nur aufbauen, wenn vorher Material und Kapazität verfügbar sind.
Die Stärke der mathematischen Algorithmen im Solver liegt darin, alle Faktoren und ihre Wechselwirkungen gemeinsam zu betrachten und Zielkonflikte im Gesamtmodell abzuwägen. Der Solver sucht also nicht einfach den günstigsten Produktionsort, sondern eine passende Kombination aus Mengen, Schichten, Beständen und Umrüstungszeitpunkten über den gesamten Zeitraum.
Ihr sprecht von OPTANO als Planungssoftware und Gurobi als Solver. Wie greifen die beiden ineinander – was sehen Planer*innen konkret davon?
Planer*innen arbeiten mit der OPTANO-Anwendung. Wir übersetzen die konkreten Prozesse, Regeln und Zielkonflikte des Kunden in ein mathematisches Entscheidungsmodell und integrieren die dafür relevanten Daten. Ebenso wichtig ist die Bedienung: Planer*innen sollen etwa einen späteren Umrüstungstermin prüfen und erkennen können, was das für Lieferfähigkeit, Auslastung und Kosten bedeutet, ohne dafür das mathematische Modell kennen zu müssen. Sie brauchen verständliche Ergebnisse, die sie mit den Werken besprechen können.
Der Gurobi Optimizer berechnet im Hintergrund konkrete Planungsvorschläge, die alle im Modell festgelegten Bedingungen erfüllen und die vorgegebenen Ziele bestmöglich erreichen.
Fachliche Vorgaben wie Kundenfreigaben werden als Regeln im mathematischen Modell hinterlegt. So kann der Solver diese Anforderungen korrekt berücksichtigen, ohne ihre fachliche Bedeutung kennen zu müssen. OPTANO übersetzt also die betriebliche Aufgabe in Modell und Anwendung. Wir liefern die Technologie, um die mathematische Aufgabe leistungsfähig zu lösen.
Nein. In unserem Beispiel wird die Planung jeden Monat aktualisiert. Tatsächliche Produktionsmengen, Bestände und neue Abrufinformationen fließen ein. Der abgelaufene Monat fällt heraus, ein weiterer kommt hinzu. So bleiben immer die nächsten zwölf Monate im Blick.
Bereits begonnene Umrüstungen oder verbindlich eingeplante Schichten bleiben als feste Rahmenbedingungen bestehen. In der Anwendung ist sichtbar, welche Entscheidungen noch offen sind, was sich gegenüber dem letzten Plan ändert und welche Werke davon betroffen sind.
Solche Änderungen passen das bereits gelöste Modell an. Bereits festgelegte Entscheidungen bleiben fixiert. Der Solver optimiert dann nur die Planungsentscheidungen, die in der Praxis noch veränderbar sind.
Auch der Aufwand weiterer Planänderungen lässt sich berücksichtigen, wenn er im Modell beschrieben ist. So muss nicht jede kleine Änderung der Nachfrage gleich zu einer völlig anderen Mengenverteilung führen. Der Solver berücksichtigt die im Modell hinterlegten Stabilitätskriterien als feste Vorgaben oder als Ziele, die gegen andere Planungsziele abgewogen werden.
Prognosen sind immer mit Unsicherheit verbunden. Mathematische Optimierung hilft, mögliche Abweichungen und ihre Folgen vorab zu bewerten und robustere Pläne zu entwickeln. Das schafft Entscheidungskapazität und damit die Fähigkeit, in der verfügbaren Zeit Stabilität und Flexibilität fundiert gegeneinander abzuwägen.
Wichtig ist, dass wir dabei nicht für jeden Verlauf eine andere heutige Entscheidung unterstellen. Offen bleiben nur Anpassungen, die später tatsächlich noch möglich wären. Der Solver berechnet unter diesen Bedingungen die jeweiligen Folgen. Der Vergleich zeigt, welche Festlegung Spielraum lässt und welche bei Abweichungen teuer wird.
Das prüfen wir zuerst. Unterstützen die vorhandenen Systeme die Aufgabe gut, braucht es dafür nicht automatisch eine zusätzliche Lösung. Eine Lücke kann entstehen, wenn jedes Werk für sich plant und die gemeinsamen Auswirkungen erst anschließend in Tabellen abgeglichen werden. Eine verschobene Umrüstung löst dann mehrere Abstimmungsrunden aus. OPTANO kann diese Zusammenhänge in einer gemeinsamen Planung abbilden. Datenanbindung und Einbettung in die Abläufe richten sich nach der vorhandenen Systemlandschaft.
Für die Berechnung ist entscheidend, dass relevante Abhängigkeiten nicht an Werk-, System- oder Planungsgrenzen enden. Eine Mengenverteilung, die für ein einzelnes Werk günstig erscheint, kann andernorts einen Engpass verursachen. Der Solver betrachtet deshalb die im Modell abgebildeten Bereiche und ihre Wechselwirkungen gemeinsam. So wird vermieden, einzelne Bereiche auf Kosten des Gesamtergebnisses zu optimieren.
Auch eine gute Bedarfsprognose löst diese Aufgabe noch nicht: Sie liefert wichtige Eingangsdaten, aus denen erst ein umsetzbarer Plan entstehen muss, der beispielsweise Kapazitäten, Freigaben und Vorläufe berücksichtigt. Entscheidend ist daher, die Modellgrenzen so zu ziehen, dass die für die Entscheidung relevanten Abhängigkeiten erfasst werden.
Dann müssen wir verstehen, warum. Fehlt eine Regel? Ist eine Annahme veraltet? Oder zeigt der Vorschlag eine Möglichkeit, die bisher übersehen wurde? Wenn etwa die benötigten Fachkräfte zum Umrüstungstermin noch nicht qualifiziert sind, muss das berücksichtigt werden. Deshalb beziehen wir die Anwender*innen früh ein und geben ihnen die Möglichkeit, Annahmen zu prüfen und Varianten zu vergleichen. Das Modell ergänzt die Erfahrung der Fachbereiche um eine konsistente Bewertung aller relevanten Restriktionen und Alternativen.
Der Solver prüft die hinterlegten Bedingungen, nicht die Vollständigkeit der betrieblichen Beschreibung. Wird diese korrigiert, muss neu gerechnet werden. Schnelle Berechnungen sind vor allem dann entscheidend, wenn wenig Zeit für Analysen und Anpassungen bleibt. Das gilt für die Neuplanung ebenso wie für die Umplanung. Deshalb arbeiten wir gemeinsam mit OPTANO daran, die Antwortzeiten des Systems möglichst kurz zu halten.
Mathematische Optimierung liefert neben einem Plan auch eine Schranke für das bestmögliche Ergebnis. Damit lässt sich abschätzen, wie viel Verbesserung noch möglich ist, ohne den optimalen Plan bereits zu kennen. Das ergänzt die fachliche Bewertung anhand von KPIs und hilft zu entscheiden, ob die erreichte Lösungsgüte ausreicht oder sich weitere Rechenzeit lohnt.
Diese Aussage bezieht sich allerdings auf das Modell. Sie ist keine Einsparquote gegenüber der bisherigen Planung. Dafür müssen die Pläne anhand derselben geschäftlichen Maßstäbe verglichen werden. Das sind zwei unterschiedliche Bewertungen, die sich ergänzen.
Genau. Wir vergleichen auf demselben Datenstand und mit denselben Lieferanforderungen. In unserem Beispiel zählen Fertigungs-, Schicht-, Transport- und Umrüstungskosten, Bestände und Lieferfähigkeit. Auch der Aufwand durch Planänderungen gehört dazu.
Anschließend verfolgen wir über mehrere Planungsrunden, ob sich Vorteile im Betrieb bestätigen. Historische Vergleiche sind nur fair, wenn wir die damals verfügbaren Informationen nutzen. Mit dem Wissen von heute lässt sich leicht ein besserer Plan für gestern berechnen.
Nein. Ein sinnvoller Einstieg wäre ein abgegrenzter Bereich, in dem sich beide Geschäfte Kapazität teilen. Die Belegung durch andere Produkte muss dabei ebenfalls berücksichtigt werden. Wir brauchen Mengenannahmen, Kapazitäten, Schichtmöglichkeiten, Bestände und Kosten sowie Vorläufe und Freigaben. Ebenso wichtig ist, was bereits verbindlich entschieden wurde. Die Daten müssen nicht überall perfekt sein. Wir müssen aber erkennen, welche Lücken die Aussagekraft des Plans begrenzen.
Mit Variantenrechnungen lässt sich prüfen, welche Angaben besonders wichtig sind. Ändert eine längere Freigabezeit den empfohlenen Umrüstungstermin? Bleibt die Mengenverteilung bei einem späteren Hochlauf sinnvoll? Der Solver berechnet die Ergebnisse für die jeweils vorgegebenen Annahmen. Ihr Vergleich zeigt, wo genauere Daten die Entscheidung verändern könnten. Fehlende Informationen ersetzt die Berechnung allerdings nicht. Sie hilft vielmehr, gezielt die Fragen zu identifizieren, die vor einer Entscheidung geklärt werden sollten.
Ebenso lässt sich bewerten, ob sich eine Erweiterung des Planungsumfangs wirtschaftlich lohnen könnte: Wie stark würde sich das Gesamtergebnis verbessern, wenn weitere Bereiche oder Handlungsmöglichkeiten einbezogen würden?
Eine verständliche Beschreibung reicht für den Anfang: Welche Kapazität brauchen wir für E-Mobilität, was müssen wir im Verbrennergeschäft weiter liefern, und welche Entscheidungen stehen an? Gemeinsam können wir einordnen, wo unsere Software helfen könnte und welcher erste Schritt sinnvoll wäre. Ein fertiges Datenpaket muss dafür niemand mitbringen.
Wir können dazu besprechen, welche Alternativen berechnet werden sollen, welche Bedingungen gelten und wann ein Ergebnis gebraucht wird. So verbinden wir am gemeinsamen Stand die betriebliche Aufgabe mit der Berechnung dahinter. Produzierende Unternehmen haben häufig bereits Planungsalgorithmen im Einsatz. Daran können wir anknüpfen und gemeinsam prüfen, wo deren Grenzen liegen und welche Verbesserungen möglich sind. Neue Technologie muss ihren Mehrwert belegen. Deshalb schauen wir konkret, wo wir spürbar bessere Ergebnisse liefern können.
Ihre Kapazitätsplanung im Fokus – auf der IZB
Am gemeinsamen Stand von OPTANO und Gurobi erfahren Sie, wie mathematische Optimierung Ihre konkrete Planungsaufgabe unterstützen kann.
IZB 2026, Wolfsburg, Halle 5, Stand 5132
Interview von Kearney mit Prof. Dr. Bratzel: „Kein Stein wird auf dem anderen bleiben“ | Kearney