Drahtherstellung: Wenn die KI das Angebot erstellt

Drahthersteller wissen: Die Angebotserstellung ist meist ein zeit- und ressourcenintensivster Prozess, der mitunter bis zu zwei Wochen in Anspruch nimmt. Denn eine Kalkulation inklusive aller Prozessparameter basiert häufig in starkem Maße auf individuellem Expertenwissen, was immer auch Spielraum für ungenaue Ergebnisse lässt. Ein neuer effizienterer Weg stellt die Angebotserstellung mittels maschinellen Lernens dar (ML). Das ML-Modell automatisiert die Kalkulation einer Prozesskette bei der Drahtgewinnung und ermittelt zuverlässiger als der Mensch die optimale Schrittfolge im Produktionsprozess.

Die Drahtherstellung ist ein komplexer Prozess. Der Weg vom Rohmaterial zum fertigen Draht beinhaltet viele kleine Schritte. Zuerst wird der Rohdraht durch spezielle Werkzeuge gezogen und auf seinen Soll-Durchmesser gebracht. Präzises und kontrolliertes Arbeiten ist gefragt, um die gewünschte Toleranz und Oberflächengüte des Drahtes zu garantieren. Anschließend wird der Draht mit Wärme behandelt – Das „Glühen“ soll seine mechanischen Eigenschaften verbessern. Je nach späterer Produktanwendung wird der Draht zusätzlich mit einer Schutzbeschichtung versehen, beispielweise um ihn vor Korrosion zu schützen oder ihn elektrisch zu isolieren. Ist der Draht schließlich gemäß der gewünschten kundenspezifischen Anforderungen gezogen und bearbeitet worden, wird er auf Spulen oder Rollen aufgewickelt und ausgeliefert.

Angesichts der enormen Prozesskomplexität bei der Drahtherstellung kommt einer präzisen, im Sinne des Prozessmanagements optimierten Angebotserstellung besondere Bedeutung zu. Hinzu kommt: Steigender Preisdruck und begrenzte personelle Ressourcen im globalen Wettbewerb fordern die oftmals mittelständischen Auftragsfertiger kundenindividueller Produkte zunehmend heraus, ihre begrenzten Ressourcen maximal effizient einzusetzen. Insbesondere die Angebotserstellung und die damit verbundene Angebotskalkulation gelten hierbei als ressourcenintensiver Geschäftsprozess, der am Ende häufig nicht einmal zu tatsächlichen Aufträgen führt.

Bei aufwendigen Angeboten können diese Kosten je Angebot von über 1.000 € verursachen. Bei angenommenen 1.000 Angeboten pro Jahr und realistischen Angebotserfolgsquoten von oftmals weniger als 30 % bedeutet dies Kosten in Höhe von durchschnittlich rund 700.000 € im Jahr.

Die Eingabeparameter, die der Kunde der Verkaufsabteilung zur Verfügung stellt, sind zumeist überschaubar: Sorte, Dicke, Breite, Länge, Schmelzen, Oberflächengüte, Endbearbeitung, Endzustand. Trotzdem ist die Angebotserstellung von großem Aufwand, verbunden mit einem hohen Maß an Fachwissen. Es müssen die richtigen Prozessparameter und schließlich eine ganze Route erarbeitet werden. Der Drahtexperte muss diese Daten aufbereiten, d.h. ungenaue Daten finden und berichtigen, sie in numerische Daten umwandeln und eindeutige Bezeichnungen zur Normalisierung der Daten anwenden.

Bei alledem kann die Problemstellung nicht durch ein klassisches Klassifizierungsmodell dargestellt werden, da es vom Prozessablauf abhängt.

Wie können hier nun Machine Learning (ML) und intelligente Algorithmen konkret helfen, den höchst individuellen Angebotsprozess eines Drahtherstellers zu optimieren?

Analyse zahlreicher Daten mittels ML

Da sich der Angebotspreis für den Kunden zumeist größtenteils aus der Vorplanung des Produktionsprozesses, dem Arbeitsplan, ergibt, wurde die ML-Software zunächst mit den Arbeitsplänen des Drahtherstellers gefüttert: Die Trainingsbasis für das System umfasste rund 850 Arbeitspläne mit mindestens fünf, durchschnittlich elf und maximal 28 Fertigungsschritten. Zusätzlich wurden typische Prozessparameter wie die geplante Produktionszeit, die Anzahl der Glühsteine und die Glühtemperatur miteinbezogen. Im Process-Mining-Diagramm (Siehe Abbildung 1) ist die Komplexität der Auswahlmöglichkeiten schematisch dargestellt. Dieses Produktionssystem bezieht sich auf die tatsächlichen Daten aus hunderten von Arbeitsplänen.

Abb. 1: Process Mining / Prozessablaufdiagramm der Drahtherstellung (Quelle: C. Wagner)

Mit Ansätzen des Process Minings konnten nun Prozessrouten geclustert und der Lösungsraum für die Modellbildung verkleinert werden. Auf Basis eines Entscheidungsbaumverfahrens wurde anschließend ein Modell erarbeitet, das mithilfe der Kundenspezifikation einen idealen Arbeitsplan ableitet, auf dessen Basis ein Richtpreis automatisch kalkuliert wird.

Anhand der Testdaten konnte schließlich eine Modellgüte von über 95% erreicht werden, das heißt, die automatisiert geschätzten kalkulationsrelevanten Parameter stimmten mit einer hohen Genauigkeit mit der menschlichen Planung überein.

ML schafft die optimale Prozessroute

Wie geht das automatisierte Modell nun bei der Arbeitsplanerstellung vor? Zuerst entscheidet es, ob es sich um einen Grob- oder Feinzug handelt. Damit wird die Auswahl möglicher Routen schon wesentlich eingeschränkt. Die Entscheidung basiert auf dem benötigten Ziehverhältnis, also dem Verhältnis des Anfangs- zum Enddurchmesser. Zweitens wird über das Einsatzmaterial entschieden. Dieses muss einen nächstgrößeren Durchmesser aufweisen und die gleiche Qualität haben. Im dritten Schritt sagt das Modell für jede Maschine einen binären Code voraus und bestimmt somit, ob sie zum Einsatz kommt. Im vierten und letzten Schritt ermittelt das Modell, die für die Kalkulation relevanten Prozessparameter.

Mit Methoden des überwachten maschinellen Lernens entstanden eine Handvoll Modelle: Generalized Linear Model, Deep Learning, Entscheidungsbaum, Random Forest, Gradient Boosted Trees und Support Vector Machine. Für das konkrete Beispiel vom 1,6 mm Draht zum 0,45 mm Draht hat der Entscheidungsbaum das beste Verhältnis von Modellqualität zu Rechenzeit und Verständlichkeit aufgezeigt. In Abbildung 3 ist dieser Baum dargestellt. Dort ist zu sehen, dass das Modell mit nur zwei Parametern den richtigen Weg mit einer Genauigkeit von etwa 98 % vorhergesagt hat.

Abb. 2: Schritt-für-Schritt Konzept für die Prognose des Arbeitsplans (Quelle: C. Wagner)

Abb. 3: Entscheidungsbaum und Modellgenauigkeit der Prognose (Quelle: C. Wagner)

Wenn für alle Parameter Entscheidungsbäume aufgestellt sind, werden sie im nächsten Schritt in die Unternehmenssoftware integriert. Die Kostensätze sind statistisch im ERP-System hinterlegt und Kundenauftragsinformationen bleiben wie bisher in einer Angebotsmaske hinterlegt. Über eine REST-API-Schnittstelle werden die Daten beim Speichern an einen Server übertragen. Daraufhin liefern die trainierten Modelle die entsprechenden Prognoseparameter zurück. Bei der Verrechnung mit den Kostensätzen ergibt sich ein Wert, den das Unternehmen in ein Zielpreisangebot überführen kann.

Natürlich entsteht hierdurch kein perfektes Ergebnis. Die Modellgüte beträgt ca. 90 Prozent. Inwieweit dies ausreichend für eine Preisnennung ist, bleibt am Ende den Vertriebsverantwortlichen im Unternehmen überlassen. Dabei ist es nicht so wichtig, etwa die Glühtemperatur um ein paar Grad zu verfehlen als stattdessen eine gänzlich falsche Route zu planen. Deshalb wird empfohlen eine Angebotsprognose im Voraus durch die Arbeitsvorbereitung zu prüfen. Im Vergleich zur kompletten Neuaufstellung eines Angebots ist dieser Aufwand jedoch bedeutend geringer – im Schnitt etwa 80 Prozent gegenüber dem herkömmlichen Ansatz.

Für Prof. Dr.-Ing. Carsten Wagner, der das ML-Projekt im Rahmen einer Forschungsarbeit der Hochschule für angewandte Wissenschaft und Kunst Göttingen (www.hawk.de) mit seinem Team initiierte und die komplette Automatisierung des Angebotsprozesses via ML begleitete, ist der Zeitfaktor neben der Ressourcenschonung auch der entscheidende Faktor für den Drahthersteller, um nunmehr „angebotsseitig“ für den globalen Wettbewerb bestens gerüstet zu sein: „Die Angebotserstellungszeit von 2 Wochen im Extremfall auf einen Knopfdruck reduzieren – das ist wirklich disruptiv!“