KI-gestützte Bedarfsplanung bei Renfert: Ein Praxisbericht aus dem Mittelstand

Intro

Sebastian Herz, Mitglied der Geschäftsleitung bei der Renfert GmbH, berichtet im Gespräch mit Felix Schlenther über die Einführung einer KI-gestützten Bedarfsplanung in einem mittelständischen Unternehmen der Dentaltechnik. Was 2020 mit einer Excel-Regression und einem Webinar begann, entwickelte sich über einen Data-Quick-Check, einen Proof of Concept und eine zweijährige Testphase zu einem Projekt, das die Planungsgenauigkeit von 85 auf 93 Prozent steigerte. Die Episode zeigt ehrlich und detailliert, welche Hürden, Kosten und Learnings auf dem Weg zur produktiven KI-Lösung im Mittelstand wirklich anfallen — inklusive des Rückschlags durch den Marktaustritt des Dienstleisters und der anschließenden Migration zu Microsoft Demand Planning.

Inhaltsübersicht

Renfert GmbH — 200 Mitarbeitern und 40 Millionen Euro Umsatz, beliefert Zahntechniker in über 120 Ländern.
Bisherige Bedarfsplanung — basierte auf sechsfacher polynomischer Regression in Excel — eine Lösung, die an ihre Grenzen gestoßen war. Excel-Regression
Data-Quick-Check — für rund 15.000 Euro validierte die Datenqualität als Basis für Machine Learning.
Proof of Concept — kostete weitere 25.000 bis 30.000 Euro und lieferte bereits in der dritten Modellversion bessere Ergebnisse als die manuelle Planung.
Zweijährige Parallelbetriebsphase — diente dem Vertrauensaufbau und deckte Fehler wie massive Prognose-Spikes auf.
Planungsgenauigkeit — stieg von 85 auf 93 Prozent, der Planungsrhythmus von quartalsweise auf wöchentlich.
Marktaustritt des KI-Dienstleisters — erzwang eine Neuausrichtung zu Microsoft Demand Planning.
Make-or-Buy-Entscheidung — fiel klar zugunsten von Buy, da ein 200-Mitarbeiter-Unternehmen keine eigene Data-Science-Kompetenz wirtschaftlich aufbauen kann.
70 externe Personentage — flossen insgesamt in das Projekt — plus erheblicher interner Aufwand.
Ausblick — Küpers sieht autonom agierende ERP-Systeme als Zukunft, in denen der Mensch nur noch bei Ausnahmen eingreift.

Über den Gast

Sebastian Herz ist Mitglied der Geschäftsleitung bei der Renfert GmbH und verantwortlich für Digitalisierung und Supply Chain. Das Unternehmen mit rund 200 Mitarbeitern und etwa 40 Millionen Euro Umsatz hat seinen Sitz im süddeutschen Hilzingen nahe dem Bodensee und ist spezialisiert auf Geräte, Materialien und Zubehör für die Dentaltechnik. Renfert beliefert Zahntechniker in über 120 Ländern und betreibt eine Schwestergesellschaft in den USA. Herz trieb das KI-Projekt zur Bedarfsplanung seit 2020 als Verantwortlicher federführend voran.

Detaillierte Zusammenfassung

Von Excel-Regression zur KI: Die Ausgangslage

Die Initiative begann 2020, als die Renfert GmbH nach einem Ransomware-Angriff und den Corona-Einschränkungen Zeit hatte, bestehende Prozesse zu hinterfragen. Sebastian Herz, verantwortlich für Supply Chain und Digitalisierung, stellte sich die Frage: "Wo machen wir schon lange Dinge immer auf dieselbe Art und Weise, weil wir einfach keine anderen Lösungen mehr gefunden haben?"

Die Antwort lag in der Bedarfsplanung. Renfert muss Produkte auf Lager vorhalten, obwohl die Kunden — Großhändler, die Zahntechniker beliefern — erst bestellen, wenn der Bedarf entsteht. Die bisherige Prognose basierte auf einer sechsfachen polynomischen Regression in Excel-Grafiken: Verkaufsdaten der Vergangenheit wurden mit Trendlinien versehen, um Zukunftsbedarfe abzuleiten. "Statistiker ist keiner bei uns gewesen und Data Scientist halt auch nicht", so Herz. Die Methode war das Maximum des Machbaren — aber bei einem breiten Sortiment von 1.800 Artikeln mit internationaler Lieferkette und 10 Wochen Seefracht in die USA reichte das nicht mehr aus.

Drei Kriterien gaben den Ausschlag für den Use Case: eigenes Fachwissen im Bereich Supply Chain, eine solide Datenbasis durch jahrelange Sales Orders im ERP-System AX2012 von Microsoft, und ein klarer Hebel auf Lagerhaltung, Produktionsplanung, Personalauslastung und Lieferfähigkeit.

Der Weg zum Proof of Concept

Herz fand über ein Webinar von Arvind Arora bei der Firma AIM den ersten Anknüpfungspunkt. Der Start war bewusst niedrigschwellig: Ein Data-Quick-Check für rund 15.000 Euro sollte klären, ob die vorhandenen Daten überhaupt für Machine Learning taugen. Die Datenübergabe erfolgte denkbar pragmatisch — als CSV-Datei, generiert aus dem ERP-Tabellenbrowser und per FTP übertragen. "Wir haben die hochtechnologischste Lösung gewählt, die man sich nur vorstellen kann. Wir haben eine CSV-Datei generiert", beschreibt Herz mit Humor.

Die Ergebnisse waren ermutigend: In 98 Prozent der Fälle passten die Daten zu den Arbeitshypothesen. Ein erster, unoptimierter Modelldurchlauf lieferte bereits Prognoseergebnisse. Für den anschließenden Proof of Concept investierte Renfert weitere 25.000 bis 30.000 Euro. Ziel war der Nachweis, dass ein KI-Modell besser prognostiziert als die manuelle Excel-Regression. "Bereits die dritte Version eines Modells hat weniger Fehler aufgewiesen, als wir selber mit unseren eigenen Annahmen", berichtet Herz — gleichzeitig schmerzhaft und ermutigend.

"Wir haben die hochtechnologischste Lösung gewählt, die man sich nur vorstellen kann. Wir haben eine CSV-Datei generiert."

Dabei zeigte sich ein wichtiges Learning: Maximale Präzision ist in der Praxis nicht umsetzbar. Wenn das Modell für eine Woche 23 Produktionsmitarbeiter vorhersagt, in der nächsten 96 und dann einen, lässt sich das betrieblich nicht abbilden. Eine gewisse Glättung durch Hüllkurven bleibt notwendig. Nach einer vierten Modellversion war der Release Candidate akzeptiert.

Zwei Jahre Parallelbetrieb: Vertrauen aufbauen

Was folgte, überrascht: Eine knapp zweijährige Testphase im Parallelbetrieb. Das KI-Modell lief wöchentlich, aber die Ergebnisse wurden nur als Referenz genutzt — nicht für die operative Planung. Der Grund war menschliches Vertrauen. "Das Problem ist ja, wir Menschen sind nicht so gestrickt, dass wir gerne die Kontrolle an das ominöse Nichts, die KI, abgeben", erklärt Herz.

Sein Planungsleiter formulierte es direkt: "Ich finde toll, dass du so technologiebegeistert bist. Es nimmt mich mit, aber ich habe echt Schiss, dass das Ding voll daneben liegt." Die Sorge war berechtigt: Falsche Prognosen kaskadieren durch die gesamte Wertschöpfungskette — von der Produktionsplanung über die Beschaffung bis zu 10-Wochen-Seefrachten in die USA. Bei 90 Prozent externer Wertschöpfung und Lieferketten, die in der Corona-Zeit mit 1.000 Schiffen vor Shanghai ihren Engpass demonstrierten, waren die Risiken real.

Die Testphase bewies ihren Wert: Es traten massive Prognose-Spikes auf — in einer Woche das Dreifache der erwarteten Menge, in der nächsten ein Drittel. Die Ursache lag in Fehlern in Open-Source-Komponenten der Modellarchitektur. Herz' Mitarbeiter trackte jedes einzelne Wochenergebnis für 25 ausgewählte Artikel in einer Excel-Tabelle — ein händischer Aufwand, der sich aber auszahlte.

Das Ergebnis: Die Planungsgenauigkeit stieg von 85 auf 93 Prozent. Noch wichtiger: Der Planungsrhythmus wechselte von quartalsweise auf wöchentlich — statt 4 Planungsaktualisierungen pro Jahr nun 52, was die Reaktionsfähigkeit auf Marktveränderungen drastisch erhöhte.

Der Rückschlag und die Migration zu Microsoft

Kurz vor dem geplanten Go-Live im Sommer 2024 trat der KI-Dienstleister AIM aus dem Markt aus. Herz bewertet den Rückschlag nüchtern: "Hast du Geld rausgeworfen? Nee, wir haben unglaublich viel gelernt." Die Learnings über Datenqualifizierung, Modelltraining und Projektsteuerung waren übertragbar.

"Hast du Geld rausgeworfen? Nee, wir haben unglaublich viel gelernt."

Die Neuausrichtung fiel auf Microsoft Demand Planning, ein Modul innerhalb von Dynamics 365 — dem System, auf das Renfert ohnehin migrierte. Der Vorteil: Das Tool ist in der Lizenz enthalten, erlaubt sowohl Standardmodelle als auch Custom Models und integriert sich nahtlos in den Microsoft-Kosmos, den Renfert strategisch nutzt. Die bisherige AWS-Hosting-Lösung war Herz ohnehin "ein Dorn im Auge" gewesen.

Die ersten Demo-Prognosen auf der neuen Plattform lagen nach wenigen Konfigurationstagen bereits vor. Renfert plant, das erprobte eigene Modell in Demand Planning zu überführen und es mit Microsoft-Standardmodellen zu kombinieren — etwa unterschiedliche Modelle für verschiedene Zeithorizonte. Der Go-Live ist für Ende Q1 2025 angesetzt.

Make or Buy: Die Realität im Mittelstand

Herz positioniert sich klar bei der Make-or-Buy-Frage: "So ein Mittelständler, die Expertise aufzubauen, sowas selber zu machen, das ist extrem kostspielig. Ich glaube nicht, dass ein Mittelständler das wirklich investieren will." Mit acht IT-Mitarbeitern für Security, Infrastruktur und ERP — keiner davon Data Scientist — war Eigenentwicklung nie realistisch.

2020 gab es noch keine Commodity-Lösung. Heute beschreibt Herz den Markt als "Semi-Commodity": Standardisierte Plattformen wie Demand Planning bieten eine Basis, auf der man Custom-Modelle integrieren kann. Für Neueinsteiger bedeutet das einen erheblich kürzeren Weg zum produktiven System. Insgesamt flossen rund 70 externe Personentage in das Projekt — plus erheblicher interner Aufwand für Validierung und Tracking.

Ausblick: Autonom agierende ERP-Systeme

Herz wagt einen Blick in die Zukunft: "In der Zukunft wird es autonom agierende ERP-Systeme geben. Die Prozesse werden abgewickelt von dem System selbst." Der Mensch rückt in die Rolle des Überwachers — das System meldet Fehler, schlägt Lösungen vor und wickelt Standardprozesse eigenständig ab.

Gleichzeitig bleibt Herz realistisch: "Der Deutsche per se wird da nicht super empfänglich dafür sein, dass man die Kontrolle so weit aus der Hand gibt." Doch technologisch sei es nur eine Frage der Zeit. Kurzfristig sieht er den größten Impact in der breiteren Nutzung bereits vorhandener KI-Funktionen — von Meeting-Zusammenfassungen über Terminplanung bis zur Integration von Copilot in den Arbeitsalltag.

Kernaussagen

Planungsgenauigkeit — "Von einer 85-prozentigen Planungsgenauigkeit konnten wir durch KI auf 93 Prozent steigern — ein signifikanter Fortschritt für unsere Supply Chain."
Kontrollverlust — "Das Problem ist ja, wir Menschen sind nicht so gestrickt, dass wir gerne die Kontrolle an das ominöse Nichts, die KI, abgeben."
KI vs. Mensch — "Bereits die dritte Version eines Modells hat weniger Fehler aufgewiesen, als wir selber mit unseren eigenen Annahmen. Das war schmerzhaft und positiv gleichzeitig."
Make or Buy — "So ein Mittelständler, die Expertise aufzubauen, sowas selber zu machen — ich glaube nicht, dass ein Mittelständler das wirklich investieren will."
Zukunftsvision — "In der Zukunft wird es autonom agierende ERP-Systeme geben. Die Prozesse werden abgewickelt von dem System selbst."

Fazit und Takeaways

Für mittelständische Unternehmen auf dem Weg zur KI

Klein starten, schnell validieren: Ein Data-Quick-Check für 15.000 Euro liefert innerhalb weniger Wochen eine belastbare Aussage, ob die eigene Datenbasis für Machine Learning taugt.
Datenqualität vor Dateninfrastruktur: Renfert hatte kein Data Warehouse — eine CSV-Datei aus dem ERP reichte als Startpunkt. Entscheidend ist die Qualität der Daten, nicht die technische Infrastruktur.
Vertrauensaufbau einplanen: Auch wenn die Zahlen stimmen, brauchen die Menschen, die mit den Ergebnissen arbeiten, Zeit. Ein Parallelbetrieb ist kein verschwendetes Geld, sondern Investition in Akzeptanz.
Die menschliche Dimension ernst nehmen: Falsche Prognosen betreffen reale Arbeitsplätze, Lieferzeiten und Kundenbeziehungen. Wer das ignoriert, gefährdet das gesamte Projekt.

Für die Projektsteuerung

Make-or-Buy ehrlich bewerten: Ohne eigene Data-Science-Kompetenz ist Eigenentwicklung im Mittelstand selten wirtschaftlich. Semi-Commodity-Lösungen wie Microsoft Demand Planning bieten heute einen schnelleren Einstieg.
Vendor-Risiko einkalkulieren: Der Marktaustritt des Dienstleisters zeigt, dass Abhängigkeiten von Einzelanbietern gefährlich sind. Plattformbasierte Lösungen reduzieren dieses Risiko.
Learnings sind nie verloren: Auch ein gescheiterter Dienstleister hinterlässt wertvolles Wissen über Datenqualität, Modellarchitektur und Prozessverständnis, das in Folgeprojekte einfließt.
Business Cases nicht bis zum letzten Cent durchrechnen: Die Wechselwirkungen zwischen Planungsgenauigkeit, Lagerhaltung, Lieferfähigkeit und Kundenbindung lassen sich selten exakt beziffern. Manchmal braucht es den Mittelständler-Bonus einer pragmatischen Entscheidung.

Für den technischen Ansatz

Maximale Präzision ist nicht das Ziel: Betriebliche Realität erfordert Hüllkurven — perfekte Wochenprognosen, die Personalplanung unmöglich machen, sind wertlos.
Von Quartals- auf Wochenrhythmus: Der Wechsel von vier auf 52 Planungszyklen pro Jahr ist mindestens so wertvoll wie die Steigerung der Genauigkeit.
Standard und Custom kombinieren: Plattformen wie Demand Planning erlauben es, eigene Modelle neben Standardmodellen zu betreiben und für verschiedene Zeithorizonte zu kombinieren.

Diese Episode ist ein seltener Praxisbericht, der den gesamten Weg von der ersten Idee bis zur produktiven Lösung transparent macht — mit allen Kosten, Rückschlägen und Learnings. Für mittelständische Unternehmen, die über KI in der Supply Chain nachdenken, liefert er eine realistische Orientierung jenseits von Marketing-Versprechen.