Ersatzteilklassifikation mit maschinellem Lernen: Tausende Teile, ein Bruchteil des Aufwands

Ersatzteilportfolios im Maschinenbau umfassen oft Zehntausende bis Hunderttausende von Artikeln. Eine saubere Klassifikation ist die Grundlage für jede Optimierung im Pricing und Vertrieb – doch der Weg dorthin ist aufwendig. Mit einem KI-gestützten Ansatz lässt sich der manuelle Klassifikationsaufwand um bis zu 90 % reduzieren.

Das Problem: Freitext, Mehrsprachigkeit, kein Standard

Zu den meisten Ersatzteilen liegen Stammdaten wie Kosten, Hersteller und Lieferanten vor. Die entscheidende Information für eine sinnvolle Klassifikation steckt aber häufig in einer oder mehreren Freitextbeschreibungen. Diese sind oft uneinheitlich, mehrsprachig und folgen keinem erkennbaren Standard.

50.000 oder 100.000 Teile manuell in eine sinnvolle Struktur zu bringen, ist enorm aufwendig. Und selbst wenn es gelingt: Wie wird sichergestellt, dass neue Teile konsistent eingeordnet werden?

Warum sich der Aufwand trotzdem lohnt

Eine gute Ersatzteilklassifikation ermöglicht differenziertes Pricing nach Teilekategorien, unterstützt die Sortimentssteuerung und schafft Transparenz für den Vertrieb. Der Aufwand für die manuelle Erstellung ist allerdings erheblich: Ein erfahrener Mitarbeiter klassifiziert zwischen 600 und 1.000 Teile pro Tag. Bei 100.000 Teilen bedeutet das 100 bis 160 Arbeitstage.

Fachexperten aus dem Produktmanagement sind für diese Aufgabe zu wertvoll – und Werkstudenten produzieren erfahrungsgemäß eine hohe Fehlerrate, was die nachgelagerte Nutzung der Klassifikation entwertet. Dazu kommen die üblichen Probleme mit Excel-Listen, die hin- und hergeschoben werden, Zwischenstände, die verloren gehen, und fehlende Konsistenz.

Der Lösungsansatz: Maschinelles Lernen in drei Schritten

Unser praxiserprobter Ansatz zur KI-gestützten Ersatzteilklassifikation besteht aus drei Schritten:

1. Im ersten Schritt entwickeln wir mit unseren Kunden eine Klassifikationshierarchie, die auf die Anforderungen von Pricing und Vertrieb zugeschnitten ist. Unsere jahrelange Erfahrung aus Ersatzteilprojekten ist hier besonders wertvoll.
2. Im zweiten Schritt entwerfen wir hierzu eine Referenzklassifikation. Einige tausend Teile werden zunächst manuell klassifiziert – unterstützt durch ein Clustering-Verfahren, das ähnliche Teile vorgruppiert und die manuelle Arbeit erheblich beschleunigt. Diese Referenzdaten bilden das Trainingsmaterial für das eigentliche Klassifikationsmodell.
3. Im dritten Schritt wird ein neuronales Netz auf Basis einer großen natürlichsprachlichen Wissensbasis trainiert. Unser Ansatz nutzt die semantische Bedeutung von Textbeschreibungen und ist mehrsprachig – deutsche, englische und weitere Beschreibungen lassen sich im selben Modell verarbeiten. Das trainierte Klassifikationsmodell kategorisiert alle verbleibenden Teile automatisch und gibt für jedes Teil eine Konfidenz an, die anzeigt, wie sicher die Zuordnung ist.

Unterstützt wird diese Arbeit durch Classify Studio, unserer einzigartigen Software für KI-gestütztes ET-Teilemanagement. Das gesamte Projekt ist typischerweise in vier bis sechs Wochen abgeschlossen.

Was bringt es konkret?

Die Zeitersparnis ist erheblich: Bei einem Portfolio von 100.000 Teilen werden mindestens 80 bis 120 Experten-Arbeitstage eingespart gegenüber einer vollständig manuellen Klassifikation. Die Konfidenzangabe des gelernten Modells ermöglicht zudem eine effiziente Qualitätssicherung – Experten prüfen gezielt die Fälle, bei denen das Modell unsicher ist.

Das trainierte Modell erreicht typischerweise eine Genauigkeit von 87 % bis 96 % über alle Teile. Das Ergebnis ist eine konsistente, nachvollziehbare Klassifikation, die als belastbare Grundlage für differenziertes Pricing, Sortimentsanalysen und Vertriebssteuerung dient.