Lieferengpässe erkennen, bevor sie zum Stillstand führen

KI-gestützte Logistik bei Volkswagen de México

Auf einen Blick

Volkswagen de México, S.A. de C.V.

Automobilhersteller

Puebla (Hauptsitz & Fahrzeugproduktion) / Silao (Motorenwerk)

ca. 13.000 Mitarbeitende (Stand 2025)

ca. 382.000 Fahrzeuge / ca. 507.000 Motoren in 2024

Bild: ©Volkswagen de México

Das Unternehmen

Volkswagen de México ist eine wichtige industrielle Tochtergesellschaft des Volkswagen-Konzerns und seit Jahrzehnten ein zentraler Bestandteil der Automobil- und Komponentenproduktion in Mexiko. Das Unternehmen betreibt zwei Werke in der Republik Mexiko, darunter eines der traditionsreichsten Automobilwerke des Landes im Bundesstaat Puebla sowie ein Motorenwerk in Silao im Bundesstaat Guanajuato. Volkswagen de México produziert Fahrzeuge und Komponenten für den heimischen Markt und für den Export in zahlreiche internationale Absatzmärkte.

Die Standorte sind tief in globale Produktions- und Liefernetzwerke eingebunden und arbeiten mit mehreren tausend Beschäftigten eng mit einer großen Zahl nationaler und internationaler Zulieferer zusammen. Neben Effizienz und Qualität stehen Themen wie Lieferkettenstabilität, Digitalisierung und Prozesssicherheit zunehmend im Fokus, um die Produktionsfähigkeit auch unter volatilen Markt- und Rahmenbedingungen langfristig abzusichern.

Für uns war entscheidend, Risiken nicht mehr erst zu sehen, wenn die Produktion bereits betroffen ist, sondern deutlich früher handeln zu können.

Die Herausforderung

Volkswagen de México betreibt seine Fahrzeug- und Motorenproduktion unter den Bedingungen hochgradig getakteter Just-in-Time- und Just-in-Sequence-Prozesse. Schon geringe Abweichungen in der Lieferperformance einzelner Zulieferer können dazu führen, dass Material nicht rechtzeitig zur Verfügung steht, was wiederum Unterbrechungen in den Fertigungslinien nach sich zieht und damit Auswirkungen auf die Einhaltung des Produktionsplans hat. Die Herausforderung liegt dabei weniger in der Anzahl problematischer Lieferanten, sondern in deren Identifikation. Nur ein sehr kleiner Teil der Zulieferer verursacht tatsächlich Probleme. Genau diese wenigen frühzeitig zu erkennen, ist jedoch entscheidend.

Bis zum Projektstart war das Vorgehen reaktiv geprägt. Risiken wurden meist erst sichtbar, wenn sich Lieferverzögerungen bereits konkret abzeichneten oder Material fehlte. Zwar standen zahlreiche Daten aus Einkauf, Logistik, Transport und Lagerhaltung zur Verfügung, sie waren jedoch auf verschiedene Systeme verteilt und wurden primär für rückblickende Analysen genutzt. Darum wurde ein Ansatz zur vorausschauenden Bewertung von Lieferantenrisiken notwendig. Klassische Planungs- und Monitoring-Tools stießen an ihre Grenzen, da sie komplexe Muster und schleichende Verschlechterungen in der Lieferperformance nicht zuverlässig abbilden konnten.

Hinzu kam der hohe wirtschaftliche Druck. Produktionsunterbrechungen verursachen in der Automobilindustrie erhebliche Kosten pro Ereignis. Gleichzeitig steigen die Anforderungen an Liefertreue, Flexibilität und Reaktionsgeschwindigkeit. Volkswagen de México suchte daher nach einem Ansatz, der es ermöglicht, Risiken früher zu erkennen und gezielt gegenzusteuern. Ziel war es, präventiv zu handeln, statt im Krisenfall unter Zeitdruck reagieren zu müssen. Vor diesem Hintergrund fiel die Entscheidung, abat mit der Entwicklung einer KI-gestützten Lösung zu beauftragen, die vorhandene Daten intelligent nutzt und kritische Lieferanten frühzeitig sichtbar macht.

Die KI-Lösung hilft uns, aus einer großen Menge verteilter Daten konkrete Hinweise für den täglichen Betrieb abzuleiten.

Die Lösung

abat entwickelte gemeinsam mit Volkswagen de México ein KI-basiertes Prognosemodell zur vorausschauenden Erkennung potenzieller Lieferantenausfälle. Die Lösung analysiert historische und aktuelle Daten entlang der gesamten Lieferkette und identifiziert Muster, die auf eine steigende Ausfallwahrscheinlichkeit hinweisen. Im Fokus stehen insbesondere Lieferanten mit schnell umlaufenden, produktionskritischen Teilen, deren Ausfall unmittelbar zu einem Produktionsstopp führen würde.

Das Modell bewertet nicht nur Lieferanten in der Rückschau, sondern nutzt die erkannten Muster aus den historischen Daten, um kritische Situationen innerhalb eines definierten Zeitfensters in der Zukunft zu prognostizieren. Die Ergebnisse werden über ein webbasiertes Dashboard visualisiert, das den verantwortlichen Fachbereichen eine klare und verständliche Entscheidungsgrundlage bietet. Ergänzt wird die Lösung durch eine integrierte Überwachung der Modellqualität, um Abweichungen im Datenverhalten frühzeitig zu erkennen. Ziel der Lösung ist es, den Übergang von reaktiver Problembearbeitung zu vorausschauender Steuerung der Lieferkette zu ermöglichen und operative Eingriffe rechtzeitig vorzubereiten.

Das Projekt

Der Projektstart erfolgte mit einer umfassenden Machbarkeitsanalyse. In dieser Phase wurden verfügbare Datenquellen identifiziert, bewertet und auf ihre Qualität geprüft. Die Daten stammten aus unterschiedlichen Systemen, darunter ERP-Systeme, Logistikplattformen, Excel-Auswertungen und weitere operative Anwendungen. Schnell zeigte sich, dass die größte Herausforderung nicht die Datenmenge, sondern deren Konsistenz und Struktur war. Mehr als hunderttausend Datensätze mussten bereinigt, harmonisiert und in ein gemeinsames Analysemodell überführt werden.

In der anschließenden Pilotphase entwickelte abat erste Modellversionen und testete unterschiedliche Algorithmen. Die frühen Ergebnisse lagen deutlich unter den angestrebten Zielwerten. Diese Phase war jedoch bewusst Teil des Vorgehens, um relevante Einflussfaktoren zu identifizieren und ungeeignete Merkmale auszuschließen. In mehreren Iterationen wurden Daten neu gewichtet, zusätzliche Merkmale integriert und Modellparameter angepasst. Der Austausch mit den Fachabteilungen von Volkswagen de México spielte dabei eine zentrale Rolle, da operatives Prozesswissen direkt in die Weiterentwicklung einfloss.

Ein wesentlicher Meilenstein war die Entscheidung für einen Klassifikator auf Basis von Entscheidungsbäumen, der sich als besonders geeignet für die komplexe Datenlage erwies. Durch gezielte Optimierungen stieg die Prognosegüte schrittweise an. Der F1-Score entwickelte sich von sehr niedrigen Anfangswerten über mehrere Zwischenstufen bis auf über vierundachtzig Prozent. Parallel dazu wurde die technische Plattform aufgebaut und in einer Cloud-Umgebung bereitgestellt. Ein interaktives Dashboard machte die Ergebnisse für Anwender transparent und nachvollziehbar.

Vor dem Go-live wurden die Prognosen gemeinsam validiert und in reale Prozessszenarien eingeordnet. Der produktive Betrieb startete mit einer klar definierten Nutzergruppe und einer begleitenden Überwachung der Modellleistung. Gleichzeitig wurden organisatorische Abläufe etabliert, um identifizierte Risiken systematisch zu adressieren, etwa durch frühzeitige Lieferantengespräche oder gezielte Unterstützungsmaßnahmen.

Wir können heute gezielt mit Lieferanten ins Gespräch gehen, bevor sich Probleme zu echten Engpässen entwickeln.

Ergebnisse

Frühzeitige Identifikation kritischer Lieferanten statt reaktiven Agierens auf akute Produktionsprobleme

Deutlich verbesserte Transparenz über Lieferkettenrisiken durch zentrale, datenbasierte Entscheidungsgrundlage

Reduzierung ungeplanter Linienstillstände durch präventive Maßnahmen und gezielte Lieferantenunterstützung

Skalierbare KI-Lösung als Grundlage für weiteren Einsatz in anderen Werken und Logistikkontexten

Die Resultate

Das Projekt veränderte den Umgang mit Lieferkettenrisiken bei Volkswagen de México grundlegend. Kritische Lieferanten werden heute deutlich früher erkannt als zuvor. Statt erst bei akuten Verzögerungen einzugreifen, können die verantwortlichen Teams bereits Tage im Voraus handeln. Das schafft Zeit für Abstimmung, Ursachenanalyse und Gegenmaßnahmen, bevor es zu Produktionsausfällen kommt.

Die KI-basierte Lösung liefert dabei eine belastbare, datenbasierte Entscheidungsgrundlage. Risiken werden transparent bewertet und klar priorisiert. In der täglichen Arbeit bedeutet das weniger Überraschungen und eine höhere Planungssicherheit. Die Zahl unerwarteter Lieferantenausfälle sinkt, während gleichzeitig die Reaktionsgeschwindigkeit bei identifizierten Risiken steigt. Auch die Zusammenarbeit mit Lieferanten profitiert, da potenzielle Probleme frühzeitig angesprochen und gemeinsam gelöst werden können.

Ein weiterer wichtiger Effekt ist die verbesserte interne Abstimmung. Einkauf, Logistik und Produktion greifen auf dieselbe Informationsbasis zu und können Entscheidungen konsistenter treffen. Darüber hinaus wurde mit dem Projekt ein skalierbarer Ansatz geschaffen. Das Modell lässt sich auf weitere Werke, Regionen und Lieferantennetzwerke übertragen und kontinuierlich weiterentwickeln. Für Volkswagen de México ist damit eine Grundlage entstanden, um Lieferketten nicht nur stabiler, sondern auch langfristig widerstandsfähiger zu gestalten.