Mit KI den Personaleinsatz der Zukunft planen
Wie kann künstliche Intelligenz dazu beitragen, die Personalplanung in der Produktion intelligenter, flexibler und nachhaltiger zu gestalten? Welche Rolle spielen smarte Bedarfsprognosen – und wie gelingt es, Menschen und KI sinnvoll zu verbinden?
KI-gestützte Personaleinsatzplanung: Effizientere Produktion, bessere Planung und Entlastung für Mitarbeitende und Ingenieure.
Foto: PantherMedia/Goodluz
Darüber sprechen wir heute mit zwei Experten:
- Leif Abraham ist Principal Strategy & Process Consulting und begleitet Unternehmen dabei, ihre Workforce-Management-Prozesse strategisch und zukunftsorientiert auszurichten – mit oder ohne direkten Softwareeinsatz.
- Boris Baginski, Senior Director Research, ist seit über 20 Jahren für die technologische Weiterentwicklung verantwortlich. Sein aktueller Fokus liegt auf dem Thema AI Forecasting – also dem Einsatz von KI zur vorausschauenden Planung von Personal und Kapazitäten.
Beide arbeiten bei ATOSS und geben spannende Einblicke, wie moderne Technologien im Zusammenspiel mit menschlicher Erfahrung die Arbeitswelt von morgen prägen – und welche konkreten Chancen sich daraus für Produktion, Planung und Mitarbeitende ergeben.
Inhaltsverzeichnis
- AI Forecasting: Datenbasiert in die Zukunft planen
- Zeitliche Muster erkennen: Ausfälle und Bedarf vorausschauend planen
- Von Vergangenheitsdaten zur optimalen Produktion
- Von Bauchgefühl zu Daten: KI als Unterstützung für langfristige Planung
- Zeit sparen und Qualität sichern
- Mensch und Maschine im Einklang: Hürden bei der Implementierung von KI
- Vorteile der KI-gestützten Einsatzplanung für Ingenieure
AI Forecasting: Datenbasiert in die Zukunft planen
Was genau verstehen Sie unter dem Begriff AI Forecasting bzw. KI-Prognosen?
Boris Baginski: Unter KI-Prognosen verstehen wir den Einsatz von Methoden des maschinellen Lernens, um auf Basis historischer Daten Vorhersagen über zukünftige Entwicklungen zu treffen.
Konkret bedeutet das: Wir analysieren vorhandene Vergangenheitsdaten und nutzen Machine-Learning-Algorithmen, um daraus einen wahrscheinlichen Verlauf für die Zukunft zu berechnen. Das klingt vielleicht komplizierter, als es ist – im Grunde „verlängern“ wir die bisherigen Muster mithilfe intelligenter Modelle in die Zukunft.
Das ist – ganz grob gesagt – unser Verständnis von KI-gestützten Prognosen.
Wie genau funktioniert das?
Leif Abraham: Dabei unterscheiden wir zwischen Faktoren, die man planen kann – wie etwa die Produktionsplanung – und solchen, die außerhalb des direkten Einflussbereichs liegen.
Gerade wenn der Faktor Mensch ins Spiel kommt, wird es komplexer. Beim KI-Forecasting arbeiten wir mit Daten aus der Vergangenheit, und daraus lassen sich zwei Richtungen ableiten: Einerseits die konkreten Bedarfe, etwa Stückzahlen oder Fertigungsmengen in der Produktion. Andererseits spielen bei uns vor allem auch Mitarbeiter-bezogene Faktoren eine große Rolle.
Das betrifft Abwesenheiten, Krankenquoten, Urlaubszeiten und ähnliche Parameter. Diese fließen in unsere Bedarfsprognosen mit ein, auch wenn sie nicht direkt den Bedarf abbilden, aber dennoch Einfluss darauf haben.
Boris Baginski: Wir nutzen die Daten, um Prognosen für Verlaufsdaten zu erstellen, die eine gewisse Regelmäßigkeit oder Struktur aufweisen. Wenn in den Daten bestimmte Tendenzen oder Muster stecken, kann die Maschine diese besser erkennen als ein Mensch, der in der Vielzahl von Zahlen leicht den Überblick verliert. Natürlich können wir keine plötzlichen, unvorhersehbaren Ereignisse wie einen Blitzschlag, Lottozahlen oder individuelle Krankheitsfälle vorhersagen.
Aber zum Beispiel, wie viele Mitarbeiter zu einem bestimmten Zeitpunkt abwesend sind, lässt sich als Quote in einem großen Unternehmen relativ gut prognostizieren.
Zeitliche Muster erkennen: Ausfälle und Bedarf vorausschauend planen
Lassen sich anhand zeitlicher Muster, etwa einer Grippewelle im Winter, vermehrte Ausfälle zuverlässig prognostizieren?
Boris Baginski: Ja, wir können Grippewellen quasi antizipieren, weil sie in den letzten Jahren meist in einem ähnlichen Zeitraum, etwa zwischen Januar und März, aufgetreten sind. Unser Prognosesystem kann daher einen gewissen Ausfall von Mitarbeitern in dieser Zeit bereits vorhersagen – zum Beispiel auch schon für den kommenden Februar.
Sie haben gerade ein konkretes Beispiel genannt. Wie funktioniert das denn sonst in der Praxis?
Leif Abraham: Für unsere Prognosen greifen wir vor allem auf historische Daten zurück, um zu analysieren, welche Trends und Einflussfaktoren eine Rolle gespielt haben. Dabei betrachten wir sowohl langfristige als auch kurzfristige Trends.
Wichtig ist, dass wir prüfen, ob es aktuell bestimmte Einflüsse gibt, die sich im Vergleich zu den vergangenen Jahren anders auswirken – zum Beispiel Grippewellen oder auch Bedarfe in der Produktion, wie Stückzahlen. Teilweise fließen auch Wetterdaten oder ähnliche Faktoren mit ein.
Anhand all dieser Informationen können wir dann sowohl Fertigungsmengen als auch Ausfälle bei den Mitarbeitern prognostizieren. Das sind die wesentlichen Elemente, die wir dabei berücksichtigen.
Boris Baginski: Es geht im Grunde um zwei Dinge: Verfügbarkeit und Bedarf. Ich mache es mal ganz einfach – wie viele Mitarbeiter brauche ich und wie viele habe ich verfügbar? Daraus ergibt sich dann die Grundlage für eine gute Planung.
Also, werden auch Daten wie Urlaubspläne oder Schulferien berücksichtigt? Und wie lässt sich das dann vereinbaren?
Boris Baginski: Solche festen Termine wie Feiertage sind von Anfang an automatisch berücksichtigt. Auch Wochenenden und ähnliche feststehende Zeiten sind selbstverständlich mit eingeplant. Das läuft alles automatisch und ist damit klar abgedeckt.
Leif Abraham: Kalendarische Faktoren sind enthalten, also nicht nur wann Feiertage sind, sondern auch zum Beispiel Referenzwerte aus den vergangenen Jahren, etwa wie sich die Zeiten rund um Ostern typischerweise entwickeln. Da das Datum jedes Jahr variiert, verschieben sich die Muster entsprechend um diesen Feiertag herum.
Neben Feiertagen spielen auch Ferienzeiten eine Rolle, besonders wenn es um Abwesenheiten geht. Aber auch bei der Produktionsplanung, etwa bei Bestellungen oder Aufträgen, berücksichtigen wir solche Zeiten – zum Beispiel Betriebsferien oder Sommerpausen beim Kunden.
Darüber hinaus fließen auch eventgesteuerte Faktoren ein, wie saisonale Wechsel, die Einfluss auf Produktionsmengen oder Personalbedarf haben können. All diese Aspekte werden von unserem System mit einbezogen.
Leif Abraham.
Foto: Atoss
Von Vergangenheitsdaten zur optimalen Produktion
Können Sie das bitte etwas genauer erklären? Wie lässt sich damit die Produktion optimieren und wie funktioniert das genau?
Leif Abraham: Je besser ich manuell planen kann, desto weniger brauche ich eigentlich die KI. Wenn ich eine hohe Planungssicherheit habe, funktioniert das natürlich super. KI kommt somit vor allem dort zum Einsatz, wo genaue Planung schwierig ist – und das sieht man heute immer mehr. In der aktuellen Weltwirtschaftslage, mit komplexen Lieferketten, häufigen Engpässen, vielen Varianten und schwankendem Absatzmarkt, wird die KI immer wichtiger.
Dabei vergleichen wir das aktuelle Jahr mit den Vorjahren und leiten mit Machine Learning ab, wie sich die nächsten Wochen oder Monate voraussichtlich entwickeln. So können wir Bedarfe besser antizipieren und darauf basierend planen.
Ein Beispiel aus der Praxis: In der Lebensmittelproduktion, etwa bei einem Kunden, der stark vom Grill- und Backgeschäft abhängig ist, nutzen wir saisonale Muster, um vorherzusagen, wann mehr produziert werden muss – etwa zum Start der Grillsaison oder zur Adventszeit. So kann die Produktion rechtzeitig hochgefahren werden.
Das sind genau die Arten von Fragestellungen, bei denen wir die KI gezielt einsetzen. Im Maschinenbau hängt vieles stark von den Bestelleingängen ab. Dabei versuchen wir auch zu prognostizieren, wie sich der Absatzmarkt bei den Endkunden entwickelt und wann sie voraussichtlich Bestellungen auslösen. Darauf basieren dann unsere Bedarfsprognosen – das ist genau das, was man unter KI-Forecasting versteht.
Auch die Kapazität spielt eine große Rolle – also wie viele Mitarbeiter ich zur Verfügung habe. Das Ziel ist es, immer den richtigen Mitarbeiter zur richtigen Zeit am richtigen Ort zu haben. Deshalb müssen wir diese Faktoren miteinander in Einklang bringen.
Boris Baginski: Ich ergänze das gern noch um einen technischen Aspekt, weil die Methodik hier sehr interessant ist. Wir nehmen die Vergangenheitsdaten – also etwa den Verlauf von Bedarfen oder anderen Kennzahlen wie Abwesenheiten, Krankheiten, Urlaube etc. – und schreiben diese Muster in die Zukunft fort.
Um die Qualität unserer Prognosen zu prüfen, schneiden wir einen Teil der Vergangenheit ab und tun so, als wäre dieser Zeitraum noch in der Zukunft. Wir versetzen uns also beispielsweise zwei Monate zurück und prognostizieren dann für diesen vergangenen Zeitraum, für den wir bereits reale Zahlen haben. So können wir messen, wie genau unsere Vorhersagen waren – also die sogenannte Konfidenz der Prognose.
In der Praxis haben wir das auch gemacht und festgestellt: Grundsätzlich funktionieren die Prognosen gut. Es gibt jedoch auch Situationen, in denen es nicht so gut klappt. Das passiert vor allem dann, wenn unerwartete Ereignisse eintreten – zum Beispiel, wenn eine Baustelle einen ganzen Bereich schließt. In solchen Fällen sinkt etwa die Produktion oder – um ein konkretes Beispiel aus Krankenhäusern zu nennen – die Anzahl der Patienten, weil eine Station nicht mehr verfügbar ist. Solche unvorhersehbaren Ereignisse kann keine Prognose abbilden.
Das verdeutlicht, wie wir die Verlaufsdaten nutzen und gleichzeitig erkennen, wo und warum eine Vorhersage an ihre Grenzen stößt. Alles, was nicht planbar oder fest im Kalender steht, kann auch nicht zuverlässig prognostiziert werden.
Von Bauchgefühl zu Daten: KI als Unterstützung für langfristige Planung
Sie haben schon einige Einsatzbereiche genannt. Können Sie kurz die Vorteile skizzieren, die der Einsatz von KI in der Personaleinsatzplanung in der Produktion mit sich bringt?
Leif Abraham: Die Vorteile liegen vor allem darin, dass die Planung deutlich faktenbasierter wird und weniger auf dem subjektiven Gefühl einzelner Personen beruht. Dadurch reduziert sich die Abhängigkeit von einzelnen Mitarbeitenden – was wichtig ist, zum Beispiel bei Ausfällen oder wenn jemand das Unternehmen verlässt. So wird wertvolles Wissen bewahrt.
Die Qualität der Planung verbessert sich, weil sie auf harten Daten basiert und dadurch sehr gute Vorschläge und Prognosen entstehen.
Über die reine Prognose hinaus kann eine KI oder Systemunterstützung helfen, Mitarbeiter am richtigen Ort einzusetzen – also genau zu bestimmen, wie viele und welche Qualifikationen benötigt werden, um den Bedarf zu decken. So bringen wir das Wissen, das oft nur in den Köpfen der Planer vorhanden ist, ins System und ergänzen es mit Daten, um die Planung weiter zu verbessern.
Das reduziert Unsicherheiten und subjektive Faktoren deutlich.
Boris Baginski: Ein großer Teil der Planung basiert bisher darauf, dass erfahrene Mitarbeitende ihr Wissen einsetzen. Mit KI können wir nun eine neue Generation von Planern unterstützen, indem wir dieses Erfahrungswissen – das in den Vergangenheitsdaten steckt – zugänglich und nutzbar machen. Das ist vielleicht der entscheidende Punkt.
Boris Baginski.
Foto: Atoss
Heißt das, die KI ersetzt nicht die Menschen, sondern unterstützt sie? Und wenn zum Beispiel jemand aus der Planung in Rente geht, geht das Wissen dadurch nicht verloren, sondern kann an andere weitergegeben werden, oder?
Boris Baginski: Nein, so direkt wird das Wissen des Planers nicht weitergegeben. Vielmehr steckt das Wissen oft im Bauchgefühl der Planer, wie sie die aktuelle Situation einschätzen. Wenn wir dieses Wissen richtig in die KI-Prognose einfließen lassen, kann die KI auch weniger erfahrenen Planern die passenden Informationen und Orientierung bieten.
Natürlich gibt es Situationen, wie zum Beispiel eine unerwartete Baustelle oder ein Stromausfall, die keine Prognose vorhersehen kann. Damit muss der Planer dann individuell umgehen.
Was wir mit KI unterstützen, ist vor allem die vorausschauende Planung – oft über einen Zeitraum von 6, 9 oder sogar 12 Monaten. Dabei kann man erkennen, ob man personell über- oder unterbesetzt ist, ob mehr Krankheitsausfälle zu erwarten sind als Neueinstellungen, und darauf reagieren. So hilft die KI, langfristige Kapazitäten besser auszugleichen.
Genau das ist unser Ziel mit Workforce Management: eine Win-win-Situation für Mitarbeitende und Unternehmen, die die Gesamtsituation verbessert.
Das klingt vielleicht etwas pathetisch, aber das ist tatsächlich unsere Vision. Mit unseren Mitteln können wir viel mehr erreichen als einfache Zeiterfassung.
Leif Abraham: Wir wollen den Planer nicht durch KI ersetzen. Weiche Faktoren, wie die Zufriedenheit der Mitarbeitenden, sollen weiterhin eine Rolle spielen.
Gleichzeitig wollen wir die Planer von nicht wertschöpfenden administrativen Tätigkeiten entlasten und sie unterstützen. Zum Beispiel soll das System harte Faktoren wie gesetzliche Vorgaben oder betriebliche Regelungen bereits berücksichtigen und Vorschläge machen.
Der Planer behält aber immer die Hoheit, kann eingreifen, verfeinern und justieren.
Zeit sparen und Qualität sichern
Also spielt auch die Zeitersparnis bei der Erstellung der Pläne eine Rolle? Und welche Daten sind dafür relevant? Was fließt da alles mit ein?
Leif Abraham: Ich konzentriere mich mal auf die Personaleinsatzplanung und was dort alles einfließt. Da kommt einiges zusammen. Wie ich schon sagte, vor allem gesetzliche Anforderungen und betriebliche Regelungen – also Arbeitszeitgesetze, Betriebsvereinbarungen, Tarifverträge. Aber auch individuelle vertragliche Vereinbarungen fließen mit ein.
Darüber hinaus spielen die persönlichen Daten der Mitarbeiter eine große Rolle, zum Beispiel Verfügbarkeiten oder Qualifikationen. Ein Mitarbeiter kann zwar eine 40-Stunden-Woche mit 5 Tagen haben, aber vielleicht hat er mittwochs nachmittags Kinderbetreuung und steht dann nicht zur Verfügung. Solche individuellen Einschränkungen werden im System hinterlegt und bei der Planung berücksichtigt – das steigert auch die Mitarbeiterzufriedenheit.
Außerdem können Mitarbeiter ihre Wünsche einbringen, etwa: „Ich brauche an diesem Freitag zwar keinen Urlaub, hätte aber gern den Nachmittag frei wegen einer Einschulung.“ Solche Wünsche können schon im System hinterlegt werden und fließen automatisch in den Plan ein, ohne dass der Planer sie manuell berücksichtigen muss. Natürlich kann der Planer immer noch eingreifen und anpassen.
Boris Baginski: Aus Sicht des Ingenieurs, der die Technik entwickelt, kann ich sagen: Wir können hunderte Faktoren in ebenso vielen Regeln abbilden – und das ist realistisch. In der Praxis sind es oft tausend Regeln, die am Ende die individuellen Präferenzen oder Einschränkungen für eine einzelne Schicht und einen einzelnen Mitarbeiter bestimmen.
Diese Komplexität muss unser System abbilden, denn wir müssen sämtliche Regularien, Compliance-Vorschriften, Betriebsvereinbarungen sowie individuelle Faktoren wie Qualifikationen und Verfügbarkeiten berücksichtigen.
Für die KI-Prognose sind vor allem historische Daten entscheidend. Dabei ist die Qualität der Daten das A und O. Wir brauchen saubere, gut dokumentierte Vergangenheitsdaten, zum Beispiel Produktionszahlen als Bedarfstreiber. Nur wenn diese Daten akkurat erfasst sind, kann die Prognose zuverlässig sein.
Mensch und Maschine im Einklang: Hürden bei der Implementierung von KI
Welche Herausforderungen müssen beim Einsatz von KI berücksichtigt und bewältigt werden?
Leif Abraham: Zum einen ist die Datenqualität natürlich ein zentraler Punkt, den wir schon angesprochen haben. Aber vor allem geht es um den Change-Prozess, also darum, die Mitarbeiter mitzunehmen. Das ist häufig die größte Herausforderung. Vertrauen, Emotionen, Gewohnheiten – das sind oft die größten Hindernisse.
Wir wollen niemanden überfahren, sondern die Mitarbeitenden unterstützen und das Verständnis schaffen, dass Mensch und KI Hand in Hand arbeiten. Gerade in der Produktion ist das ein sehr wichtiger Punkt. Dort gab es schon immer starre Schichtpläne, die meist nach einem festen Rhythmus liefen – eine Woche Frühschicht, eine Woche Spätschicht, eine Woche Nachtschicht. Das lag vor allem daran, dass es keine flexiblen Tools gab und man so die Planung einfacher gestalten konnte.
Heute ist die Lage viel komplexer und volatiler: Die Bedarfe schwanken stärker, und gleichzeitig wollen Unternehmen flexiblere Modelle umsetzen, die auch die Work-Life-Balance der Mitarbeitenden besser berücksichtigen und ihnen mehr Mitbestimmung ermöglichen. Das ist ein echter Mehrwert, den solche Systeme bieten.
Die Herausforderung ist aber, gerade in der Produktion mit mehreren Generationen von Mitarbeitenden, die oft „immer schon so gearbeitet haben“, diese Gewohnheiten zu durchbrechen. Zum Beispiel, wenn jemand sagt: „Mein Vater und Großvater waren immer in Gruppe B, also möchte ich das auch so.“ Hier muss man zeigen, welchen Nutzen die neuen Methoden bringen: Mehr Produktivität, Entlastung der Mitarbeitenden bei Über- und Unterbesetzung und dadurch mehr Zufriedenheit – was am Ende auch dem Unternehmen zugutekommt.
Gab es denn schon Fälle, in denen Mitarbeitende skeptisch auf den Einsatz der KI reagiert haben?
Leif Abraham: Ja, solche Fälle gibt es immer wieder. Gerade beim Thema KI ist es wichtig, die Mitarbeitenden Schritt für Schritt abzuholen und den Mehrwert langsam zu vermitteln. Das heißt, die Menschen behutsam an die Veränderungen heranzuführen und umzusetzen.
Auch beim Thema flexiblere Arbeitszeiten statt starrem Schichtzyklus gehen wir oft schrittweise vor. Zum Beispiel geben wir den Mitarbeitenden die Wahl und so arbeiten ggf. Mitarbeitende, die nur noch wenige Jahre bis zur Rente haben, weiterhin im gewohnten Schichtsystem. Die volatilen Spitzen werden dann eher von den Mitarbeitenden übernommen, die mehr Flexibilität und Eigeninitiative bei ihrer Arbeitszeit wünschen.
So schafft man einen Mix, der alle mitnimmt und die Akzeptanz fördert.
Vorteile der KI-gestützten Einsatzplanung für Ingenieure
Wie können Ingenieure konkret von der KI-gestützten Personaleinsatzplanung profitieren?
Leif Abraham: Ingenieure profitieren vor allem dadurch, dass durch den Einsatz eines Workforce-Management-Systems mit KI-gestützter Personaleinsatzplanung die administrativen Aufwände deutlich reduziert werden. Bei einem unserer Kunden konnten wir beispielsweise einen Rückgang der administrativen Tätigkeiten um über 60 % erreichen. Dadurch gewinnen Ingenieure mehr Zeit, sich verstärkt um die Führung ihrer Mitarbeiter, die Qualitätssicherung, Projekte und Weiterentwicklungen zu kümmern – also um wertschöpfende Aufgaben.
Ein weiterer wichtiger Vorteil liegt in der Audit-Sicherheit: Das System stellt sicher, dass Mitarbeiter nur mit den notwendigen Qualifikationen an bestimmten Arbeitsplätzen oder für bestimmte Fertigungsschritte eingeplant werden. Diese Qualifikationen werden dokumentiert und automatisch berücksichtigt. So wird einerseits die Einhaltung von Vorschriften gewährleistet, andererseits erleichtert es die Planung und den Einsatz erheblich. Das sind konkrete Beispiele, wie Ingenieure von solchen Systemen profitieren können.
Ein Beitrag von:
