Produzierende Unternehmen stellen ihre Produkte aufgrund weiterhin steigender Forderung nach kundenindividuellen Produkten zunehmend in einer flexiblen Werkstattproduktion her. In diesen müssen Produkte trotz hoher Materialflusskomplexität bei hoher Personal- und Maschinenauslastung termintreu und mit kurzen Durchlaufzeiten produziert werden. Typischerweise streuen in einer Werkstattproduktion Übergangszeiten, die die Zeiten zwischen den wertschöpfenden Bearbeitungsvorgängen sind, stark und stellen einen Anteil an Durchlaufzeiten von 90 % oder mehr dar. Dies führt vielfach zu einer geringen Planungsgüte der Produktion. Die größten Herausforderungen für Unternehmen liegen in diesem Zusammenhang in einer mangelnden Beherrschung dieser steigenden Produktionskomplexität, einer unzureichenden Genauigkeit der Prognose von Übergangszeiten und einer geringen Nachvollziehbarkeit sowie einer problematischen Nutzung von Prognosen in der Praxis.
Bestehende Ansätze adressieren diese Herausforderungen nicht ausreichend. Meist werden lediglich einfache Anwendungsfälle betrachtet und Durchlauf- statt Übergangszeiten prognostiziert. Dies ist für eine hohe Prognosegüte unzureichend. Auch wenn zur Prognose Data Mining Verfahren verwendet werden, werden große Datensätze benötigt, die heutzutage nicht in allen Unternehmen vorhanden sind. Weiterhin werden Einflussfaktoren kaum identifiziert und eine Integration in der Praxis nicht diskutiert oder gar konzipiert. Die Forschungsfrage lautet daher, wie Übergangszeiten auftragsspezifisch und datenbasiert prognostiziert und geplant werden können.
Auf dieser Forschungsfrage aufbauend entwickelt der Autor eine Methodik zur datenbasierten Prognose und Planung auftragsspezifischer Übergangszeiten, die Mitarbeiter aktiv einbindet, mehrere Data Mining Prognosemodelle vergleicht, und eine Selbstverstärkung zwischen Prognose und Realität durch geeignete Planungsmaßnahmen verhindert. Abschließend wird das Vorgehen in ein Regelkreiskonzept integriert, das eine langfristige Nutzung durch Erhalt einer hohen Prognosegüte sicherstellt.