Konzeptkarte

Predictive-Maintenance-Analytik

Stand 18. Oktober 2026

Redaktion: Cédric Mary, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Was ist Predictive-Maintenance-Analytik?

Predictive Maintenance verbindet IoT-, ML- und Anlagendaten, um Geräteausfälle vorherzusagen, bevor sie eintreten – der archetypische Fertigungs-Anwendungsfall, der die BDC-Einführung in der Schwerindustrie vorantreibt.

Was es ist

Predictive-Maintenance-Analytik nutzt Zustandsdaten von Anlagen, um vor einem Ausfall einzugreifen statt nach festem Kalender – sie ersetzt zeitbasierte Wartung durch evidenzbasierte Wartung.

Warum es wichtig ist

Der Business Case ist ungewöhnlich klar erkennbar: vermiedene ungeplante Stillstände, verlängerte Anlagenlebensdauer und reduzierter Ersatzteilverbrauch. Diese Klarheit ist der Grund, warum es in Industriekonten häufig der erste KI-Anwendungsfall ist – und warum es häufig enttäuscht, denn die Modellierung ist der einfache Teil.

Die schwierigen Teile sind Label-Knappheit und Handlung. Ausfälle sind konstruktionsbedingt selten, daher sind die Trainingsdaten unausgewogen; und eine Vorhersage, die einen Wartungsplaner nicht rechtzeitig erreicht, um einen Auftrag zu ändern, hat nichts bewirkt.

Wie es funktioniert

Drei Zutaten entscheiden über die Machbarkeit, bevor überhaupt ein Modell gewählt wird: Zustandsdaten in nutzbarer Frequenz, eine Wartungshistorie, die festhält, was tatsächlich getan wurde, und eine Ausfalldefinition, der das Werk zustimmt. Der dritte Punkt fehlt meist. „Ausfall“ kann ungeplanten Stillstand, verminderte Leistung oder eine Schwellenwertverletzung bedeuten, und ein Modell, das auf einer Definition trainiert wurde, wird an einer anderen gemessen.

Wo SAP ins Spiel kommt, ist eher die Handlungsschleife als das Modell: Die Vorhersage muss zu einem Wartungsauftrag im System werden, das die Planer bereits nutzen, mit angehängter Evidenz.

Der Senior-Move

Gestalten Sie den Eingriff, bevor Sie das Modell gestalten. Legen Sie fest, was sich ändert, wenn das Modell auslöst – welcher Arbeitsauftrag, wessen Freigabe, welche Teile – und bestätigen Sie, dass das Werk die zusätzlichen Eingriffe verkraften kann. Ein Modell mit 90 % Präzision, das die Wartungswarteschlange verdreifacht, wird von genau den Leuten abgeschaltet, für die es gebaut wurde.

Warum es zählt

Die Integration der Anlagendaten ist der schwierige Teil, nicht das ML-Modell – die meisten Predictive-Maintenance-Projekte scheitern daran, saubere, zeitgestempelte Sensor- und Wartungslog-Daten an einem Ort zusammenzuführen.
Die Schwerindustrie führt BDC gerade wegen dieses Anwendungsfalls ein – er ist der Business Case, der Budget genehmigt bekommt, nicht ein generisches Analytics-Modernisierungs-Pitch.
Jede Kunden-Ausschreibung fragt inzwischen nach KI-Fähigkeit, und Predictive Maintenance ist das konkrete, belegbare Beispiel, das einen Berater in Senior-Tier-Gesprächen hält.

Kernpunkte

IoT + ML + Anlagendatenintegration zur Vorhersage von Geräteausfällen, bevor sie eintreten.
Der archetypische Fertigungs-Analytics-Anwendungsfall, der die BDC-Einführung in der Schwerindustrie vorantreibt.
Label-Knappheit (Ausfälle sind konstruktionsbedingt selten) und die Prognose rechtzeitig zu einem echten Arbeitsauftrag zu bringen sind die schwierigen Teile, nicht die Modellierung selbst.
Drei Machbarkeits-Zutaten: Zustandsdaten in nutzbarer Frequenz, eine Wartungshistorie, die festhält, was tatsächlich getan wurde, und eine vom Werk akzeptierte Ausfalldefinition — die dritte fehlt meist.
Die tabellarischen Foundation-Modelle SAP-RPT-1.6 / TabPFN-3.5-Plus prognostizieren per In-Context-Learning und erlauben es, eine neu in Betrieb genommene Anlage oder einen Sensor ohne Monate angesammelter Ausfallhistorie zu bewerten.
Ein Pilot mit einem tabellarischen Modell ist am nützlichsten als Diagnose — ‚können wir überhaupt prognostizieren, angesichts unserer Label-Qualität‘ — bevor er als produktives Entscheidungsunterstützungstool gescopt wird.
Der Alarmschwellenwert ist eine geschäftliche Entscheidung über Inspektions-/Wartungskapazität, kein Modellierungsparameter — mit dem Wartungsleiter im Raum festlegen, nicht isoliert für eine bessere Genauigkeitszahl abstimmen.
‚Predictive Maintenance‘ fehlt fast vollständig im Live-Nachfragesignal dieses Marktes (Firmenprofile, Opportunities, News), obwohl es der meistzitierte industrielle KI-Anwendungsfall ist — es wird über Betriebs-/Engineering-Budgets gekauft, nicht über den SAP-Analytics-Vertragskanal, den diese Plattform beobachtet.

Begriffe auf dieser Seite

Evidenzbasierte Wartung: Wartung, ausgelöst durch beobachtete Anlagenzustandsdaten statt durch ein festes Kalenderintervall — die zentrale Verschiebung, die diese Karte beschreibt.
Label-Knappheit: Die strukturelle Data-Science-Herausforderung bei Predictive Maintenance: Ausfälle sind konstruktionsbedingt selten, daher sind die Trainingsdaten für die Ausfallklasse von Natur aus unausgeglichen.
Survivorship Bias (Wartung): Die Verzerrung, bei der gut gewartete Anlagen, die nie ausgefallen sind, in den Trainingsdaten im Vergleich zu Ausfallfällen unterrepräsentiert sind, was das Modell davon abhält zu lernen, wie ‚gesund‘ tatsächlich aussieht.
Ausfalldefinition: Die vom Werk akzeptierte operative Bedeutung von ‚Ausfall‘ (ungeplanter Stillstand, verminderte Leistung, Schwellenwertüberschreitung), die sowohl historische Trainingslabels als auch die Live-Modellbewertung teilen müssen — meist das fehlende Stück, nicht die Daten selbst.
In-Context-Learning (tabellarische Modelle): Der Vorhersagemechanismus von SAP-RPT und TabPFN: Dem Modell wird zum Inferenzzeitpunkt eine beschriftete Tabelle gezeigt, und es prognostiziert neue Zeilen ohne separaten Trainingsschritt — relevant hier, weil eine neu in Betrieb genommene Anlage kein Retraining braucht, bevor sie bewertet werden kann.
SAP-RPT-1.6 / TabPFN-3.5-Plus: SAPs aktuelle Generation (Sept. 2026) beziehungsweise das tabellarische Foundation-Modell von Prior Labs, beide verfügbar über den Generative AI Hub von SAP AI Core — Kandidaten-Baseline-Prädiktoren für Anlagenzustandstabellen mit hochkardinalen Spalten (Anlagen-IDs) und gemischten Datentypen.
Alarmschwellenwert (Predictive Maintenance): Der Score-Grenzwert, der eine Modellprognose in einen Wartungsauftrag verwandelt — eine geschäftliche Entscheidung, begrenzt durch Inspektions-/Wartungskapazität, kein Modellierungsparameter, der isoliert für eine bessere Genauigkeitskennzahl abgestimmt wird.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.