Sanjib Das: Ersatzteilstrategie: Daten statt Bauchgefühl (Teil 1)

‍Bei SPARROW sprechen wir regelmäßig mit MRO- und Reliability-Experten aus aller Welt – Ingenieuren und Führungskräften, die Jahrzehnte in Anlagen, Lagern und Leitständen verbracht haben, statt nur in Meetingräumen.

Wir tun dies ganz bewusst. Die hartnäckigsten Probleme im Ersatzteilmanagement entstehen selten aus einem Mangel an Theorie. Sie entstehen in der Praxis: durch historische Fehlentscheidungen, gewachsene Organisationskulturen, unvollständige Daten und den täglichen Spagat zwischen Risiko, Kosten und Anlagenverfügbarkeit.

In früheren Serien haben Experten wie Conrad Greer die systemischen Schwächen in Branchen wie Öl & Gas oder der Bahnindustrie aufgezeigt. Andrew Jordan verdeutlichte, wie mangelhafte Stammdaten selbst finanzstarke MRO-Strategien untergraben. Diese neue Serie führt diese Tradition fort – konsequent aus der Perspektive des Reliability Engineering.

Sanjib Das, Praktiker statt Theoretiker

‍Wer mit Sanjib Das spricht, merkt schnell: Er ist kein „Spreadsheet-Engineer“. Er begann als Instandhaltungsingenieur in einer Chemieanlage und wechselte 2008 zu ExxonMobil nach Singapur, exakt in der Phase, als dort sechs neue Großanlagen gleichzeitig entstanden. Zuverlässigkeit wurde dort „von der Pike auf“ in der Designphase mitgedacht, lange bevor der Begriff zum Trendthema wurde.

Für ihn gab es eine klare Voraussetzung, um als Reliability Engineer erfolgreich zu sein:

„Man muss nicht in jedem Bereich Experte sein, aber man muss von allem genug verstehen. Man sollte mindestens fünf bis sieben Jahre in der Instandhaltung gearbeitet haben, die Anlagen kennen und wissen, wie man den Fachleuten die richtigen Antworten entlockt. Sonst ist man am Ende nur ein Postbote.“

In über 20 Jahren Berufserfahrung hat Sanjib:

RCM-Programme und Root-Cause-Analysen für komplexe Assets geleitet.
Die Verantwortung für die Lagerpflege und Strategie von Megawatt-Motoren übernommen.
Lagerbestände im Wert von 30 Mio. USD bereinigt, die über ein Jahrzehnt unberührt blieben.
Ein Excel-basiertes Tool zur Kritikalitätsbewertung entwickelt, das heute in mehreren Unternehmen als Standard gilt.

Sein Kernansatz: Emotionen aus der Planung eliminieren und durch ein nachvollziehbares mathematisches Modell ersetzen.

„Meine Aufgabe ist es, die Emotionalität zu beenden und den Prozess zu mathematisieren. Wenn es Mathematik ist, versteht es jeder.“

Hier treffen sich unsere Welten. Bei SPARROW entwickeln wir KI-gestützte Lösungen, um genau das zu erreichen: transparente, datenbasierte Entscheidungen, statt Vorrang für denjenigen, der am lautesten schreit.

Die 5-teilige Serie im Überblick

‍Dieses Gespräch mit Sanjib Das ist die Basis für einen Leitfaden, wie Reliability-Teams das Ersatzteilmanagement systematisch beherrschen:

Teil 1 – Schluss mit dem Bauchgefühl: Ein 1–5-Bewertungsmodell für Kritikalität, Lieferzeiten und Kosten.
Teil 2 – Die versteckten Kosten von „Sicherheitshalber“: Warum Überbestände durch Lagerpflege und Alterung echtes Geld kosten.
Teil 3 – Geplant vs. Ungeplant: Wie bessere Bevorratungsregeln Stillstände massiv verkürzen.
Teil 4 – Zentral vs. Dezentral: Wann sich globales Inventory-Pooling für teure Komponenten lohnt.
Teil 5 – Excel ist statisch, Ausfälle nicht: Wie KI die Brücke zwischen Sanjibs Modell und Systemen wie SAP oder Maximo schlägt.

Teil 1: Warum „alles ist kritisch“ teuer wird

In vielen Werken wird über Ersatzteile noch immer per Gremium entschieden. Jeder bringt seine eigenen Listen und Horrorstorys mit. Sanjib beschreibt das so:

„Für irgendjemanden ist immer alles wichtig. Der Mechaniker will die Welle für eine Million Dollar im Lager haben, der Elektriker braucht unbedingt jenes Spezialteil.“

Ohne Struktur dominieren schnell:

Emotionen: Der letzte schmerzhafte Ausfall prägt die heutige Bestellung.
Anekdoten: „Erinnerst du dich, als wir deswegen zwei Wochen stillstanden?“
Politik: Es zählt die Meinung des Hierarchie-Höchsten.

Das Ergebnis ist altbekannt:

Aufgeblähte MRO-Bestände: Schätzungen zufolge sind in der Fertigungsindustrie 40–60 % der Bestände überflüssig, veraltet oder extrem langsamdrehend (GEP).
Ladenhüter (Dead Stock): Selbst in gut geführten Unternehmen werden im Laufe der Zeit 20–30 % des Inventars zu Ladenhütern oder obsolet (amplio.com).
Hohe Lagerhaltungskosten: Branchen-Benchmarks beziffern die jährlichen Lagerhaltungskosten auf 20–30 % des Inventarwerts. Das bedeutet: Ein Ersatzteillager im Wert von 1 Mio. EUR verursacht allein für die Lagerung Kosten von bis zu 300.000 EUR pro Jahr (CAI).

Trotz dieser Fakten fällt es vielen Reliability Engineers schwer, „Nein“ zu sagen, wenn das nächste „kritische Ersatzteil“ gefordert wird. Sanjibs Antwort darauf: Weg von persönlichen Meinungen, hin zu einem transparenten Scoring-Modell.

Ein einfaches Modell, das die Diskussion versachlicht

‍Sanjibs Tool ist keine „Blackbox“. Es ist bewusst einfach gehalten und jederzeit nachvollziehbar. Im Kern kombiniert es fünf Faktorgruppen, die jeweils auf einer Skala von 1 bis 5 bewertet werden:

Anlagenkritikalität:
1. Wie schwerwiegend ist ein Ausfall?
2. Entstehen Sicherheits- oder Umweltrisiken?
3. Wie stark sind die Auswirkungen auf die Produktion oder die Lieferfähigkeit?
Lieferzeit und Versorgungsrisiko:
1. Wie lange dauert die Wiederbeschaffung?
2. Handelt es sich um Katalogware, eine Auftragsfertigung oder eine Sonderanfertigung?
3. Gibt es nur einen einzigen Lieferanten (Single Source)?
Ausfallverhalten:
1. Handelt es sich um zeitabhängigen Verschleiß mit Vorwarnzeit?
2. Tritt der Ausfall zufällig und ohne Signal auf?
3. Liegt eine Badewannenkurve (Frühausfälle) vor?
Teilecharakteristik und Gleichteile:
1. Ist das Teil einzigartig oder für mehrere Anlagen nutzbar?
2. Wird dasselbe Teil in Anlagen mit unterschiedlicher Kritikalität verwendet?
Kosten und Konsequenzen:
1. Direkte Anschaffungskosten, Stillstandskosten (Produktionsausfall, Pönalen, Überstunden) sowie potenzielle Reputations- oder Umweltschäden.

Jeder Faktor erhält einen Wert zwischen 1 und 5 (einige Unternehmen nutzen auch eine 1–3-Skala), basierend auf vorab klar definierten Kriterien. Diese Einzelwerte fließen in einen einfachen Index ein:

„Ich arbeite mit logarithmischen Faktoren von eins bis fünf. Je nach Organisation, Budget und Bedarf lässt sich das Modell individuell anpassen.“

Daraus ergeben sich klare Entscheidungsregeln:

Hoher Score → Hohe Kritikalität: Lokal bevorraten, Mindestbestand und Meldebestand festlegen.
Mittlerer Score → Mittlere Kritikalität: Lagerung entweder lokal oder regional (standortübergreifend).
Niedriger Score → Geringe Kritikalität: Keine Lagerhaltung; Absicherung über die Lieferzeit des Herstellers.

Der entscheidende Vorteil: Die Beteiligten diskutieren nicht mehr über Gefühle, sondern über Fakten:

„Ist diese Anlage wirklich sicherheitskritisch?“
„Sehen wir hier tatsächlich Zufallsausfälle oder ist es Verschleiß?“
„Beträgt die Lieferzeit wirklich 16 Wochen oder war das ein Einzelfall vor zehn Jahren?“

Sobald Einigkeit über diese Eingangsdaten besteht, ergibt sich das Ergebnis von selbst.

Identisches Teil, unterschiedliche Regeln

Ein entscheidender Vorteil von Sanjibs Modell ist, dass es den Anwendungskontext automatisch berücksichtigt: Dasselbe Bauteil kann an unterschiedlichen Anlagen völlig verschiedenen Bevorratungsregeln unterliegen.

„Die gleiche Gleitringdichtung kann bei einer Pumpe kritisch sein und bei einer anderen nicht – abhängig von der jeweiligen Anlagenkritikalität. Meine Berechnung bezieht das mit ein und gibt dann die entsprechende Lagerempfehlung aus.“

Betrachten wir dazu ein vereinfachtes Beispiel einer Gleitringdichtung, die in zwei verschiedenen Pumpen zum Einsatz kommt:

Pumpe A (kritische Speisepumpe): Ein Ausfall würde die gesamte Anlage stilllegen. Trotz identischer Lieferzeit und Ausfallcharakteristik führen die hohe Anlagenkritikalität und die drohenden Stillstandskosten dazu, dass die Dichtung als „hochkritisch“ eingestuft wird. Das rechtfertigt einen lokalen Lagerbestand mit fest definierten Mindestbeständen und Meldepunkten.
Pumpe B (Hilfspumpe): Ein Ausfall hat hier kaum Auswirkungen auf den Gesamtbetrieb. Bei identischer Lieferzeit sinkt der Gesamtwert durch die geringeren Konsequenzen auf „mittlere Kritikalität“. Hier reicht ein gemeinsamer Bestand oder ein standortübergreifendes Pooling aus.

Das Bauteil ist exakt dasselbe. Was sich geändert hat, ist der Kontext. Genau diese Differenzierung macht Sanjibs Modell greifbar.

Daraus ergibt sich:

Dichtung für Pumpe A → Hoch: Lokale Lagerung, Mindestbestand 2, Meldebestand 3.
Dichtung für Pumpe B → Mittel: 1 Einheit im Gemeinschaftslager oder regionalen Pool.

Die Diskussion dreht sich nicht mehr darum, ob die Dichtung „an sich“ kritisch ist. Es wird deutlich, dass die Kritikalität von ihrem Einsatzort abhängt. Sanjib hat dies direkt in sein Excel-Tool integriert:

„Mein Tool berechnet auch: Wenn ich zehn ähnliche Pumpen habe, wie viele Teile muss ich vorhalten? Wie hoch ist der Mindestbestand, wo liegt der Meldepunkt? Ein Teil kann an einem Ort hochkritisch sein, an einem anderen mittel und woanders völlig unkritisch.“

Auch mit unvollständigen Daten starten (und trotzdem Fortschritte machen)

Ein häufiger Einwand lautet: „Wir haben nicht genug Daten, um das alles sauber zu bewerten.“ Sanjib hat das oft gehört und sein Tool bewusst so ausgelegt, dass es auch damit funktioniert.

„Manchmal kommen Fragen wie: ‚Ich habe keine Ausfallhistorie.‘ Dann sage ich: Okay, nutzen Sie Ihr Ingenieurwissen. Wenn Sie keine harten Daten haben, arbeiten Sie mit Schätzungen. Wenn Sie Felddaten haben, nutzen Sie diese – dann wird das Tool erst richtig stark.“

Sein pragmatischer Ansatz sieht so aus:

Anlagenkritikalität: Wenn keine strukturierte Kritikalitätsanalyse vorliegt, nutzt man eine „Fast-Track“-Version. Sanjib hat dies bereits unzählige Male für verschiedenste Organisationen mit jeweils leicht angepassten Parametern durchgeführt.
Ausfalldaten: Wo CMMS-Daten fehlen, dienen Standards wie die ISO 55000 oder Militärhandbücher als Basis für typische Ausfallarten und -raten.
Lieferzeit: Wenn keine exakten Lieferantendaten vorliegen, arbeitet man mit Zeitfenstern („am selben Tag“, „innerhalb einer Woche“, „innerhalb eines Monats“, „> 3 Monate“) und vergibt entsprechende Punktwerte.
Standardannahmen: Es werden Richtlinien dokumentiert, welche Werte bei fehlenden Informationen einzusetzen sind. Das verhindert, dass Ingenieure die Daten „schönrechnen“, um ihr gewünschtes Ergebnis zu erzwingen.

An dieser Stelle helfen auch externe Benchmarks in der Diskussion. Wenn ein Werk glaubt, man stehe „eigentlich ganz gut da“, helfen klare Zahlen zur Einordnung:

Studien zeigen, dass in vielen Industriebetrieben 50–60 % des MRO-Bestands aus Überschuss, Altbeständen oder extremen Langsamdrehern bestehen (GEP).
Ein World-Class-Level für obsolete Teile liegt hingegen bei etwa 10 % des Gesamtbestands (Fiix).

Mit anderen Worten: Der Standardzustand in der Industrie ist oft ineffizient. Es lohnt sich also, auch mit unvollständigen Daten zu starten und den Prozess in Gang zu setzen.

Wie SPARROW.Plan dieses Denken automatisiert

Die Logik, die Sanjib manuell in Excel aufgebaut hat, ist genau die „Reasoning Engine“, die wir in SPARROW.Plan integriert haben. Seine Methode basiert auf der Gewichtung stabiler Reliability-Faktoren – wie Anlagenkritikalität, Lieferzeit, Ausfallverhalten, Teilecharakteristik und Konsequenzen –, um diese in klare Bevorratungsentscheidungen zu übersetzen.

SPARROW.Plan automatisiert exakt diese Logik. Das System zieht kontinuierlich aktualisierte Informationen aus dem ERP des Kunden (SAP, Maximo, Infor), gleicht sie mit harmonisierten Stammdaten aus SPARROW.Clean ab und wendet ein transparentes Scoring-Modell an. Das Ergebnis sind fundierte Empfehlungen für Lagerbestände, Meldepunkte und standortübergreifende Pooling-Möglichkeiten.

Wo Ingenieure früher mühsam Tabellen manuell aktualisieren mussten, berechnet SPARROW.Plan heute die Auswirkungen jedes neuen Arbeitsauftrags, jeder aktualisierten Ausfallhistorie, jeder geänderten Lieferzeit oder jeder angepassten Stückliste (BOM) sofort neu. Statt über veraltete Tabellen zu debattieren, erhalten Instandhaltungs- und Reliability-Teams eine risikobasierte Orientierung in Echtzeit – nach genau der Logik, die Sanjib vertritt, aber konsistent, automatisch und skalierbar angewendet.

Das Modell intern verkaufen: Von Widerstand zu Erleichterung

Die Einführung eines Scoring-Tools wird unweigerlich Gegenwind auslösen – besonders dann, wenn das Ergebnis lautet: „Dein wichtigstes Ersatzteil ist gar nicht kritisch.“ Sanjib ist hier sehr direkt:

„Nach der Einführung des Tools werden einige Leute feststellen, dass Teile, die sie für absolut kritisch hielten, nicht mehr auf der Liste stehen. Man wird also definitiv auf Widerstand stoßen.“

Er betont jedoch auch, dass dieser Widerstand meist nur von kurzer Dauer ist:

„Da das Tool auf Mathematik basiert und vollkommen logisch ist, versteht das sogar ein Techniker sofort. Man wird herausgefordert, aber es ist keine unüberwindbare Hürde.“

Was seiner Erfahrung nach geholfen hat:

Mit dem „Warum“ starten: Erklären Sie, dass das Ziel nicht die bloße Bestandsreduzierung ist. Es geht darum, das Budget dort einzusetzen, wo die echten Risiken liegen, und die Emotionalität aus dem Prozess zu nehmen. Verdeutlichen Sie das Ausmaß des Problems: Bei jährlichen Lagerhaltungskosten von 20–25 % verdoppelt sich der Wert eines Ersatzteils etwa alle 4–5 Jahre, nur weil es im Regal liegt.
Die Logik an Praxisbeispielen vorführen: Nehmen Sie ein paar umstrittene Ersatzteile und lassen Sie diese live durch das Tool laufen. Fordern Sie die Ingenieure auf, die Eingangsdaten zu hinterfragen, nicht das Ergebnis: „Sollte hier wirklich eine 5 bei Sicherheit stehen? Haben wir Belege dafür?“
Klare Leitplanken setzen: Dokumentieren Sie präzise, was jeder Score bedeutet. Legen Sie fest, wer die Scoring-Regeln ändern darf (idealerweise ein interdisziplinäres Team).
Das Management in die Pflicht nehmen: Das Tool macht das Risiko sichtbar; das Management entscheidet, ob es das Teil einlagert oder das Risiko akzeptiert. Damit verschiebt sich die Diskussion von „Ich glaube“ hin zu „Wir akzeptieren explizit dieses Risikoprofil“.

In einer Organisation half Sanjibs Tool dabei, Bestände im Wert von 30 bis 40 Millionen USD anzugehen, die seit zehn Jahren nicht bewegt worden waren. Der Nutzen lag dabei nicht nur im freigesetzten Kapital, sondern auch im Gewinn an Lagerfläche, einem geringeren Aufwand für die Lagerpflege und der Klarheit darüber, welche Teile wirklich zählen.

Warum das ein Thema für die Reliability ist – nicht nur für die Finanzen

Man könnte dieses Thema leicht als reine Kostenrechnung abstempeln. Sanjib tut das nicht. Für ihn sind Ersatzteile untrennbar mit Zuverlässigkeit und Risiko verbunden:

„Die Ersatzteilstrategie ist nicht nur eine Maßnahme aus dem RCM-Prozess, sie ist eine von vielen Risikominderungsmaßnahmen. Man hat andere Hebel wie Verfahrensanweisungen, Schulungen, Schwellenwerte für die Instrumentierung, periodischen Austausch oder Monitoring – aber Ersatzteile sind ein zwingender Teil der Zuverlässigkeit als Ganzes.“

Gute Bevorratungsentscheidungen bewirken Folgendes:

Sie mildern die Folgen ungeplanter Ausfälle: Man kann nicht jeden Ausfall verhindern, aber man kann die Stillstandszeit von „zwei Wochen auf drei Tage“ verkürzen, wenn die richtigen Teile bereitliegen.
Sie schützen Sicherheit und Umwelt: Durch die Priorisierung von Ersatzteilen für Ausfallszenarien mit schwerwiegenden Folgen.
Sie stabilisieren den Betrieb: Damit man während eines Turnarounds nicht durch unerwartete Fehlbestände in den „Feuerwehr-Modus“ verfällt.

Umgekehrt treffen einen schlechte Strategien von zwei Seiten:

„Einerseits steigen die Betriebskosten, weil man nicht die richtigen oder gar keine Ersatzteile hat. Andererseits ist das Lager mit unnötigen Dingen überfüllt. Das ist alles unser Geld – und nach fünf Jahren ist die Garantie abgelaufen.“

Das Scoring-Modell gibt Reliability Engineers eine fundierte und vertretbare Grundlage, um dieses Spannungsfeld auszubalancieren.

Wie es weitergeht (und welche Rolle die KI spielt)

In den nächsten Beiträgen dieser Serie schauen wir uns an, wie Sanjibs Framework in der Praxis funktioniert:

Teil 2 – Die versteckten Kosten von „für alle Fälle“-Beständen
Teil 3 – Geplant vs. Ungeplant
Teil 4 – Ein globales Ersatzteil statt drei lokale
Teil 5 – Excel ist statisch, Ausfälle nicht

Das Fazit aus Teil 1 ist simpel:

„Wenn es Mathematik ist, versteht es das Management. Es ist kristallklar und lässt keinen Raum für Unklarheiten.“

Drehen sich Ihre Diskussionen über Ersatzteile immer noch darum, wer die überzeugendste Geschichte erzählt? Dann ist es vielleicht an der Zeit, Zahlen sprechen zu lassen.

Um herauszufinden, was das für Ihr Unternehmen bedeuten könnte, füttern Sie unseren Cost Savings Calculator mit Ihren Daten. Der Rechner ermöglicht es Ihnen, verschiedene Szenarien basierend auf Ihrer Bestandsgröße durchzuspielen und realistische Einsparpotenziale sichtbar zu machen. Ein Beispiel: Ein Unternehmen mit einem Bestand von 50.000 Ersatzteilen kann über drei Jahre bis zu 6 Millionen Euro einsparen.

Inhalt