Komplexität planbar machen.

ORSTEM automatisiert Geschäftsprozesse, integriert KI-Agenten in bestehende Systemlandschaften und setzt mathematische Optimierungsmodelle ein, um robuste Entscheidungen zu treffen, auch wenn die Datenlage lückenhaft ist.

In drei Schritten zu besseren Entscheidungen.

Von der ersten Datenanalyse bis zum produktiven, integrierten System.

Prozesse Verstehen, Potenziale Bewerten, Daten Aufräumen

Wir analysieren bestehende Abläufe, identifizieren Automatisierungspotenziale und bereinigen die Datenbasis. Wo liegen Datenlücken, wo ist die Qualität ausreichend, und welche Prozesse lohnen sich wirklich zu automatisieren?

KI & OR Entscheidungsmodell Entwickeln

Auf Basis der bereinigten Daten werden KI- und Operations-Research-Modelle entwickelt, die Unsicherheit explizit einplanen. Die Lösung wird produktionsreif gebaut und in bestehende Systemlandschaften integriert. APIs, Datenflüsse und Übergabepunkte inklusive.

Industrialisierung und Weiterentwicklung

Die produktive Lösung wird in den laufenden Betrieb überführt, kontinuierlich überwacht und mit neuen Anforderungen weiterentwickelt, damit der Mehrwert nicht nach Go-live endet, sondern wächst.

Unsicherheit einplanen statt ignorieren.

In der Praxis fehlen Daten, Forecasts liegen daneben, Systeme liefern widersprüchliche Signale. Das ist kein Ausnahmefall, das ist der Normalfall.

Klassische Modelle setzen vollständige, konsistente Daten voraus. In operativen Prozessen ist das selten der Fall: Sensoren liefern Ausreißer, historische Daten spiegeln Engpässe wider statt echten Bedarf, und verschiedene Systeme berichten denselben Sachverhalt unterschiedlich. Wer das ignoriert, optimiert am Problem vorbei.

Herausforderung gemeinsam angehen
250200150100500DemandTimePASTFORECAST

Auszug unserer Learnings:

Können wir den Daten eigentlich trauen?

Nicht immer. Ein klassisches Beispiel ist die Verwechslung von Sales- und Demand-Daten. Unternehmen sehen, was tatsächlich verkauft wurde, nicht, was hätte verkauft werden können. Wenn ein Produkt an einem Tag 50-mal verkauft wird, der Lagerbestand aber bei 50 gedeckelt war, bleibt der echte Bedarf unsichtbar. Modelle, die auf solchen zensierten Daten trainiert werden, lernen systematisch zu wenig und optimieren auf ein verzerrtes Bild der Realität.

Bringt ein besserer Forecast automatisch eine bessere Entscheidung?

Nicht zwangsläufig. Der klassische Ansatz ist Predict-then-Optimize: zuerst forecasten, dann auf Basis des Forecasts optimieren. Das Problem: Ein Modell, das den Forecast-Fehler minimiert, löst ein anderes Problem als eines, das die Entscheidungsqualität maximiert. Predict-and-Optimize geht einen Schritt weiter und trainiert Forecast und Optimierung gemeinsam, direkt auf die Entscheidungsqualität hin. Diesen Ansatz nennt man auch Decision-Focused Learning. Forecast-Genauigkeit und Entscheidungsqualität sind verwandt, aber nicht dasselbe.

Brauche ich immer eine mathematisch optimale Lösung?

In der Praxis reicht oft eine gute Heuristik aus: schnell, robust und für Fachkräfte nachvollziehbar. Entscheidend ist dabei zu wissen, wie gut sie wirklich funktioniert und wie nah sie am theoretisch erreichbaren Optimum liegt. Genau das liefert der Vergleich mit exakten Methoden: nicht um immer optimal zu lösen, sondern um die Qualität der Heuristik einschätzen und gezielt verbessern zu können.

Warum optimale Entscheidungen in der Realität versagen können.

Das mathematisch optimale Ergebnis ist oft das zerbrechlichste.

Klassische Optimierungsmodelle suchen den besten Punkt innerhalb eines zulässigen Bereichs und finden ihn fast immer an dessen Rand. Mathematisch nennt man das einen Extrempunkt: die Lösung sitzt exakt auf der Grenze des Möglichen, ohne jeden Puffer.

Das Problem: Reale Systeme weichen ab. Nachfrage schwankt, Lieferzeiten verschieben sich, Maschinen fallen aus. Sobald sich auch nur ein Parameter leicht verändert, verlässt die ursprüngliche Lösung den zulässigen Bereich und wird infeasible. Das Modell liefert dann keine Antwort mehr, obwohl das System weiterläuft und Entscheidungen gebraucht werden.

Robuste und stochastische Optimierung adressieren genau das: Sie modellieren Unsicherheit explizit und suchen Lösungen, die auch bei Abweichungen noch zulässig und gut genug bleiben. Nicht perfekt unter Idealbedingungen, sondern verlässlich unter realen.

Grenze AGrenze BKap. AKap. BZulässiger BereichInfeasibleRobuste Lösungmit PufferOptimumExtrempunktKleine Abweichung→ infeasible

Der optimale Extrempunkt liegt auf beiden Kapazitätsgrenzen gleichzeitig, ohne jeden Puffer. Eine robuste Lösung liegt weiter innen und bleibt bei Abweichungen zulässig.

Robustheit in Ihrem Prozess prüfen lassen
Timur Wohlleber, Gründer von ORSTEM

Gründer

Timur Wohlleber

„Ich habe ORSTEM gegründet, weil die Methoden, die in der Forschung funktionieren, in der Praxis oft gar nicht ankommen. Das wollte ich ändern.“

Applied Data Scientist mit Hintergrund in Maschinenbau, Robotik und KI. Promoviert an der TU München in Kooperation mit der AUDI AG zu robusten Produktions- und Supply-Chain-Systemen, die wissenschaftliche Grundlage für das, was ORSTEM heute baut und umsetzt.

Mehr über ORSTEM

Nur eine Nachricht entfernt.

Schreiben Sie uns, wir melden uns schnell und unkompliziert zurück.