Einsatzplanung im Außendienst & Disposition von Servicetechnikern

Heizungs-, Aufzugs-, Versorger-, Telekom- und Facility-Service-Unternehmen schicken Personen mit den passenden Qualifikationen und Teilen innerhalb zugesagter Zeitfenster zu Kunden. Disponenten erledigen das traditionell per Whiteboard oder Tabelle und kommen ins Straucheln, wenn Aufträge überziehen oder Notfälle eintreffen. Ein solverbasierter Planer, gespeist mit per ML vorhergesagten Auftragsdauern, plant den Tag und plant ihn laufend neu. Das senkt Fahrtzeiten und verpasste Termine, während die Disponenten die Kontrolle behalten.

Problem & Nutzen

• Heute: Ein Disponent ruft Techniker an, jongliert mit Qualifikationen, Fahrzeugbestand, Terminzusagen und Arbeitszeitregeln und korrigiert den Plan nach jeder Stornierung oder Überziehung von Hand. Handwerksbetriebe planen oft in Excel oder in einem Kalender.
• KI-Nutzen: weniger Kilometer je Auftrag, mehr Aufträge pro Tag, höhere Erstlösungsquote (richtige Qualifikation und richtiges Teil schon beim ersten Besuch), bessere SLA-Einhaltung, realistische Ankunftszeiten für Kunden, weniger Stress für Disponenten.
• Belege: Anbieter veröffentlichen Fallstudien zu Gewinnen bei Fahrzeit und Auslastung, doch die Ergebnisse hängen stark von der Qualität der bisherigen Planung ab und sind zwischen Unternehmen nicht vergleichbar; messen Sie Ihre eigene Ausgangslage, bevor Sie einer Aussage trauen [1][2].
• Warum eigenständig: Es ist ein gemeinsames Problem aus Tourenplanung, Qualifikationszuordnung und SLA, das auf einem rollierenden Horizont gelöst wird, nicht reine Tourenplanung (OPT-001) oder Schichtplanung (OPT-003).

Varianten

• Handwerks-KMU (Heizung/Klima/Lüftung, Elektro, Sanitär): 5-50 Techniker, Terminbuchung durch Kunden, einfache Qualifikationsmatrix.
• Versorger & Netzbetreiber: Zähler-, Störungs- und Anschlussarbeiten, regulierte Reaktionszeiten, störungsbedingte Spitzen.
• Facility Management und Aufzüge: vertragsbasierte vorbeugende Wartung plus Notfalleinsätze, oft kombiniert mit vorausschauender Wartung (PRED-006).
• Telekom und FTTH-Installateure: termin-intensiv, Angebot von Kundenzeitfenstern, Pools von Partner-Subunternehmern.
• Medizingeräte und IT-Hardware-Service: Teilelogistik und strenge SLAs dominieren.
• Hausbesuche in der häuslichen Pflege: eng verwandt, jedoch mit Regeln zur Betreuungskontinuität; siehe OPT-003.

So funktioniert es

1. Auftragseingang (Ticket, Anruf, IoT-Alarm, Wartungsplan laut Vertrag)
2. Anreicherung (benötigte Qualifikation, Teileliste, Dauerschätzung, Priorität/SLA)
3. Angebot von Terminoptionen an den Kunden (Terminbuchung)
4. Solver: Zuteilung + Reihenfolge (Qualifikationen, Teile im Fahrzeug, Zeitfenster, Fahrzeiten, Arbeitszeitrecht, Pausen, SLA-Strafen)
5. Übermittlung an die mobile App, GPS-Live-Verfolgung
6. ereignisgesteuerte Neuoptimierung (Stornierung, Nichterscheinen, Überziehung, Notfall)
7. Prüfung / Übersteuerung durch den Disponenten
8. Lernschleife über tatsächliche Dauern

• Kern: ein auf Nebenbedingungen basierender Solver (VRP mit Zeitfenstern, Qualifikationen, mehrtägigem Horizont) mit Metaheuristiken, Constraint Programming oder MIP. Das ist die etablierte OR-Schicht, kein LLM.
• ML-Schichten: Gradient-Boosting-Modelle sagen aus der Historie Auftragsdauer, Streuung der Fahrzeit und Wahrscheinlichkeit des Nichterscheinens voraus; sie speisen den Solver als realistische Parameter. Zeitreihenmodelle prognostizieren die Nachfrage für die Kapazitätsplanung.
• LLM-Schicht (optional, unterstützend): Freitext-Tickets oder Sprachnotizen in strukturierte Auftragsfelder (Qualifikation, Teile, Dringlichkeit) überführen; Kundennachrichten entwerfen; Disponenten Was-wäre-wenn-Fragen in natürlicher Sprache stellen lassen, die in Solver-Parameter übersetzt werden (siehe OPT-018). Das LLM übersteuert nie harte Nebenbedingungen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten geben Zuteilungen frei oder fixieren sie, können Aufträge sperren und verantworten Notfallentscheidungen; Techniker können mit dokumentierter Begründung ablehnen oder tauschen.

Datenaufbereitung

Benötigt werden Arbeitsaufträge (Art, Ort, Dauer, Priorität, SLA), Stammdaten der Techniker (Qualifikationen, Zertifikate, Arbeitszeiten, Standort), Ersatzteil- und Fahrzeugbestand, Kundentermine, Anlagenhistorie und Fahrzeitdaten. In einem KMU liegen sie im ERP oder in einem Field-Service-Werkzeug, in Excel-Plänen, E-Mails, WhatsApp-Gruppen und auf Papier-Auftragskarten.

Typische Lücken: fehlende oder als Freitext erfasste Angaben zu Qualifikation und Auftragsdauer, geschätzte statt gemessene Dauern, veraltete Adressen und Geokodierungen, doppelte Kunden- und Anlagendatensätze sowie Papier-Serviceberichte, die nie digitalisiert werden. Techniker-Daten sind personenbezogene Daten mit Zugriffsbeschränkungen.

Aufbereitungsschritte: (1) einen Qualifikationskatalog und Auftragstypen definieren (PREP-019), (2) reale Dauern aus abgeschlossenen Arbeitsaufträgen gewinnen (PREP-020), (3) Adressen und Dubletten bereinigen (DATA-003), (4) Berichte direkt an der Quelle digital erfassen (PREP-008) oder einscannen (PREP-006), (5) Daten per Export oder Schnittstelle aus dem ERP ziehen (PREP-005). Werkzeuge: Geokodierungsdienst, pandas, n8n für Exporte. Rechnen Sie mit etwa 40 Prozent des Aufwands für die Datenaufbereitung.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte Field-Service-Management-Produkte mit EU-Hosting gibt es zu KMU-tauglichen Preisen; sie decken Standard-Disposition, Einsatzplanung und mobile Apps ab.
• Großunternehmen: Weg B. Die Disposition ist ein Kernprozess mit eigener Qualifikationsmatrix, eigenen SLAs und Systemen; ein Eigenbau auf Cloud-Diensten und Solvern lässt sich in ERP, CRM und Anlagendaten integrieren und vermeidet bei großem Umfang Kosten pro Arbeitsplatz.
• Entwickler: Weg B. Solver-Engines und Routing-Schnittstellen in Kombination mit einer LLM-Schicht sind der übliche Weg, ein Dispositionsprodukt zu bauen.

Weg A - Kaufen (Standardsoftware)

• Field-Service-Management-Suiten (FSM) mit Optimierung: IFS Planning & Scheduling Optimization (IFS ist schwedisch, EU), Salesforce Field Service, Microsoft Dynamics 365 Field Service mit Resource Scheduling Optimization, ServiceMax, SAP Field Service Management (SAP ist deutsch, EU, ehemals Coresystems), Oracle Field Service.
• Spezialisierte und KMU-Werkzeuge: Praxedo (Frankreich, EU) sowie deutsche Handwerker-/FSM-Software mit Tourenplanung; prüfen Sie jeweils, ob es echte automatische Optimierung gibt oder nur manuelle Kartenplanung.
• Prüfen: EU-Hosting, betriebsratsverträgliche GPS-Einstellungen, mobile App mit Offline-Betrieb, ERP-/CRM-Konnektoren, Portal für Terminbuchung, Was-wäre-wenn-Simulation.
• Wählen Sie A, wenn: Sie bereits ein FSM-System betreiben oder brauchen; einen Solver zu bauen lohnt sich selten unterhalb mehrerer hundert Techniker.

Weg B - Auf Cloud-KI-Diensten aufbauen

• Routing- und Fahrzeit-Schnittstellen: Google Route Optimization API / Routes API, HERE Routing und Tour Planning (HERE ist niederländisch, EU), TomTom, Mapbox; Azure Maps bietet Routing, ebenso andere Cloud-Anbieter.
• Optimierung als Dienst: Google Route Optimization API für Sendungs-/Fahrzeugmodelle; die Timefold Platform (belgisch, EU) bietet ein Field-Service-Routing-Modell als gehostete Schnittstelle [3][4].
• LLM zur Strukturierung von Tickets: ein Frontier- oder EU-Modell (z. B. Mistral) mit strukturierten Ausgaben und einem strikten Auftragsschema.
• Orchestrierung: n8n oder Power Automate zwischen FSM, ERP und Karten-Schnittstelle; Ereignisse lösen die Neuoptimierung aus.

Weg C - Selbst betreiben (Open Source)

• Solver: Google OR-Tools Routing-Bibliothek, Timefold Solver (Apache 2.0, Java/Python), VROOM (VRP-Engine in C++), jsprit, OptaPlanner-Linie [3][4][5].
• Routing-Engines: OSRM, GraphHopper, Valhalla auf OpenStreetMap-Daten; sie erzeugen in der EU gehostete Fahrzeitmatrizen, ohne Standorte der Techniker an Dritte zu senden.
• ML: scikit-learn oder LightGBM für Dauer- und Nichterscheinen-Modelle; ein kleines lokales LLM (Qwen- oder Mistral-Klasse, HW1-HW2) für das Parsen von Tickets.
• Hardware: Ein reiner CPU-Server (HW1) genügt für den Solver; skalieren Sie Kerne, nicht GPUs.

Weg D - Eigenes Training

Reinforcement Learning oder gelernte Heuristiken für die Disposition befinden sich überwiegend noch im Forschungsstadium; klassische Solver bleiben der Standard im Produktivbetrieb. Eigene Arbeit lohnt sich bei einem Modell für Auftragsdauer und Erstlösungsquote, trainiert auf der eigenen Historie (idealerweise zehntausende abgeschlossene Aufträge), sowie bei gelernten Fahrzeitkorrekturen aus GPS-Spuren.

Stand der Technik (2026)

• Produktivsysteme arbeiten mit rollierender, ereignisgesteuerter Neuoptimierung und kontinuierlichem Lösen, statt mit einem einzigen nächtlichen Stapelplan.
• Hybrid aus Solver und ML ist Standard: ML schätzt Parameter (Dauer, Nichterscheinen), der Solver garantiert die Einhaltung der Nebenbedingungen.
• Kundenseitige Terminoptimierung: Zeitfenster anbieten, die die Effizienz der Tour schützen, oft „Smart Booking“ genannt.
• LLM-Copilots für Disponenten und Techniker (Auftragszusammenfassung, Abruf von Handbüchern, siehe KNOW-004; Sprachberichte, siehe SPEECH-005) sind die wichtigste neue Schicht; von LLMs ohne Solver erzeugte Pläne bleiben bei harten Nebenbedingungen unzuverlässig.
• Grenzen: schlechte Stammdaten (Qualifikationen, Lagerbestände), unzuverlässige Dauerschätzungen, GPS-Lücken und die Akzeptanz der Techniker sind größere Fehlerquellen als die Qualität des Solvers. Lösungen können lokal optimal sein, sich aber unfair anfühlen; Fairnessregeln müssen explizit sein.

Gemeinsame Bausteine & Kombinationen

• Gleicher Solver- und Karten-Stack: OPT-001 (Auslieferungsrouten), OPT-028 (Ridepooling), OPT-029 (Notfalleinsatz), OPT-020 (Wiederherstellung nach Störungen).
• Personalseite: OPT-003 (Schichtplanung) liefert die verfügbare Kapazität als Eingabe; PRED-011 prognostiziert die Arbeitslast.
• Vorgelagerte Auslöser: PRED-006 vorausschauende Wartung erzeugt aus Sensoralarmen geplante Aufträge.
• Unterstützung der Techniker: KNOW-004 Handbuch-Assistent, SPEECH-005 Diktat von Auftragsberichten.
• Entscheidungs-Copilot: OPT-018 für Was-wäre-wenn in natürlicher Sprache auf dem Einsatzplan.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate für Konfiguration, Stammdatenbereinigung und Schulung; SaaS-Lizenzen je Nutzer.
• Weg B/C: 3-9 Monate für ein Produktivsystem inklusive Integration, mobiler App und Veränderungsmanagement; die laufenden Kosten bestehen überwiegend aus Datenqualität und der Pflege der Nebenbedingungen.
• Kostentreiber: Qualität der Stammdaten, Anzahl der Arten von Nebenbedingungen, Integration in ERP/FSM, mobile App.
• Kennzahlen: Erstlösungsquote, Aufträge je Techniker und Tag, Anteil der Fahrzeit, SLA-Erfüllung, pünktliche Ankunft, Stabilität des Plans (Planänderungen pro Tag), Genauigkeit der Ankunftszeit für Kunden, Überstunden, Übersteuerungsquote der Disponenten.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsleitung und die Service-/Dispositionsleitung ein; sie legen Ziele (Fahrzeit, Erstlösung, SLA) und Zielkonflikte fest. Disponenten und Techniker sind die Anwender und müssen am Pilotprojekt teilnehmen, da sie reale Dauern und Eigenheiten der Kunden kennen. Die IT integriert ERP und mobile Geräte, die oder der Datenschutzbeauftragte bewertet Standort- und Leistungsdaten, und die Personalabteilung hilft bei Arbeitszeitregeln und Schulung. Kunden sind von den Terminfenstern betroffen und sollten informiert werden.

Betriebsrat: in der Praxis ja. Einsatzplanungswerkzeuge mit GPS, Auftragszeiten und Abschlussdaten sind objektiv geeignet, Verhalten und Leistung zu überwachen, daher greift § 87 Abs. 1 Nr. 6 BetrVG unabhängig von der Absicht (BAG). Schließen Sie eine Betriebsvereinbarung, die die individuelle Leistungsbeurteilung begrenzt; informieren Sie nach § 90 Abs. 1 Nr. 3 und erwägen Sie einen Sachverständigen nach § 80 Abs. 3. Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich (systematische Standortverfolgung von Beschäftigten), dazu ein AVV mit dem Anbieter. KI-Kompetenz: Schulen Sie Disponenten darin, Vorschläge zu lesen und zu übersteuern; das unterstützt Art. 4 KI-Verordnung. Beginnen Sie als Pilotprojekt mit einem Team oder einer Region, vergleichen Sie die Pläne mit der manuellen Disposition und lassen Sie den Disponenten das letzte Wort. Typische Sorge: „Überwachung und Druck“; begegnen Sie ihr mit Transparenz darüber, welche Daten genutzt werden, und ohne individuelles Ranking. Siehe GUIDE-004, GUIDE-005 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hohes Risiko, wenn das System Aufgaben auf Basis individuellen Verhaltens oder persönlicher Merkmale zuweist und Beschäftigte überwacht oder bewertet (Anhang III Nr. 4 Buchst. b); ein reiner Auftrags- und Routenoptimierer, der nur Qualifikationen, Standort und Verfügbarkeit nutzt, ist typischerweise minimales Risiko. Die Einstufung hängt von der Konfiguration ab; dokumentieren Sie die Begründung. Emotionserkennung bei Technikern wäre verboten (Art. 5 Abs. 1 Buchst. f); bauen Sie sie nicht ein. Die KI-Kompetenz (Art. 4) gilt [6].
• DSGVO und Arbeitsrecht: GPS-Ortung und Leistungswerte sind personenbezogene Beschäftigtendaten. Erforderlich sind eine Rechtsgrundlage (typischerweise berechtigtes Interesse mit Verhältnismäßigkeitsprüfung oder Betriebsvereinbarung), Transparenz, Datenminimierung (Standort nur während der Arbeitszeit, kurze Speicherdauer) und die Beteiligung des Betriebsrats (in Deutschland Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG für technische Überwachungseinrichtungen). Auch Kundenadressen und Termindaten sind personenbezogene Daten.
• Arbeitszeitrecht: Bilden Sie die EU-Arbeitszeitrichtlinie und nationale Regeln (Ruhezeiten, Pausen, Lenkzeitregeln für Transporter) als harte Nebenbedingungen ab.
• Risiken und Gegenmaßnahmen: ungerechte Verteilung der Arbeitslast (Fairness-Nebenbedingungen, Audits), Abkürzungen bei der Sicherheit in Notfalleinsätzen (Übersteuerung durch Menschen), übermäßiges Vertrauen in schlechte Schätzungen (Genauigkeit überwachen), Anbieterbindung (offenes Datenmodell).

Erste Schritte

1. Ausgangslage: Aufträge pro Tag, km pro Auftrag, Erstlösungsquote, verpasste SLAs und wie heute disponiert wird.
2. Stammdaten bereinigen: Qualifikationsmatrix, Teilebestand je Fahrzeug, Auftragstypen mit realistischen Dauern.
3. Regeln zu GPS- und Leistungsdaten vor dem Start mit Betriebsrat bzw. Belegschaft vereinbaren.
4. Ein FSM-Werkzeug (Weg A) oder einen Prototyp mit Timefold/OR-Tools in einer Region pilotieren, mit aktivierter Übersteuerung durch Disponenten.
5. Wöchentlich auswerten: Die Gründe für Übersteuerungen fließen in Verbesserungen der Nebenbedingungen und Dauermodelle ein.

Quellen

1. IFS - Planning & Scheduling Optimization (PSO) - https://www.ifs.com/solutions/field-service-management/planning-scheduling-optimization
2. Microsoft - Dynamics 365 Field Service Resource Scheduling Optimization - https://learn.microsoft.com/dynamics365/field-service/rso-overview
3. Timefold - Field service routing model and solver - https://docs.timefold.ai/field-service-routing/latest/introduction
4. Timefold Solver (open source) - https://github.com/TimefoldAI/timefold-solver
5. Google OR-Tools - Vehicle Routing - https://developers.google.com/optimization/routing
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Salesforce - Field Service - https://www.salesforce.com/service/field-service-management/