Kostentransparenz bei zeichnungsgebundenen Fertigungsteilen ist für Industrieunternehmen grundlegend. Sie entscheidet darüber, wie früh Einsparpotenziale sichtbar werden, wie sicher Angebote bewertet werden können und wie fundiert Einkaufs- und Konstruktionsentscheidungen ausfallen. In der Praxis stehen dafür zwei grundlegend unterschiedliche Ansätze im Raum: die klassische Bottom-up-Kalkulation und die datengetriebene Regressionsanalyse.

Im Alltag zeigt sich das oft an einer ganz konkreten Situation. Einem Einkäufer liegen drei Angebote für ein zerspanend gefertigtes Gehäuse vor, die preislich deutlich auseinanderliegen. Ohne belastbaren Vergleichswert bleibt offen, welches Angebot fair ist und an welcher Stelle sich verhandeln lässt. Genau hier setzen beide Methoden an, allerdings auf unterschiedliche Weise. Beide Methoden verfolgen dasselbe Ziel. Für Unternehmen mit großen Teilebeständen stellt sich deshalb weniger die Frage, welche Methode grundsätzlich „besser“ ist, sondern welche wofür geeignet ist.

Bottom-up und Regressionsanalyse folgen zwei unterschiedlichen Logiken

Die Bottom-up-Kalkulation gilt seit Jahren als klassischer Standard im Cost Engineering. Sie zerlegt ein Bauteil in seine einzelnen Kostenbestandteile und bildet die Fertigung möglichst realitätsnah nach. Berücksichtigt werden unter anderem Material, Rüstzeiten, Bearbeitungszeiten, Maschinenkosten, Lohnkosten und einzelne Prozessschritte. Der große Vorteil: Jedes Kostenelement lässt sich im Detail herleiten und erklären. Demgegenüber steht die Regressionsanalyse als datengetriebener Ansatz. Sie nutzt historische Einkaufsdaten, technische Merkmale aus 2D- und 3D-Daten sowie Kontextinformationen wie Menge, Lieferant und Zeitpunkt, um Zusammenhänge zwischen Bauteileigenschaften und real gezahlten Preisen zu erkennen. Das Ergebnis ist kein manuell hergeleiteter Kalkulationsbaum, sondern ein statistisch fundierter Referenzpreis. Genau darin liegt der grundlegende Unterschied: Bottom-up erklärt Kosten aus der Fertigungslogik heraus, Regression aus der Datenlage. Die eine Methode denkt vom Prozess, die andere vom Muster.

Warum Bottom-up in der Tiefe stark ist und in der Breite an Grenzen stößt

Ein Cost Engineer, der ein Drehteil mit Sonderbearbeitung kalkuliert, geht Arbeitsgang für Arbeitsgang vor: Rüstzeit, Taktzeit, Maschinenstundensatz, Werkzeugverschleiß. Je nach Komplexität dauert das mehrere Stunden bis Tage. Bottom-up-Kalkulationen spielen ihre Stärke überall dort aus, wo einzelne komplexe Teile sehr genau analysiert werden müssen. Sie sind besonders wertvoll, wenn Cost Engineers Fertigungslogiken nachvollziehen, Prozessannahmen prüfen oder Sollkosten für spezifische Bauteile detailliert argumentieren müssen. In der Praxis ist dieser Ansatz jedoch aufwendig. Jede Kalkulation bindet Zeit und hochqualifizierte Cost-Engineering-Ressourcen. Zudem skaliert Bottom-up nur begrenzt über große Teilebestände hinweg. Oft wird nur ein kleiner Teil des Bestands jemals im Detail kalkuliert. Wenn tausende Zeichnungsteile bewertet, Angebote schnell geprüft oder Auffälligkeiten im Bestand identifiziert werden sollen, stößt die manuelle oder halbmanuelle Detailkalkulation an operative Grenzen. Hinzu kommt ein weiterer Punkt: Die Ergebnisqualität hängt stark davon ab, wie aktuell Prozess-, Zeit- und Kostensätze gepflegt sind und wie stark Erfahrungswissen in die Bewertung einfließt. Dadurch kann die Konsistenz zwischen einzelnen Kalkulationen leiden. Bottom-up ist damit fachlich tief, aber nur begrenzt skalierbar.

Was die Regressionsanalyse bei großen Teilebeständen anders macht

Die Stärke der Regressionsanalyse beginnt dort, wo Unternehmen nicht nur einzelne Teile bewerten, sondern ganze Bestände systematisch analysieren müssen. Statt jedes Bauteil einzeln von Hand nachzukalkulieren, lernt das Modell aus bereits vorhandenen Daten. Es erkennt Ähnlichkeiten zwischen Teilen, macht Preiszusammenhänge sichtbar und liefert in kurzer Zeit einen stückzahlabhängigen Referenzpreis. Ein typischer Einsatz sieht so aus: Ein Bestand mit mehreren tausend Zeichnungsteilen wird eingelesen. Das Modell gruppiert ähnliche Teile, etwa Flansche aus demselben Werkstoff mit ähnlicher Geometrie, und zeigt, bei welchen Teilen die bezahlten Preise stark streuen. Genau diese Teile stehen als Erstes auf der Liste für Nachverhandlungen.

Gerade bei komplexen, zeichnungsgebundenen Teilen entsteht dadurch ein erheblicher Effizienzgewinn. Informationen, die im Bottom-up-Ansatz häufig manuell zusammengetragen werden müssen – etwa Geometrie, Maße, Toleranzen, Bearbeitungen oder Halbzeug – lassen sich automatisiert aus CAD- und Zeichnungsdaten ableiten und mit historischen Einkaufsdaten verknüpfen. In der Praxis eröffnet das mehrere Anwendungsfälle gleichzeitig: Die Regressionsanalyse kann große Teilebestände in kurzer Zeit bewerten, eingehende Angebote gegen einen belastbaren Sollpreis prüfen, Preisausreißer identifizieren und Nachverhandlungen gezielt vorbereiten. Damit verschiebt sich die Kostenanalyse von einer punktuellen Expertenaufgabe hin zu einer skalierbaren Entscheidungsgrundlage für Einkauf und Engineering.

Datenbasis entscheidet über die Belastbarkeit

Datengetriebene Modelle sind nur so gut wie ihre Datenbasis. Belastbare Regressionsanalysen entstehen nicht aus einzelnen Preispunkten, sondern aus ausreichend vielen vergleichbaren Datenpunkten innerhalb homogener Bauteilklassen. Entscheidend ist die saubere Verknüpfung von Preis, Menge, Lieferant und Zeitpunkt mit technischen Merkmalen aus 2D- und 3D-Daten. Ebenso wichtig ist die Datenqualität. Häufig liegt die Hürde weniger im Modell als in den Daten. Dasselbe Teil liegt mehrfach im Bestand, Zeichnung und 3D-Modell widersprechen sich, ein Werkstoff passt nicht zur angegebenen Norm, oder Preise sind ohne Gültigkeitsdatum hinterlegt. Für PartSpace gehört das zur Analyse: Solche Fälle werden erkannt und ausgefiltert, bevor ein Modell daraus lernt. Wie belastbar eine Prognose ist, lässt sich über Fehlermaße wie den MAPE quantifizieren. Der Anspruch industrietauglicher KI lautet damit nicht Scheingenauigkeit, sondern nachvollziehbare Aussagekraft.

Bottom-up wird nicht ersetzt, sondern neu eingeordnet

In der Praxis führt die Gegenüberstellung von Bottom-up und Regressionsanalyse selten zu einem einfachen Entweder-oder. Beide Ansätze erfüllen unterschiedliche Rollen. Die Regressionsanalyse eignet sich überall dort, wo Geschwindigkeit, Skalierbarkeit und Transparenz über große Teilemengen gefragt sind. Bottom-up bleibt relevant, wenn einzelne Bauteile physikalisch tief bewertet werden müssen oder die Datenlage für statistische Modelle zu dünn ist. Ein Arbeitsablauf kann so aussehen: Die Regression prüft einen Bestand auf Auffälligkeiten. Für die drei Teile mit den größten Abweichungen erstellt der Cost Engineer anschließend eine Detailkalkulation. Der Einkauf verhandelt danach mit einem belegten Sollpreis statt mit einer Schätzung.

PartSpace setzt dabei zwischen beiden Ansätzen an. Aus CAD- und Zeichnungsdaten werden die Fertigungsprozesse eines Bauteils abgeleitet und anschließend statistisch bewertet – auf Basis historischer Einkaufsdaten. So lassen sich große Teilebestände automatisiert bewerten und Auffälligkeiten sichtbar machen. Zu klassischen Bottom-up-Ansätzen versteht sich PartSpace dabei als Ergänzung, nicht als Ersatz. Gleichzeitig lassen sich erkannte Features und Fertigungsprozesse an externe Bottom-up-Lösungen übergeben, damit Cost Engineers schneller in die Detailkalkulation einsteigen. Diese Arbeitsteilung verändert die Rolle des Cost Engineerings. Die Aufgabe verschiebt sich von der manuellen Einzelkalkulation hin zu Steuerung, Validierung und strategischer Bewertung. Die KI übernimmt Vorarbeit wie Feature-Erkennung, Klassifikation und Referenzpreisermittlung. Cost Engineers fokussieren sich auf komplexe oder kritische Fälle, während der Einkauf mit einer belastbareren Datengrundlage in Verhandlungen geht.

Ausblick: Wie sich Cost Engineering weiterentwickelt

Die Zukunft der Kostenanalyse im Engineering-Umfeld ist nicht rein manuell und auch nicht rein statistisch. Sie liegt in datengetriebenen Verfahren, die skalierbar arbeiten und zugleich Schritt für Schritt physikalisch erklärbarer werden. Genau darin zeigt sich der nächste Reifegrad: Modelle verbinden historische Einkaufsdaten, 2D- und 3D-Informationen sowie fertigungstechnische Logiken zu einer belastbaren Entscheidungsgrundlage.

Für Industrieunternehmen bedeutet das eine strategische Verschiebung. Kostenwissen entsteht nicht mehr erst in der nachgelagerten Kalkulation, sondern wird früh in Konstruktion und Beschaffung verfügbar. Gerade die Konstruktion profitiert davon: Wer beim Entwurf sieht, welche Toleranz oder welcher Werkstoff einen Preissprung auslöst, kann frühzeitig gegensteuern. Damit verändert sich auch die Rolle des Cost Engineerings: weg von der manuellen Einzelbewertung, hin zu Validierung, Einordnung und Steuerung dort, wo fachliche Tiefe den größten Hebel hat.  Bottom-up und Regressionsanalyse stehen damit weniger für einen Methodenwettbewerb als für zwei sich ergänzende Perspektiven. Unternehmen, die beides sinnvoll zusammenführen, schaffen die Grundlage für schnellere Entscheidungen, mehr Transparenz und belastbarere Kostenarbeit über große Teilebestände hinweg.