Die Bestimmung von Planauftragsdurchlaufzeiten (Plan-ZDA) ist in Unternehmen mit komplexen Produktionsstrukturen eine noch immer ungelöste Fragestellung. In der Praxis finden oft statische Methoden für die Bestimmung der Plan-ZDA Anwendung, die nicht ausreichend auf sich verändernde Umwelteinflüsse reagieren. Die Grenzen der meisten klassischen Verfahren liegen besonders in zu vereinfachten Annahmen, welche eine hohe Planungsgüte erschweren. Präzise Plan-ZDA sind erforderlich, um den Kunden einen realisierbaren Termin zu bestätigen, die Kapazitäten in der Fertigung zu planen und die Beschaffung besser zu organisieren. Vor allem in komplexen Produktionsumfeldern wie der Werkstattfertigung (z.B. Werkzeug- und Sondermaschinenbau) ist eine präzise Planung aufgrund von streuenden Arbeitsinhalten und einer schwankenden Anzahl von Arbeitsvorgängen pro Auftrag in der Praxis nicht umgesetzt. Die zentralen Inputfaktoren, welche in einer Werkstattfertigung die Plan-ZDA beeinflussen, sind heute noch nicht systematisch untersucht. Daher ist es das Ziel dieses Vorhabens, aus Unternehmensdaten von sechs Auftragsfertigern zentrale Inputfaktoren zur Bestimmung von Plan-ZDA in der Werkstattfertigung zu identifizieren und zu quantifizieren. Im Vorhaben sollen maschinelle Lernverfahren (ML) genutzt werden, um in Daten Muster zu erkennen und generalisierte Annahmen ableiten zu können. Die Erkenntnisse über die zentralen Wirkbeziehungen helfen den untersuchten Unternehmen, die Prognose von Plan-ZDA zu präzisieren und somit die Termineinhaltung gegenüber ihren Kunden zu verbessen.