Papierlager-Optimierung per KI

Das echte Ausmaß des Problems

Papier ist in deutschen Druckereien kein Verbrauchsmaterial am Rande, es ist die dominierende Kostenposition. Die Unternehmensberatung Apenberg & Partner hat 2022 die Kostenstruktur der deutschen Druckindustrie ausgewertet: Im Schnitt fließen 34 Prozent des Umsatzes direkt in den Papiereinkauf. Bei einer Druckerei mit 2 Millionen Euro Jahresumsatz sind das 680.000 Euro, jedes Jahr, nur für Papier.

Das bringt zwei gegensätzliche Risiken mit sich, die sich gleichzeitig entfalten:

Überbestand: Wer aus Angst vor Engpässen zu viel bestellt, bindet Kapital im Lager. Eine mittelgroße Druckerei mit 6 Wochen Papiervorrat anstelle von 3–4 Wochen hält damit im Schnitt 85.000–160.000 Euro an Papier gebunden, das sich zu Zinskosten und Lagerflächenbedarf addiert.

Unterbestand: Wer zu spät bestellt oder den Verbrauch unterschätzt, zahlt Expressaufschläge. In der Praxis sind das 15–40 % Mehrpreis auf den Papierwert, bei einer Palette Qualitätsdruck-Papier im Wert von 400–800 Euro summieren sich diese Aufschläge schnell auf mehrere tausend Euro pro Jahr.

Der eigentliche Kostentreiber ist weder das Überbevoraten noch das Unterbevoraten allein, sondern das ständige Pendeln zwischen beiden, weil keine verlässliche Prognose vorhanden ist, wie viel Papier in den nächsten 4–6 Wochen wirklich gebraucht wird. Erschwerend: Papier hat Mindestbestellmengen, lange Lieferzeiten (5–15 Werktage für Spezialitäten), unterschiedliche Lieferanten und Preisunterschiede je nach Bestellmenge.

Laut einer Branchenanalyse kämpfen rund 25 Prozent aller Unternehmen in der Papier- und Druckverarbeitung mit Bestandschaos, das zu Stockouts und Überbestand führt, mit einem durchschnittlichen Umsatzverlust von 15 Prozent durch ineffiziente Lagerhaltung (Schätzwert aus Praxisberichten).

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Richtwerte für eine Druckerei mit 2 Mio. € Umsatz und 34 % Papierquote; erfahrungsgemäß nach 6–12 Monaten Betrieb; stark abhängig von Auftragsvolumen, Papiersorten-Vielfalt und Qualität der historischen Daten.

Einschätzung auf einen Blick

Zeitersparnis, schwach (1/5) Die Zeitersparnis durch KI-Bestandsoptimierung ist real, aber gering, und damit die schwächste Dimension dieses Anwendungsfalls. Der Einkauf spart vielleicht 2–3 Stunden wöchentlich, weil Bestellmengen nicht mehr manuell aus Gefühl ermittelt werden müssen. Verglichen mit Anwendungsfällen wie der Druckfreigabe-Prüfung, die täglich Stunden einspart, oder der Kundenauftrag-Verarbeitung, die repetitive Adminaufgaben komplett eliminiert, ist der Zeiteffekt der Bestandsoptimierung marginal. Der Wert liegt hier eindeutig beim Geld, nicht bei der Zeit.

Kosteneinsparung, stark (4/5) Das ist die Kernstärke dieses Anwendungsfalls. Papier macht 34 Prozent des Umsatzes aus, jede Optimierung hier hat direkten Einfluss auf das Ergebnis. Eine Reduzierung des durchschnittlichen Lagerbestands um 25 Prozent bedeutet bei einer mittelgroßen Druckerei 25.000–60.000 Euro weniger gebundenes Kapital, dazu vermiedene Expressaufschläge von typisch 3.000–8.000 Euro pro Jahr. Dieser Effekt ist unter den druck-spezifischen Anwendungsfällen vergleichbar nur mit der Fehleranalyse Druckqualität, dort gehen Fehler auf Kosten von Nachdrucken, hier auf Kosten von Lagerkapital.

Schnelle Umsetzung, niedrig (2/5) Dieser Anwendungsfall ist kein Wochenend-Projekt. Der wesentliche Aufwand liegt nicht im Algorithmus, sondern in der ERP-Anbindung, der Datenbereinigung und der Validierung des Modells gegen reale Verbrauchsmuster. Realistisch sind 12–16 Wochen bis zum produktiven Betrieb, deutlich mehr als bei der Proof-Kommentierung, die mit deutlich weniger Datenaufwand startet. Wer keine saubere Auftragshistorie im ERP hat, braucht zuerst 2–3 Monate Datensammlung, bevor das Modell trainierbar ist.

ROI-Sicherheit, stark (4/5) Der Nutzen ist direkt messbar. Lagerbestand, Kapitalbindung, Anzahl der Expressbestellungen, das sind Zahlen, die jede Druckerei kennt oder mit wenig Aufwand ermitteln kann. Vor dem Start eine Baseline erheben (durchschnittlicher Lagerbestand der letzten 12 Monate, Expresskosten), 6 Monate nach Go-live die Differenz berechnen: Fertig. Keine Indirektion über schwer zuzuordnende Qualitätseffekte wie bei der Fehleranalyse, keine Diskussion über eingesparte Suchzeiten.

Skalierbarkeit, schwach (2/5) Das ist der Gegengewichtspunkt zur Kostenstärke. Ein Bestandsoptimierungsmodell für eine Druckerei ist eng an ihr spezifisches Sortiment gebunden, die Papiersorten, die Jobtypen, die Lieferantenverträge. Wächst die Druckerei in neue Marktsegmente (z.B. von Akzidenzdruck in Verpackungsdruck), braucht das Modell neue Trainingsdaten für die neuen Materialien. Ein zweiter Standort bedeutet ein zweites Modell. Verglichen mit softwarebasierten Anwendungsfällen wie der Druckfreigabe-Prüfung, die für jede neue Auftragsart mitlernt, ist die Skalierbarkeit der Bestandsoptimierung strukturell begrenzt.

Richtwerte, stark abhängig von Papiersorten-Vielfalt, ERP-Datenqualität und Jahresbestellvolumen. Druckereien mit wenigen, immer wiederkehrenden Standardsorten profitieren stärker als solche mit breitem Spezialpapier-Sortiment.

Was das System konkret macht

Machine Learning-gestützte Bestandsoptimierung ist im Kern keine magische Prognose-KI, es ist strukturierte Statistik auf historischen Daten, kombiniert mit Lieferantenparametern. Das Modell macht Folgendes:

Verbrauchsanalyse pro Papiersorte: Aus der Auftragshistorie der letzten 18–36 Monate berechnet das System, wie viel von jeder Papiersorte in welchen Perioden verbraucht wurde. Dabei trennt es Grundrauschen (reguläres Wochengeschäft) von saisonalen Mustern (z.B. hoher Flyer-Bedarf im Herbst, ruhigeres Januargeschäft) und einmaligen Ausreißern (Großauftrag, der das reguläre Muster verzerren würde).

Sicherheitsbestandsberechnung: Auf Basis der Nachfrageschwankung und der Lieferzeit des Lieferanten berechnet das System den minimalen Puffer, den ihr braucht, um einen Stockout mit einer definierten Wahrscheinlichkeit (z.B. 95 %) zu vermeiden. Dieser Puffer ist präziser als die intuitive “3-Wochen-Reserve”, weil er auf der tatsächlichen Variabilität basiert.

Bestellpunkt und -menge: Das System schlägt automatisch vor, wann eine Bestellung ausgelöst werden sollte (basierend auf aktuellem Bestand + Lieferzeit + Sicherheitsbestand) und wie viel bestellt werden sollte (Wirtschaftliche Bestellmenge, die Bestellkosten gegen Lagerkosten abwägt).

Vorausschauendes Signal: Wenn der aktuelle Auftragseingang auf überdurchschnittlich hohe Nachfrage in den nächsten 4 Wochen hindeutet, etwa weil ungewöhnlich viele Großformatjobs eingegangen sind, die viel 135 g/m² verbrauchen, schlägt das System frühzeitig vor, mehr zu bestellen als die reguläre Routine es täte.

Das klingt einfach. Die Schwierigkeit liegt in der Datenqualität: Ein Modell prognostiziert nur so gut, wie die historischen Daten vollständig und sauber sind. Das ist der wesentliche Engpass, nicht die Algorithmik.

Datenbasis: Was das Modell wirklich braucht

Dieser Abschnitt verdient eigene Aufmerksamkeit, weil er konkret über Erfolg oder Misserfolg entscheidet.

Minimum-Datensatz (ohne das geht es nicht):

• Auftragshistorie mit Materialverbrauch: Für jede abgeschlossene Produktion: welcher Papiertyp, welche Menge verbraucht, wann. Das muss im ERP oder in einer Produktionsplanung vorhanden sein, nicht in Excel-Tabellen verschiedener Mitarbeitenden.
• 18 Monate Mindesthistorie: Weniger und das Modell kann saisonale Muster nicht erkennen. 24–36 Monate sind deutlich besser. Wer das ERP erst seit 12 Monaten produktiv nutzt, sollte noch ein Jahr warten oder alternative Datenquellen erschließen (alte Bestelldaten aus Excel-Listen, Rechnungsarchiv).
• Lieferzeiten pro Lieferant und Papiersorte: Nicht die theoretische Lieferzeit im Rahmenvertrag, sondern die tatsächliche Lieferzeit aus der Bestellhistorie. Bei manchen Lieferanten sind 5 Werktage im Vertrag, aber 8 Werktage in der Realität. Das Modell muss mit den realen Werten arbeiten.
• Aktueller Lagerbestand, historisch nachverfolgbar: Das System braucht nicht nur den heutigen Bestand, sondern den Verlauf der Bestandshöhe über Zeit, um zu verstehen, wann ein Stockout droht, bevor er eintritt.

Was das Modell verbessert:

• Offene Aufträge (Auftragseingang): Wenn das ERP nicht nur vergangene, sondern auch laufende Aufträge mit ihrem Materialbedarf kennt, kann das Modell 2–4 Wochen vorausschauend arbeiten statt rückwärtsblickend.
• Saisonale Besonderheiten: Wenn bekannt ist, dass ihr regelmäßig im September/Oktober einen Anstieg von Weihnachtsdrucken habt, sollte das als Event im Modell kodiert sein, nicht nur als Anomalie in den historischen Daten.
• Mindestbestellmengen und Konditionen je Lieferant: Das Modell kann dann nicht nur den Bestellpunkt, sondern auch die optimale Bestellmenge unter Berücksichtigung der Palettenpreise und Mengenschwellen berechnen.

Was das Modell nicht rettet:

Ein lückenhaftes ERP mit fehlenden Materialbuchungen, falsch zugeordneten Papiertypen oder Aufträgen, die manuell außerhalb des Systems verarbeitet wurden, produziert unzuverlässige Prognosen. “Garbage in, garbage out” trifft hier buchstäblich zu: Das System optimiert mit echter Präzision auf falsche Daten, und empfiehlt dann zu wenig 90 g/m² weil 30 % der Verbrauchsdaten nie im ERP erfasst wurden.

Faustregel: Wenn du heute nicht sagen kannst, wie viel 115 g/m² du im November vergangenen Jahres verbraucht hast, nicht bestellt, sondern verbraucht, dann ist das ERP nicht bereit für das Modell.

Konkrete Werkzeuge, was wann passt

Die richtige Lösung hängt stark von Unternehmensgröße, ERP-Reife und verfügbarem Budget ab.

Selbstgebaut mit Excel + Power BI, wenn du mit wenig starten willst Für Druckereien bis ca. 20 Mitarbeitende ist ein spreadsheet-basiertes System oft der realistische Einstieg. Du exportierst Auftragshistorie und Lagerbestandsdaten aus dem ERP, berechnest in Excel Sicherheitsbestände (Formel: Sicherheitsfaktor × Standardabweichung Verbrauch × Wurzel Lieferzeit) und visualisierst den Bestandstrend in Power BI. Das ist kein KI-Modell im technischen Sinne, aber eine strukturierte, datenbasierte Methode, die den Ad-hoc-Bauchgefühl-Ansatz erfahrungsgemäß deutlich schlägt. Kosten: ca. 10 Euro/Monat für Power BI Pro, plus interne Arbeitszeit für Aufbau (ca. 2–4 Wochen). Begrenzung: Kein automatisches Nachfragesignal, kein selbstlernendes Modell, du musst die Parameter periodisch manuell anpassen.

Netstock, wenn ihr aus dem ERP-Standard herausgewachsen seid Netstock dockt als Schicht auf euer ERP auf (unterstützt SAP, Sage, NetSuite, Dynamics und 200+ weitere Systeme) und liefert KI-gestützte Bestellempfehlungen. ABC/XYZ-Klassifizierung priorisiert automatisch, welche Papiersorten den meisten Optimierungsaufwand verdienen. Implementierung typisch in 4–6 Wochen. Kosten: Preise auf Anfrage, typisch ab 500–1.500 USD/Monat für KMU. Limitation: englischsprachiges Interface, Datenhosting außerhalb EU, DSGVO-Prüfung nötig.

EazyStock, wenn ihr 30+ Papiersorten und saisonale Schwankungen habt EazyStock ist stärker spezialisiert auf Predictive Analytics für saisonale Nachfragemuster. Die Plattform modelliert Saison- und Trendeffekte und kann externe Signale (Kalender, Promotions) einbinden. Kosten: ca. 20.000–60.000 Euro Einrichtung plus 3.000–8.000 Euro/Monat Lizenz, das rechnet sich erst ab einem Jahrespapiereinkauf von ca. 500.000 Euro aufwärts. EU-Datenhosting verfügbar.

Slim4 (Slimstock), für größere Druckereien ab 3+ Mio. € Umsatz Enterprise-Plattform mit DACH-Team und nachgewiesener Referenzliste im produzierenden Gewerbe. Implementierung 3–6 Monate, Jahreslizenzen sechsstellig. Für eine 5-Mitarbeiter-Druckerei klar überdimensioniert, aber für ein Druckhaus mit 50+ Mitarbeitenden und komplexer Lagerstruktur eine ernstzunehmende Option.

Wann welcher Ansatz:

• Bis 20 Mitarbeitende, unter 300.000 € Papierkosten/Jahr → Excel + Power BI
• 15–50 Mitarbeitende, 300.000–800.000 € Papierkosten/Jahr → Netstock oder vergleichbare SaaS-Lösung
• Über 500.000 € Papierkosten/Jahr, 30+ Sorten, saisonale Effekte → EazyStock
• Über 3 Mio. € Umsatz, mehrere Standorte → Slim4 oder SAP IBP

Datenschutz und Datenhaltung

Die Daten, die in diesem System verarbeitet werden, sind keine personenbezogenen Daten im engeren Sinne, es geht um Auftragsmengen, Papierarten und Lieferzeiten. Das vereinfacht die DSGVO-Situation erheblich.

Trotzdem gibt es relevante Datenschutzaspekte:

Was ins System fließt: Auftragshistorie, Materialbuchungen, Lieferantenkonditionen, Bestandsdaten. Solange keine Kundendaten (Firmenname, Ansprechpartner, Auftragsinhalte) mit übertragen werden, was für reine Bestandsoptimierung nicht nötig ist, ist die Datenkategorie unkritisch.

Wo die Daten verarbeitet werden:

• Excel + Power BI (Microsoft): EU-Datenhosting wählbar, wenn ihr Microsoft 365 mit EU Data Boundary betreibt. Daten bleiben im eigenen Tenant.
• Netstock: Hosting außerhalb der EU (USA/Australien). Für reine Mengen- und Materialdaten in der Regel handhabbar, einen AVV gemäß Art. 28 DSGVO solltet ihr trotzdem einfordern.
• EazyStock: EU-Hosting verfügbar, explizit anfragen und vertraglich verankern.
• Slim4: Primär EU, aber US-Datentransfers über Subprozessoren möglich, AVV und SCCs vor Vertragsschluss prüfen.

Wichtig für den Alltag: Wenn ihr Kundenauftragsdaten nur intern nutzt und keine Kundennamen ins Prognosemodell fließen (es geht nur um Mengen nach Papiersorte und Jobkategorie), bleibt das Datenschutzrisiko überschaubar. Ein Auftragsverarbeitungsvertrag mit dem Tool-Anbieter ist dennoch Pflicht, sobald betriebliche Daten in externe Systeme fließen.

Was es kostet, realistisch gerechnet

Einrichtungskosten

Wie du den ROI berechnest

Das Modell der Kosteneinsparung ist vergleichsweise direkt:

1. Kapitalfreisetzung: Aktueller durchschnittlicher Lagerbestand in Euro × Zinssatz = Kapitalkosten pro Jahr. Wenn eine Reduzierung von 6 auf 4 Wochen Vorrat 60.000 Euro Kapital freisetzt und euer Kapital bei 5 % Opportunitätskosten liegt: 3.000 Euro/Jahr nur durch diese Freisetzung.

2. Vermiedene Expressaufschläge: Zähle die Expressbestellungen der letzten 12 Monate, multipliziere mit dem durchschnittlichen Mehrpreis (15–40 % auf den Papierwert). Für viele Druckereien sind das 3.000–10.000 Euro/Jahr.

3. Geringere Lagerflächenkosten: Weniger Papier = weniger Stellfläche. Wenn ihr Lagerfläche extern mietet oder aufwändig kühlt/konditioniert, kommen hier weitere Einsparungen dazu.

Ein konservatives Szenario für eine Druckerei mit 1,5 Mio. Euro Umsatz (ca. 510.000 Euro Papierkosten/Jahr):

• Lagerbestand sinkt von 6 auf 4 Wochen → ca. 40.000 Euro Kapital freigesetzt (2.000 €/Jahr Kapitalkosten)
• Expressaufschläge sinken von 5.000 € auf 800 € → 4.200 €/Jahr gespart
• Gesamt: ca. 6.200 Euro/Jahr, bei Jahreskosten von ca. 9.000 € für ein Netstock-Abo rechnet sich das in diesem Szenario nicht. Für diesen Betrieb ist der Excel-Ansatz (ca. 30 €/Monat) die wirtschaftlichere Wahl.

Ein SaaS-Tool wie Netstock lohnt sich erst, wenn die Papierkosten und das Expressaufschlagsvolumen höher sind, ab ca. 700.000–800.000 Euro Jahres-Papierkosten und regelmäßigen Expressbestellungen über 8.000–12.000 Euro/Jahr.

Für den Excel-Ansatz rechnet sich die Investition bei diesem Betrieb bereits nach wenigen Monaten.

Was du dagegenrechnen musst: Die interne Arbeitszeit für Einrichtung, Datenbeschaffung und periodische Modellpflege, das ist kein kostenloser Selbstläufer.

Typische Einstiegsfehler

1. Das Modell mit zu wenig Daten starten. Wer das System nach 6 Monaten Auftragshistorie deployt, trainiert auf einem zu kleinen Datensatz ohne vollständigen Saisonzyklus. Das Modell wird dann im Oktober einen Weihnachtsdruck-Hochlauf nicht erkennen, weil es ihn noch nie gesehen hat. Mindestvoraussetzung: 18 Monate. Besser: 24–36 Monate. Wenn diese Daten nicht digital vorliegen, ist es sinnvoller, mit der Datenerfassung zu beginnen als mit dem Modell.

2. Den Lieferzeiten im Vertrag statt der Realität trauen. Rahmenvertraglich sind 5 Werktage Lieferzeit. Tatsächlich sind es in Hochphasen manchmal 10. Das Modell berechnet den Sicherheitsbestand auf Basis der eingetragenen Parameter, wer hier mit unrealistisch kurzen Zeiten arbeitet, riskiert Stockouts, die das Modell theoretisch verhindert hätte. Bevor das Modell in Betrieb geht: reale Lieferzeiten aus den letzten 12 Monaten je Lieferant und Papiersorte auswerten und als Parameter hinterlegen.

3. Das Modell nicht auf Drift überwachen. Das ist der gefährlichste Fehler, weil er sich langsam einschleicht. Demand-Forecasting-Modelle degradieren, wenn sich die Rahmenbedingungen ändern: Lieferant ändert seine Lieferzeit, ein Großkunde fällt weg, ein neuer Jobtyp wird aufgenommen. Das Modell empfiehlt dann weiterhin Mengen auf Basis veralteter Muster, mit wachsender Abweichung von der Realität, die das System selbst nicht meldet. Einige Systeme warnen automatisch bei starker Prognoseabweichung; wenn nicht, ist eine monatliche Spot-Prüfung (tatsächlicher Verbrauch vs. Prognose für die letzten 4 Wochen) Pflicht. Ohne diese Überwachung hat man nach 12–18 Monaten ein System, das selbstsicher falsche Empfehlungen gibt.

4. Den menschlichen Einkäufer aus der Gleichung nehmen. Automatische Bestellauslösung klingt verlockend, aber nur als zweiter Schritt, nicht als Start. In den ersten 3–6 Monaten sollte das System Bestellvorschläge machen, die ein Mensch freigeben muss. Erst wenn das Vertrauen in die Qualität der Vorschläge durch Erfahrung belegt ist, macht eine automatische Bestellauslösung für unkritische Artikel Sinn. Fehler in dieser Phase sind lehrreich; Fehler in der automatischen Phase können eine Produktion lahmlegen.

Integrationsrealität: Das schwierige Stück

Dieser Punkt wird in den meisten Tool-Demos ausgespart, er verdient aber eine ehrliche Darstellung.

Das technisch aufwändigste an einem Bestandsoptimierungsprojekt ist nicht das Modell, sondern die Datenpipeline: ERP → Prognose-Tool → Bestellvorschlag → zurück ins ERP. In der Praxis sieht das so aus:

Datenextraktion aus dem ERP: Viele Druckerei-ERPs (z.B. printvis, Printware, Pitstop, oder allgemeine ERPs wie Sage, Lexware) haben Export-Schnittstellen, aber keine standardisierten APIs für Bestandsdaten. Das bedeutet oft: CSV-Export aus dem ERP, automatisierter Import ins Prognose-Tool, periodisch (täglich oder wöchentlich). Das klingt einfach, hat aber Tücken: Feldbezeichnungen unterscheiden sich, Mengeneinheiten sind inkonsistent (Bogen vs. kg vs. Paletten), und Lagerplatznummern stimmen nicht mit den Papiersorten-IDs überein.

Datenmapping: Jede Druckerei hat ihre eigene Papiersortenbezeichnung. Was das ERP als “Offset 115 FSC” kennt, heißt beim Lieferanten “Maxioffset 115g, weißlich” und im Prognosemodell am besten als einheitliche Sortenklasse mit Grammatur-Attributen. Dieses Mapping ist Handarbeit, ein Nachmittag für kleine Sortimentsbreiten, mehrere Wochen bei 40+ Papiersorten.

Bestellvorschlag zurück: Das Prognose-Tool schlägt eine Bestellmenge vor. Wer möchte, dass dieser Vorschlag direkt ins ERP fließt (als Bestellanforderung oder sogar als Bestellung), braucht eine weitere Integration. Viele Teams lösen das pragmatisch: tägliche E-Mail mit den Vorschlägen, Einkäufer klickt in 15 Minuten durch und bestätigt. Nicht sexy, aber funktioniert.

Faustregel Integrationsdauer: 4 Wochen für ein sauber strukturiertes ERP mit aktiver Datenpflege, 10–14 Wochen wenn das ERP historisch lückenhaft ist.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik läuft meist stabiler als die interne Akzeptanz.

Der erfahrene Einkäufer als Hürde. Wer seit 12 Jahren Papier für die Druckerei bestellt, hat ein feines Gespür entwickelt. Dieses Gespür schlägt das Modell in den ersten Wochen manchmal, weil er unausgesprochenes Wissen hat (Lieferant X ist derzeit bei Altpapierpreisen unter Druck, die liefern gerade schneller) das nie im ERP steht. Wenn das Modell dann einen anderen Vorschlag macht als sein Bauchgefühl, entsteht Misstrauen.

Das löst sich nicht durch Überreden, sondern durch gemeinsames Auswerten: Was empfahl das Modell, was hat der Einkäufer gemacht, was war das tatsächliche Ergebnis? Nach 2–3 Monaten zeigt diese Auswertung oft, dass das Modell im Durchschnitt besser lag, selbst wenn es einzelne Ausnahmen gab, wo der Einkäufer richtig lag. Das baut Vertrauen.

Der Sonderauftrag als Störfaktor. Eine Druckerei bekommt einen einmaligen Großauftrag, der 3 Tonnen Spezialkarton benötigt. Das Modell interpretiert diesen Peak als Nachfragesignal und erhöht danach den Sicherheitsbestand für diese Sorte, obwohl der Auftrag einmalig war. Gegenmaßnahme: Einmalige Großaufträge als Ausreißer markieren, damit das Modell sie aus dem Trendtraining ausschließt. Die meisten Systeme unterstützen das; es muss aber aktiv getan werden.

Was realistisch passiert nach 12 Monaten: Wer das System konsequent nutzt und pflegt, sieht nach 6–12 Monaten: weniger Expresslieferungen, niedrigerer Durchschnittsbestand, mehr Vertrauen in die Bestellentscheidungen. Was nicht passiert: Papierkosten sinken nicht dauerhaft (das ist Marktpreisthema), der Einkaufsprozess läuft nicht komplett automatisch, und das System übernimmt keine Verantwortung für Lieferantenentscheidungen.

Realistischer Zeitplan mit Risikohinweisen

Realitätscheck: In Projekten, wo das ERP erst seit 2–3 Jahren aktiv genutzt wird, verschiebt sich die Datenbereinigungs-Phase auf 6–8 Wochen. In solchen Fällen ist der Zeitplan eher 20–24 Wochen bis zum stabilen Produktivbetrieb.

Häufige Einwände, und was dahintersteckt

„Wir haben ja schon Mindestbestände im ERP hinterlegt.” Statische Mindestbestände sind ein Werkzeug der 1980er Jahre, sie ignorieren saisonale Schwankungen, Lieferzeiten-Variabilität und die tatsächliche Nachfragestreuung. Ein statischer Mindestbestand von 5 Paletten 115 g/m² ist für September zu wenig und für Februar zu viel. Das Prognosemodell berechnet dynamische Bestände, die sich monatlich oder wöchentlich anpassen.

„Das Papier ist sowieso immer unterschiedlich, wir können das nicht vorhersagen.” Stimmt für einmalige Sonderaufträge. Aber 80 % des Umsatzes einer Akzidenzdruckerei stammt aus wiederkehrenden Aufträgen (Kataloge, Jahresberichte, Standardflyer) mit ähnlichem Materialbedarf. Für dieses Standardgeschäft ist die Vorhersagegenauigkeit gut. Die 20 % Sonderaufträge brauchen weiterhin menschliches Urteilsvermögen.

„Wir sind zu klein für so ein System.” Richtig, für EazyStock oder Slim4. Nicht richtig für Excel + Power BI. Der datenbasierte Ansatz (ABC-Analyse, Sicherheitsbestandsformel, Bestellpunktberechnung) funktioniert auch in einer 8-Personen-Druckerei, ohne Lizenzkosten, wenn jemand die Formeln einmal einrichtet. Der Aufwand ist überschaubar; der Nutzen ist dieselbe Logik wie bei den großen Tools.

„Papierpreise schwanken zu stark, das macht Prognosen sinnlos.” Das Modell prognostiziert die Menge, nicht den Preis. Preisschwankungen bei Papier beeinflussen die Kauf-Timing-Entscheidung (mehr kaufen wenn Preis niedrig), das ist eine separate Entscheidung, die das Bestandsoptimierungsmodell nicht trifft. Für die Kapazitätsplanung und Kapitaleffizienz bleibt die Mengenoptimierung sinnvoll, unabhängig vom aktuellen Preisniveau.

Woran du merkst, dass das zu dir passt

• Ihr kauft dieselben 5–30 Papiersorten wiederkehrend und die Bestellentscheidungen basieren gerade mehr auf Bauchgefühl und Sicherheitspuffer als auf systematischer Analyse
• Ihr habt in den letzten 12 Monaten mindestens zweimal Expresszuschläge gezahlt, weil eine Papiersorte nicht da war, die für einen Auftrag gebraucht wurde
• Eure Papierkosten machen mehr als 25 % des Umsatzes aus, bei vielen deutschen Druckereien sind es 30–34 %
• Eure Auftragshistorie liegt seit mindestens 18 Monaten in einem ERP oder Warenwirtschaftssystem, nicht hauptsächlich in Excel-Tabellen einzelner Mitarbeitender
• Ihr habt einen Einkäufer oder Betriebsleiter, der regelmäßig Zeit mit Lagerinventur und Bestellplanung verbringt und das als Ärgernis empfindet

Drei harte Ausschlusskriterien:

1. Unter 15 Mitarbeitende und unter 200.000 Euro jährliche Papierkosten. Für diesen Betrieb ist der Aufwand für ERP-Anbindung und Modellpflege nicht durch die erzielbaren Einsparungen gedeckt. Ein einmaliger Workshop zur Einführung von ABC-Analyse und Sicherheitsbestandsformeln in Excel bringt 70 % des Effekts zu 5 % des Aufwands, das ist der richtige Einstieg.

2. Kein ERP oder keine systematisch gepflegte Auftragshistorie der letzten 18 Monate. Ein Prognosemodell, das auf unvollständigen oder nicht digitalisierten Verbrauchsdaten trainiert wird, gibt unzuverlässige Empfehlungen, und ein falsches Sicherheitsgefühl, das gefährlicher ist als kein System. Erst die Datengrundlage schaffen, dann das Modell.

3. Überwiegend kundenspezifische Sonderaufträge ohne Wiederholungscharakter. Druckereien, die hauptsächlich einmalige Kunstdrucke, Spezialpapiere und maßgeschneiderte Materialien verarbeiten, haben kaum wiederkehrende Muster, das Modell hat dann zu wenig stabile Vergangenheit, um valide Prognosen zu erstellen. In diesem Fall ist eine per-Auftrag-Beschaffung (Bestellung erst nach Auftragseingang) sinnvoller als eine Lagervorhaltstrategie.

Das kannst du heute noch tun

Starte mit einer Bestandsanalyse deiner Top-10-Papiersorten, das kostet keine Software.

Exportiere aus deinem ERP oder deinen Bestelldaten der letzten 12 Monate: für jede der 10 meistverbrauchten Papiersorten, Bestellmenge pro Monat, Verbrauch pro Monat (wenn vorhanden), aktueller Bestand, Lieferzeit. Trage das in eine Tabelle ein und berechne für jede Sorte: Wie viele Wochen Vorrat hast du im Durchschnitt gehalten? Wie oft war der Bestand unter 2 Wochen? Wie oft über 8 Wochen?

Diese einfache Analyse zeigt dir in einer Stunde, bei welchen Sorten du systematisch überbevorratet und bei welchen du gefährlich knapp wirst, ohne irgendeine Software.

Für den nächsten Schritt, Sicherheitsbestandsformel und Bestellpunkt-Berechnung für die kritischsten Sorten, nutze den folgenden Prompt:

Quellen & Methodik

• Papierkosten 34 % des Umsatzes: Apenberg & Partner, „Konsequenzen der steigenden Papier- und Energiepreise für Unternehmen der Druckindustrie” (April 2022), apenberg.de, erfahrungsgemäß weiterhin zutreffend für die aktuelle Kostenstruktur.
• MPP eG KI-Praxisprojekt Druckbranche: Mittelstand-Digital Zentrum Zukunftskultur, „Gemeinsam in die Zukunft: Wie ein Netzwerk KI-Kompetenz in der Druckbranche stärkt” (2025), digitalzentrum-zukunftskultur.de, unternehmensübergreifendes Lernprojekt mit mehreren Druckbetrieben verschiedener Digitalisierungsreife.
• Bestandschaos und Umsatzverluste: LinkedIn/Branchenanalyse Papier- und Druckverarbeitung: ca. 25 % der Betriebe kämpfen mit Bestandschaos, durchschnittlich 15 % Umsatzverlust durch ineffiziente Lagerhaltung (paper-packaging-industry-tackle-inventory-chaos-erp-efficiency, 2024).
• Konzept-Drift in Demand-Forecasting-Modellen: DriftGuard-Framework, arxiv.org (Januar 2025), Dokumentation, wie Forecasting-Modelle ohne Drift-Erkennung nach 3–6 Monaten 12–20 % Überschuss-Lagerkosten erzeugen.
• ERP-Implementierungsrisiken: Gartner-Schätzung: 55–75 % aller ERP-Implementierungen verfehlen ihre Ziele; spezifisch für Druckbranche: 70 % der Betriebe kämpfen mit fragmentierten Legacy-Systemen (sabrelimited.com/blogs/erp-for-printing-industry-challenges, 2024).
• Preisinformationen Tools: EazyStock (Stand April 2026, verifiziert); Netstock (Marktschätzungen aus Community-Quellen, da keine öffentliche Preisliste vorhanden); Slimstock (Stand April 2026, verifiziert); Power BI Pro (Microsoft, öffentliche Preisliste).
• Sicherheitsbestandsformel: Standard-Formel aus dem Operations-Management (Hadley/Whitin-Modell für Sicherheitsbestand, EOQ-Formel nach Harris/Wilson). Keine proprietäre Methode.

Du willst wissen, welche eurer Papiersorten das größte Optimierungspotenzial haben und wie reif eure Datenbasis für ein KI-Modell ist? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.