Lagerbestandsoptimierung

Das echte Ausmaß des Problems

Lager ist gebundenes Kapital. Und gebundenes Kapital kostet, selbst wenn es still im Regal liegt. Ein Lagerkostensatz von 20 bis 30 Prozent des Warenwertes pro Jahr ist eine verbreitete Faustregel, keine Messung. Er umfasst Miete, Energie, Personal, Schwund, Versicherung und die Kapitalkosten des gebundenen Geldes. Ein Shop mit 500.000 Euro Lagerbestand trägt damit rechnerisch 100.000 bis 150.000 Euro pro Jahr. Rechne deinen eigenen Satz aus, und trenn dabei, was mit dem Bestand sinkt (Kapitalzins, Schwund, Versicherung) und was fix bleibt, solange du die Fläche behältst (Miete, Personal).

Das Gegenproblem ist genauso teuer: Stockouts. Wie viele Kunden bei einem ausverkauften Artikel zum Wettbewerb gehen, statt zu warten oder Ersatz zu nehmen, ist für deutsche Onlineshops nicht belastbar gemessen. Deinen eigenen Wert zeigt dein Shop: Wie viele Besucher landen auf ausverkauften Produktseiten, und wie viele davon kaufen in derselben Sitzung etwas anderes? Im Weihnachtsgeschäft kann ein einzelner Stockout auf einer Bestseller-SKU an einem einzigen Tag tausende Euro Umsatz kosten.

Die Ursache liegt fast immer in denselben Mustern: Nachbestellungen werden nach Gefühl und Erfahrung getätigt, statt auf Basis von Daten. Saisonalität wird pauschalisiert statt pro Artikel modelliert. Promotions werden nicht in die Bestandsplanung einbezogen. Externe Signale, ein viraler Social-Media-Post, ein Magazin-Artikel, eine Hitzewelle, bleiben unberücksichtigt. Ab etwa 500 SKUs übersteigt die Komplexität, was ein Mensch sinnvoll im Kopf behalten kann.

Anbieter von Prognosesoftware werben mit Abweichungen von ±5–15 % pro SKU gegenüber ±25–40 % bei Excel-Methoden, unabhängig geprüft ist das nicht. Bei Artikeln, die nur wenige Male im Monat verkauft werden, liegt jede Prognose weiter daneben, weil der Zufall bei kleinen Stückzahlen stärker durchschlägt. Das klingt technisch, bedeutet aber: deutlich weniger Überbestände, deutlich weniger Stockouts, deutlich weniger gebundenes Kapital.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Ein gut eingerichtetes Forecasting-System spart dem Einkauf 1–2 Stunden pro Woche an manueller Planungsarbeit, bei größeren Sortimenten deutlich mehr. Der Haupteffekt liegt aber nicht in der Zeitersparnis, sondern in der Qualitätsverbesserung: Das System trifft bessere Entscheidungen als manuelle Schätzungen, nicht nur schnellere.

Kosteneinsparung, hoch (4/5) Die finanzielle Wirkung ist erheblich: weniger gebundenes Kapital durch Überbestände, weniger Umsatzverlust durch Stockouts. Bei einem Shop mit 800.000 Euro Lagerbestand setzen 20 % weniger Durchschnittsbestand einmalig 160.000 Euro Kapital frei. Laufend spart das die Kapitalkosten darauf, bei 6 % Zins 9.600 Euro im Jahr, dazu anteilig Schwund und Versicherung. Miete und Lagerpersonal sinken erst, wenn du Fläche oder Stunden abbaust. Dazu kommt die Stockout-Prävention als Mehrumsatz, von dem der Deckungsbeitrag zählt.

Schnelle Umsetzung, niedrig (2/5) Das ist die ehrliche Einschränkung dieses Use Cases: Demand Forecasting braucht Daten. Mindestens 12 Monate Absatzhistorie pro SKU sind nötig für verlässliche Prognosen, 24–36 Monate für gute Saisonalitätserkennung. Dazu kommen Datenbereinigungs-Aufwand, Systemanbindung und Kalibrierung. Von der Entscheidung bis zu verlässlichen Prognosen vergehen realistisch 6–10 Wochen. Das ist deutlich langsamer als der Chatbot-Kundenservice oder die Suchoptimierung.

ROI-Sicherheit, hoch (4/5) Lagerbestand und Stockout-Rate sind messbar, der Vorher-Nachher-Vergleich ist klar. Einschränkung: Der ROI hängt stark von der Datenqualität ab. Wenn Absatzdaten Promotions, Ausverkäufe und Lieferausfälle nicht dokumentiert haben, sind Prognosen für diese Ausnahmesituationen unzuverlässig.

Skalierbarkeit, sehr hoch (5/5) Das System skaliert ohne proportionalen Mehraufwand. Ein System, das 500 SKUs prognostiziert, prognostiziert auch 5.000 SKUs, ohne neue Mitarbeitende einzustellen. Das macht diesen Use Case besonders attraktiv für wachsende Shops.

Richtwerte, stark abhängig von Sortimentsgröße, Saisonalität und Datenqualität.

Was das System konkret macht

Predictive Analytics-Modelle für das Demand Forecasting sind keine Black Box, sie folgen einem klaren Prozess:

Schritt 1, Absatzhistorie bereinigen Das Modell startet mit dem Export der Verkaufsdaten aus dem Shopsystem, idealerweise 24–36 Monate Absatzhistorie pro Artikel. Diese werden auf Ausreißer bereinigt (Rabattaktionen, Ausverkäufe, fehlerhafte Buchungen) und mit Kalenderinformationen (Feiertage, saisonale Peaks, eigene Promotions) angereichert.

Schritt 2, SKU-Muster modellieren Das Modell lernt die Absatzmuster jeder SKU: Saisonalität, Wochentags-Effekte, Promotionshistorie, Wiederkaufraten. Moderne Ansätze mit Gradient Boosting oder probabilistischen Modellen (Prophet, DeepAR) erzeugen für jede SKU eine Absatzprognose für die nächsten 4–12 Wochen, inklusive Konfidenzintervall.

Schritt 3, Nachbestellvorschläge generieren Auf Basis der Prognose, aktueller Bestände, Lieferzeiten und gewünschtem Sicherheitsbestand generiert das System konkrete Bestellvorschläge: „SKU-4821: 240 Einheiten, spätester Bestelltermin 15. März.” Ein Mensch entscheidet, ob der Vorschlag bestätigt wird, das System liefert die Datenbasis.

Schritt 4, Laufende Kalibrierung Das Modell aktualisiert Prognosen wöchentlich mit neuen Verkaufsdaten. Bei unerwarteten Peaks (viraler Post, Medienerwähnung) oder Tälern (Produktersatz angekündigt) werden Alerts ausgelöst, die manuelles Eingreifen erfordern.

Konkrete Werkzeuge

Inventory Planner , verbreitete E-Commerce-Lagerplanung von Sage mit nativer Shopify- und WooCommerce-Integration. Automatische Nachbestellvorschläge, Saisonalitätserkennung, Multi-Standort-Unterstützung. Keine Listenpreise, laut Nutzerberichten beginnt der Einstieg bei etwa 300 bis 500 US-Dollar im Monat, unbegrenzte Nutzer inklusive. Ein guter Einstieg für mittelgroße Shops ohne eigenes Tech-Team.

Linnworks , Kombiniert Order Management, Multichannel-Verkauf und Lagerverwaltung. Forecasting als Zusatzmodul, sinnvoll, wenn ihr gleichzeitig Amazon, eBay und eigenen Shop verwaltet. Keine öffentlichen Preise, abgerechnet wird nach Bestellvolumen, dazu kommt eine einmalige Onboarding-Gebühr.

Brightpearl , Umfangreichere Handelssoftware mit eingebautem Demand-Forecasting für Omnichannel-Händler mit stationärem Handel und E-Commerce parallel. Skalierbar auf komplexere Sortimentstrukturen. Preisgestaltung auf Anfrage.

Relex Solutions , Enterprise-Lösung für komplexe Lagernetzwerke mit mehreren Standorten und sehr großen Sortimenten. Stärker im Retail- als im reinen E-Commerce-Bereich. Keine öffentlichen Preise, laut unserer Toolseite typisch fünf- bis sechsstellig im Jahr plus Implementierung, realistisch nur für große Händler.

Julius AI , Für Shops, die ihre Absatzdaten als Excel-Export haben: Julius AI kann natürlichsprachige Analyse durchführen und erste Absatzprognosen erstellen, ohne technische Integration. Gut als Einstieg zur Validierung, ob KI-Forecasting für den eigenen Shop sinnvoll ist. Kostenloser Einstieg, der Plus-Plan kostet 20 USD/Monat.

Zusammenfassung: Wann welcher Ansatz

• Shopify/WooCommerce, bis 5.000 SKUs → Inventory Planner
• Multichannel (eigener Shop + Amazon + eBay) → Linnworks
• Omnichannel mit stationärem Handel → Brightpearl
• Manuelle Einstiegsanalyse ohne Integration → Julius AI
• Enterprise, komplexe Lagernetzwerke → Relex Solutions

Datenschutz und Datenhaltung

Demand Forecasting verarbeitet ausschließlich interne Verkaufsdaten, keine personenbezogenen Kundendaten. Die DSGVO-Relevanz ist daher gering, solange keine Kundendaten in das Modell fließen. Inventory Planner gehört zum britischen Sage-Konzern und nennt keine feste Hosting-Region, Linnworks sitzt in Großbritannien und überträgt Daten laut Datenschutzerklärung auch in die USA und nach Estland. Ein AVV ist dennoch empfehlenswert, weil im Zuge der Shopanbindung auch Bestelldaten übertragen werden können, die indirekt Kundenbezug haben. Alle genannten Anbieter stellen AVV-Vorlagen bereit.

Was es kostet, realistisch gerechnet

Einstieg (Inventory Planner, bis 5.000 SKUs)

• Toolkosten: keine Listenpreise, laut Nutzerberichten etwa 300 bis 500 US-Dollar im Monat
• Einrichtung: 1 Woche (Datenexport, Tool-Konfiguration, erste Prognosen validieren)
• Ergebnis: Sofort nutzbare Nachbestellvorschläge, deutliche Reduktion von Überbestellungen

Skaliert (Linnworks oder Brightpearl, komplexes Sortiment)

• Preise nur auf Anfrage, beide veröffentlichen keine Listen; Linnworks rechnet nach Bestellvolumen plus Onboarding-Gebühr
• Implementierung: 2–4 Wochen (ERP-Anbindung, Lieferantendaten, Kalibrierung)
• Ergebnis: automatisierte Nachbestellvorschläge über alle Kanäle; die Prognosegenauigkeit misst du selbst gegen den tatsächlichen Absatz

ROI-Beispiel: Händler mit 800.000 Euro Lagerbestand und 3 Mio. Euro Jahresumsatz. Annahme, keine Messung: KI-Optimierung senkt den durchschnittlichen Bestand um 20 % auf 640.000 Euro. Das setzt einmalig 160.000 Euro Kapital frei. Laufend spart es die Kapitalkosten darauf, bei angenommenen 6 % Zins 9.600 Euro im Jahr, dazu anteilig Schwund, Versicherung und Abschriften. Miete, Energie und Lagerpersonal sinken erst, wenn du Fläche kündigst oder Stunden abbaust. Rechnet man den vollen Lagerkostensatz von 25 % an, wären es 40.000 Euro (160.000 mal 25 %), das ist die Obergrenze, nicht der Normalfall.

Zweite Annahme: Die Stockout-Rate sinkt von 8 auf 2 %. Rechnen wir damit, dass dadurch 90.000 Euro Umsatz (3 % von 3 Mio.) auf dem Spiel standen und die Hälfte bis 60 % davon zurückkommen, weil der Rest ohnehin gewartet oder Ersatz gekauft hätte: 45.000 bis 54.000 Euro Mehrumsatz. Bei 25 % Deckungsbeitrag nach Wareneinsatz, Versand und Retouren bleiben 11.250 bis 13.500 Euro.

Zusammen ergibt das rund 21.000 bis 23.000 Euro im Jahr; rechnet man die volle Lagerkosten-Einsparung an, höchstens rund 53.500 Euro. Dagegen stehen bei Inventory Planner laut Nutzerberichten 12 mal 300 bis 500 US-Dollar im Jahr.

Vier typische Einstiegsfehler

Fehler 1, Mit schlechter Datenlage starten Wer seine Absatzdaten in einem System hat, das Promotions, Ausverkäufe und Systemwechsel nicht sauber dokumentiert hat, füttert das Modell mit verzerrten Signalen. Das Ergebnis sind Prognosen, die für Artikel mit Sonderhistorie systematisch falsch liegen. Ein Datenbereinigungs-Sprint vor dem Modell-Setup ist keine optionale Pflicht, er entscheidet über die Qualität der ersten 6 Monate.

Fehler 2, Das Modell ohne Mensch laufen lassen KI-Forecasting ist kein Autopilot. Das System kennt keine geplanten Promotions, keinen angekündigten Lieferantenengpass, keine bevorstehende Influencer-Kooperation. Wer diese Informationen nicht manuell einpflegt oder die KI-Vorschläge blind bestätigt, bekommt Prognosen, die an realen Ereignissen vorbeigehen. Die beste Konfiguration: KI macht den Vorschlag, Einkäufer prüft und ergänzt.

Fehler 3, Neue Produkte ohne Absatzhistorie ins System werfen Für neue Artikel ohne Verkaufsdaten kann das Modell keine verlässliche Prognose liefern, es hat keine Grundlage. Wer diese Artikel trotzdem einbindet, bekommt Nachbestellvorschläge, die auf statistischem Rauschen basieren. Die richtige Vorgehensweise: Neue Artikel in den ersten 8–12 Wochen manuell prognostizieren, danach in das Modell übergeben.

Fehler 4, Lieferzeiten und Sicherheitsbestand nie aktualisieren Demand-Forecasting-Systeme rechnen mit festen Parametern: Lieferzeit pro Lieferant, Sicherheitsbestandspuffer pro Kategorie. Diese Werte ändern sich, Lieferanten werden gewechselt, neue Märkte kommen dazu, saisonale Peaks verschieben sich. Ein System, das mit veralteten Parametern rechnet, liefert präzise Prognosen auf falschen Grundlagen. Mindestens einmal pro Quartal sollten Lieferzeiten validiert und Sicherheitsbestände an das aktuelle Absatzniveau angepasst werden.

Was mit der Einführung wirklich passiert, und was nicht

Der technische Einstieg verläuft meist reibungslos, ein Datenexport, eine Shopanbindung, erste Prognosen innerhalb von einer Woche. Das überraschende Problem taucht danach auf: Das Vertrauen der Einkäufer.

“Ich kenne mein Sortiment besser als jedes Programm” ist eine häufige Reaktion, die aus nachvollziehbarem Erfahrungsstolz kommt. Das stimmt für qualitative Einschätzungen, Trendentwicklungen, Lieferantenverhandlungen, Produktstrategie. Es stimmt nicht für das gleichzeitige Jonglieren mit 2.000 SKUs über mehrere Saisonkurven hinweg. Die Überzeugungsarbeit funktioniert am besten durch direkte Vergleiche: Welche Prognose lag näher an der Realität, das Modell oder die manuelle Schätzung? Nach 3–4 Zyklen entsteht das Vertrauen von selbst.

Zweites typisches Problem: Saisonale Events müssen manuell eingesteuert werden. Black Friday, Weihnachten, eigene Sale-Aktionen, das Modell kann diese Peaks nicht allein vorhersagen, wenn sie keine historische Entsprechung haben. Ein Planungs-Kalender, der regelmäßig ins Forecasting-Tool übertragen wird, ist keine Kür, sondern Voraussetzung für gute Ergebnisse.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser Einkäufer kennt das Sortiment besser als jede KI.” Das stimmt für die Interpretation von Marktinformationen, neue Trends, Lieferantenprobleme, geplante Promotions. Es stimmt nicht für das Rechnen mit Wahrscheinlichkeiten über Hunderte von SKUs gleichzeitig. Ein Mensch kann 10–20 Artikel gut im Kopf behalten. Ein Forecasting-System optimiert 10.000 SKUs gleichzeitig, ohne eine zu vergessen. Die beste Kombination: KI-Vorschlag plus menschliche Anpassung bei Ausnahmen.

„Wir haben nicht genug Absatzhistorie für verlässliche Prognosen.” Für aussagekräftige Saisonalitätserkennung braucht man 2–3 Jahre Daten. Für einfaches Absatz-Forecasting reichen 12 Monate. Darunter lohnen sich regelbasierte Ansätze: Sicherheitsbestände nach Durchschnitt der letzten 90 Tage, Nachbestellpunkte auf Basis von Lieferzeit plus Puffer. Das ist kein KI-Ansatz, aber deutlich besser als Bauchgefühl.

„Was passiert, wenn das System falsch liegt?” Fehlprognosen passieren, das ist unvermeidlich. Der Unterschied zum Status quo: Das System liegt systematisch falsch, nicht zufällig. Das heißt: Fehler sind identifizierbar, analysierbar und durch Konfigurationsanpassung reduzierbar. Bauchgefühl liegt ebenfalls falsch, aber ohne Nachvollziehbarkeit und ohne Lerneffekt.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du mehr als 200 aktive SKUs hast und die manuelle Nachbestellplanung zeitaufwendig ist
• Stockouts kommen mindestens einmal pro Quartal auf gut laufenden Produkten vor
• Saisonale Peaks (Weihnachten, Sommergeschäft) hinterlassen regelmäßig entweder Überbestände oder Stockouts
• Dein Shopsystem hat Absatzdaten für mindestens 12 Monate

Das passt noch nicht zu dir, wenn:

• Dein Sortiment hat weniger als 100 SKUs, manuelle Planung ist noch praktikabel und günstiger
• Du weniger als 12 Monate homogene Verkaufsdaten hast, das Modell hat keine Grundlage
• Dein Sortiment wechselt sehr häufig (z. B. Modeshop mit vielen Einmalsaisonartikeln), Forecasting funktioniert nur für Artikel mit Wiederholungskäufen

Das kannst du heute noch tun

Exportiere die Absatzdaten der letzten 12 Monate aus deinem Shopsystem. Importiere sie in eine Tabellenkalkulation und berechne für deine 50 umsatzstärksten Artikel die Stockout-Tage (Tage mit Bestand 0) sowie die Durchschnittsreichweite deiner aktuellen Bestände. Stockout-Tage mal durchschnittlicher Tagesabsatz mal Deckungsbeitrag je Stück ergibt grob die Marge, die dir fehlt. Liegt sie im Jahr deutlich über den Toolkosten, lohnt sich ein genauerer Blick auf ein Forecasting-Tool.

Quellen & Methodik

• Prognosegenauigkeit ±5–15 % gegenüber ±25–40 %: Anbieterangaben, unabhängig nicht verifiziert.
• Tool-Preise und Datenhaltung: laut unseren Toolseiten zu Inventory Planner, Linnworks, Brightpearl und RELEX (Stand Juni und Juli 2026). Inventory Planner veröffentlicht keine Preise, die Spanne stammt aus Nutzerberichten.
• Annahmen dieser Seite: 20 % weniger Bestand, 6 % Kapitalzins, 25 % Lagerkostensatz, der Rückgang der Stockout-Rate und 25 % Deckungsbeitrag im Rechenbeispiel sind Annahmen, keine Messung. Setz deine eigenen Werte ein.