Bestandsoptimierung mit KI

Das echte Ausmaß des Problems

Zu viel Lager kostet Geld, das du nicht siehst. Lagerhaltungskosten in Deutschland liegen je nach Branche und Lagertyp zwischen 15 und 30 Prozent des Lagerwertes pro Jahr — das umfasst Mietkosten, Versicherung, gebundenes Kapital, Abschreibungen auf Überbestände und Entsorgungskosten für abgelaufene oder modisch veraltete Ware. Bei einem Händler mit 200.000 Euro Lagerbestand sind das 30.000 bis 60.000 Euro jährliche Lagerkosten — unabhängig davon, ob diese Ware tatsächlich nachgefragt wird.

Zu wenig Lager kostet Umsatz, den du siehst. Laut einer Studie des Kölner Institut für Handelsforschung (IfH) verlieren stationäre und Online-Händler in Deutschland jährlich 5 bis 8 Prozent ihres potenziellen Umsatzes durch Out-of-Stock-Situationen. Kunden, die ein Produkt nicht bekommen, kaufen entweder woanders oder kehren nicht zurück. In Kategorien mit hohem Wettbewerb (Elektronik, Mode, Sportartikel) ist die zweite Reaktion häufig die erste: Ein Amazon-Listing mit der Meldung „Derzeit nicht verfügbar” verliert innerhalb von Tagen an Ranking.

Das eigentliche Problem bei der Bestandsplanung ist die Komplexität. Einfache Forecasting-Methoden (gleicher Monat Vorjahr + X Prozent Wachstum) funktionieren nicht, sobald mehrere Faktoren gleichzeitig wirken: eine Marketingkampagne läuft, ein saisonaler Trend beginnt, ein Wettbewerber ist gerade out-of-stock, das Wetter begünstigt bestimmte Produktkategorien. Die manuelle Abschätzung dieser Faktoren ist aufwendig und fehleranfällig. KI-Modelle können diese Faktoren gleichzeitig verarbeiten und sind konsistent besser als manuelle Prognosen.

So funktioniert es in der Praxis

Schritt 1 — Historische Verkaufsdaten aufbereiten Das Fundament guter Bestandsprognosen sind saubere Verkaufsdaten: tägliche oder wöchentliche Absatzzahlen pro SKU (Artikelnummer), idealerweise über 12 bis 24 Monate. Diese Daten kommen aus dem ERP-System, Shop-Backend oder Marktplatzsystem. KI-Prognosemodelle lernen aus diesen Daten, welche Muster sich wiederholen — saisonale Zyklen, Wochentag-Effekte, Trend-Komponenten.

Schritt 2 — Externe Faktoren als Modell-Inputs hinzufügen Gute Forecasting-Modelle berücksichtigen nicht nur die eigene Verkaufshistorie. Externe Signale verbessern die Genauigkeit erheblich: Wetterprognosen für wetterabhängige Produkte (Grills, Regenjacken, Skier), Google-Trends-Daten für modische Kategorien, geplante Marketingkampagnen, Feiertage und Schulferien, Wettbewerber-Out-of-Stock-Signale.

Schritt 3 — Bestellmengen und -zeitpunkte berechnen Das Modell gibt konkrete Handlungsempfehlungen: „SKU #4521: Bestellpunkt in 12 Tagen, empfohlene Bestellmenge 450 Einheiten basierend auf prognostizierter Nachfrage und Lieferzeit.” Diese Empfehlungen ersetzen nicht das Urteil des Einkäufers, aber sie geben eine datenbasierte Grundlage statt eines Bauchgefühls.

Schritt 4 — Sicherheitsbestand und Lieferantenrisiko einrechnen Das System berücksichtigt Lieferzuverlässigkeit: Lieferant A liefert konsistent innerhalb von 7 Tagen, Lieferant B schwankt zwischen 5 und 21 Tagen. Dieser Unterschied beeinflusst den notwendigen Sicherheitsbestand. Wer das nicht systematisch modelliert, hält zu viel Puffer bei zuverlässigen Lieferanten und zu wenig bei unzuverlässigen.

Welche Tools passen hierzu

Inventory Planner — Spezialisiertes Bestandsplanungstool für E-Commerce: direkte Shopify- und WooCommerce-Integration, automatische Bestellmengen-Empfehlungen, Saisonalitäts-Berücksichtigung. Ab ca. 100 Dollar/Monat. Besonders stark für Händler mit 500+ SKUs.

Linnworks — Inventory-Management und Order-Management in einem: Bestandsprognosen, automatische Nachbestellauslöser und Multi-Channel-Synchronisation (Amazon, Shopify, eBay). Ab ca. 500 Dollar/Monat für mittelgroße Händler.

Julius AI — Für Händler ohne ERP-Integration: Verkaufsdaten als CSV hochladen, Prognosen für die nächsten 4 bis 12 Wochen per Chat-Anfrage erstellen. Keine automatische Integration, aber flexibel und günstig als Einstieg. Ab 20 Dollar/Monat.

Power BI — Für eigene Dashboards: Verkaufsdaten, Lagerbestand und Prognosen visualisieren, Out-of-Stock-Risks farblich markieren, Bestandsauslastung nach Lagerbereich analysieren. Kostenlos bis 10 Euro/Nutzer/Monat.

make.com — Für automatisierte Warnungen: Wenn der Bestand eines Produkts unter einen definierten Schwellenwert fällt, wird automatisch eine Benachrichtigung oder eine Bestellanfrage ausgelöst. Einfach umzusetzen, ohne ERP-Anpassung.

ChatGPT — Als Analyse-Assistent: Exportierte Verkaufsdaten hochladen, nach saisonalen Mustern fragen, erste Prognosen für Planingszwecke erhalten. Kein Produktionssystem, aber gut für explorative Analysen.

Was es kostet — realistisch gerechnet

Einstieg (Julius AI + manuelle Datenexporte)

• Julius AI: 20 Dollar/Monat
• Einrichtungsaufwand: 2–3 Stunden für Datenaufbereitung und erste Analysen
• Ergebnis: Datenbasierte Bestellmengenempfehlungen statt Bauchgefühl, ohne ERP-Integration

Skaliert (Inventory Planner mit Shop-Integration)

• Inventory Planner: ab ca. 100 Dollar/Monat
• Direkte Shopify/WooCommerce-Anbindung, automatische Bestellvorschläge
• Einrichtungsaufwand: 1 Tag inkl. Datensynchronisation und Konfiguration

ROI-Beispiel: Händler mit 500 SKUs, 400.000 Euro Jahresumsatz, aktueller Lagerbestand 80.000 Euro. Durch KI-gestützte Optimierung: Lagerbestand auf 65.000 Euro reduziert (15.000 Euro weniger gebundenes Kapital), Out-of-Stock-Situationen von 8 auf 3 pro Monat reduziert (5 × durchschnittlich 500 Euro Umsatzverlust = 2.500 Euro/Monat gespart). Jahreseffekt: 15.000 Euro freigesetztes Kapital + 30.000 Euro gesicherter Umsatz. Tool-Kosten: 1.200 Euro/Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datenqualitäts-Audit	Woche 1	Historische Verkaufsdaten prüfen: Vollständigkeit, Konsistenz, Ausreißer bereinigen	Datenlücken durch System-Migration — lückenhafte Historien liefern unzuverlässige Prognosen
Modell-Setup & erste Prognosen	Woche 1–2	Tool konfigurieren, erste Prognosen gegen bekannte Vergangenheitsdaten testen	Prognosen weichen stark ab — oft Saisonalität falsch konfiguriert, Erstjahr braucht Anpassung
Pilotphase (Teilsortiment)	Monat 1	Mit 50–100 Top-SKUs starten, Prognose gegen manuelle Schätzung vergleichen	Team vertraut den Prognosen nicht — Parallelbetrieb mit manuellen Checks
Vollintegration	Monat 2–3	Alle SKUs im System, automatische Bestellwarnungen aktiv	Zu viele Warnungen bei ungenauen Prognosen — Toleranzschwellen kalibrieren
Kontinuierliche Verbesserung	Laufend	Prognosegenauigkeit monatlich überprüfen, Modell mit neuen Daten verbessern	Saisonale Ausreißer (unerwarteter Trend) — manuell im System als Sonderfall markieren

Häufige Einwände

„Unser Einkäufer kennt das Sortiment besser als jede KI.” Wahrscheinlich stimmt das für die Top-50-SKUs. Aber ein Sortiment mit 500 oder 5.000 Produkten kann kein Mensch vollständig im Kopf halten — mit allen saisonalen Mustern, Lieferzeitvariablen und Wettbewerbssignalen gleichzeitig. KI ersetzt das Produktwissen des Einkäufers nicht, sondern gibt ihm einen strukturierten Ausgangspunkt für die schwierigen Fälle, damit er Energie auf die richtigen Entscheidungen lenkt.

„Wir haben zu wenig Datenhistorie für Prognosemodelle.” Für verlässliche saisonale Muster braucht man mindestens 12 Monate. Mit weniger ist Forecasting unsicher. Aber selbst mit 6 Monaten Daten lassen sich Wochentagsmuster und Trendkomponenten extrahieren, die besser sind als keine Analyse. Und: Die Daten wachsen — wer heute anfängt, hat in einem Jahr einen Vorsprung.

„Unsere Lieferzeiten schwanken zu stark für verlässliche Prognosen.” Genau für dieses Problem gibt es Sicherheitsbestandsmodelle. Das Modell lernt aus historischen Lieferzeiten, welche Lieferanten zuverlässig sind und welche nicht — und berechnet entsprechend unterschiedliche Puffer. Schwankende Lieferzeiten sind kein Argument gegen Prognosemodelle, sondern einer der Hauptgründe dafür.