KI-gestützte Bestandsoptimierung

Das echte Ausmaß des Problems

Zu viel Bestand und zu wenig Bestand kosten beide Geld — auf unterschiedliche Weise. Überbestand bindet Kapital, erzeugt Lagerkosten, verursacht Abschriften und Rabattaktionen, die die Marge zerstören. Unterbestand bedeutet entgangene Umsätze, frustrierte Kunden und Wettbewerbsverlust.

Laut McKinsey-Analyse aus dem Handel (2024) haben typische mittelständische Einzelhändler:

• 15–25 % ihres Umsatzes in zu hohem Bestand gebunden — Kapital, das nicht arbeitet
• Out-of-Stock-Raten von 5–10 % der SKUs zu jedem Zeitpunkt — jedes fehlende Produkt kostet Umsatz
• Abschriften von 2–8 % des Einkaufswertes durch nicht verkaufte Saisonsware

Für einen Händler mit 2 Millionen Euro Jahresumsatz bedeutet das im ungünstigsten Szenario: 80.000 Euro Abschriften, 100.000–200.000 Euro gebundenes Kapital in Überbestand, und 80.000–120.000 Euro entgangener Umsatz durch Fehlbestände. Das sind Größenordnungen, bei denen jede Verbesserung um 10–15 % erheblichen Wert schafft.

Das Problem hat eine strukturelle Ursache: Manuelle Disposition kann nicht alle Signale gleichzeitig verarbeiten — Wettervorhersagen, Wettbewerbsaktionen, regionale Unterschiede, Kanal-Mix, Saisonverschiebungen, Trendentwicklungen. KI-Modelle können das.

Mit vs. ohne KI — ein ehrlicher Vergleich

KI-Verbesserungswerte: Schätzwerte aus Praxisberichten von RELEX Solutions und EHI Retail Institute (2024).

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Dispositionsarbeit wird deutlich reduziert — von Stunden wöchentlich auf Prüfen und Freigeben von Bestellvorschlägen. Das ist real. Aber der Hauptnutzen liegt woanders: im freigelegten Kapital und in den verhinderten Abschriften. Zeitersparnis ist ein schöner Nebeneffekt, nicht der Hauptgrund.

Kosteneinsparung — sehr hoch (5/5) Kein anderer Anwendungsfall im Handel hat einen größeren absoluten Kostenhebel als Bestandsoptimierung. Gebundenes Kapital, Lagerkosten, Abschriften, Logistikkosten für Überbestände — das summiert sich schnell auf sechs- bis siebenstellige Beträge im Jahr. Eine 15-prozentige Verbesserung ist oft die größte Einzelmaßnahme, die ein Händler treffen kann.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist die schwierigste Implementierung in dieser Branche. Datenbereinigung, ERP-Integration, Modelltraining, Validierung, schrittweise Einführung: realistisch 3–6 Monate bis der erste SKU-Bereich produktiv läuft. Kein anderer Handel-Use-Case braucht so lange.

ROI-Sicherheit — hoch (4/5) Überbestand und Fehlbestand sind direkt messbar. Wenn du vor und nach der Einführung dieselben KPIs misst, kannst du den Effekt klar zuschreiben. Das macht den ROI-Nachweis vergleichsweise sicher.

Skalierbarkeit — hoch (4/5) Mehr SKUs, mehr Daten, mehr historische Signale verbessern das Modell. Keine proportionale Mehrarbeit beim Wachstum des Sortiments.

Richtwerte — stark abhängig von Datenqualität, ERP-Integration und Sortimentskomplexität.

Was KI in der Bestandsplanung konkret macht

Nachfrageprognose: Das Modell analysiert Verkaufshistorie auf Produkt-, Kategorie- und SKU-Ebene, erkennt Saisonmuster über mehrere Jahre, korrigiert für Sondereffekte (Aktionen, Ausverkäufe, COVID-Dellen) und generiert probabilistische Prognosen statt Punktschätzungen.

Externe Signale: Moderne Systeme integrieren Wettervorhersagen (relevant für Outdoor-Handel, Getränke, Saisonware), Google Trends, Wettbewerberpreise und regionale Ereignisse. Ein Sportgeschäft nahe einem Marathonlauf erfährt in der Woche vorher eine Nachfrageänderung — das System weiß das.

Automatische Bestellvorschläge: Das System berechnet optimale Bestellmengen und -zeitpunkte je SKU und übergibt sie zur Freigabe an den Disponenten. Dieser prüft die Vorschläge, korrigiert Ausnahmen und gibt frei — statt alles selbst zu berechnen.

Lagerraumoptimierung: Welche SKUs brauchen mehr Fläche, welche weniger? Welche schnelldrehenden Artikel sollten näher an der Kommissionierung stehen? KI kann auch die physische Lagerorganisation optimieren.

Konkrete Werkzeuge — was wann passt

RELEX — Marktführend für Lebensmittelhandel, Baumarkt, Konsumgüter. Sehr starke Saisonalitätserkennung, direkte ERP-Integration. Preis auf Anfrage — für Unternehmen ab ca. 30–50 Mio. Euro Jahresumsatz kalkulierbar. Implementierungszeit: 4–9 Monate.

Blue Yonder — stark im Mode- und Non-Food-Segment. Omnichannel-fähig, gute ML-Architektur. Preis auf Anfrage, ähnliches Segment wie RELEX. Laut Gartner 2024/2025 in User-Satisfaction knapp hinter RELEX, stärker bei großen Sortimenten.

Streamlit + Prophet (Open-Source) — für technisch affine Mittelständler ohne Budget für Enterprise-Systeme. Meta’s Prophet-Bibliothek läuft lokal, braucht Python-Kenntnisse, aber keine Cloud-Anbindung. Kostenfrei, aber erheblicher Einrichtungsaufwand. Für Shops mit weniger als 2.000 SKUs ein valider Einstieg.

Excel + ChatGPT-Analyse — der allereinfachste Einstieg: Historische Verkaufsdaten exportieren, mit KI nach Mustern fragen. Keine Integration, keine Automatisierung — aber als Diagnose-Schritt wertvoll, um zu verstehen, ob das Problem groß genug für eine echte Lösung ist.

Datenschutz und Datenhaltung

Bestandsoptimierung ist ein technischer Prozess ohne direkte Kundendaten — keine personenbezogenen Daten im Sinne der DSGVO. Verkaufsvolumina, SKU-Daten, Lieferzeitpunkte und Bestellhistorie sind keine personenbezogenen Daten. Das vereinfacht die Compliance erheblich.

Wenn du externe Signale integrierst, die von Drittanbietern kommen (Wetterdaten, Eventdaten), prüfe die Datenlizenz — nicht DSGVO-Thema, aber ein kommerzielles Recht-Thema.

Für SaaS-Anbieter wie RELEX: AVV-Abschluss Standard, Serverstandort EU in der Regel vorhanden.

Was es kostet — realistisch gerechnet

Einstieg (manuelle Analyse mit Datenexport):

• Tool-Kosten: 0–20 Euro/Monat (Analyse-Tools)
• Interner Aufwand: 2–3 Tage für Datenexport, Strukturierung, erste Muster identifizieren
• Ergebnis: Klarheit darüber, wo die größten Überbestands- und Fehlbestandsprobleme liegen

Mittelstufe (spezialisierte Middleware oder internes Modell):

• Entwicklungsaufwand: 15.000–50.000 Euro einmalig
• Laufende Kosten: 500–2.000 Euro/Monat (je nach Hosting und Tool)
• Implementierungszeit: 3–6 Monate

Enterprise (RELEX, Blue Yonder):

• Lizenzkosten: 50.000–250.000+ Euro/Jahr
• Implementierungskosten: 50.000–200.000 Euro einmalig
• Nur für Unternehmen mit ausreichend Skalierungspotenzial und internen Ressourcen

ROI-Beispiel (konservatives Szenario): Händler mit 5 Mio. Euro Einkaufsvolumen, 20 % Überbestandsquote = 1 Mio. Euro gebundenes Kapital. KI reduziert Überbestand um 20 % (Schätzwert aus Praxisberichten) → 200.000 Euro freies Kapital. Abschriften sinken von 4 % auf 2,5 % des Einkaufswerts → 75.000 Euro jährliche Einsparung. Fehlbestandsreduktion: 50.000 Euro entgangener Umsatz zurückgewonnen.

Drei typische Einstiegsfehler

1. Schlechte Datenqualität und dann hohe Erwartungen. Ein Forecast-Modell ist nur so gut wie die Verkaufsdaten, die es sieht. Wenn historische Daten fehlen (z. B. weil das ERP erst seit 18 Monaten läuft), Sondereffekte nicht markiert sind (Aktionen, Produktrückrufe, Ausverkäufe wegen Lieferproblemen), wird das Modell systematisch falsch schätzen. Bereinige deine Daten, bevor du ein Modell trainierst.

2. Das Modell vollständig autonom bestellen lassen. Ohne menschliche Übersicht bei unbekannten Situationen — neue Produkte, Lieferantenprobleme, Marktveränderungen — macht das Modell Fehler. Die Best Practice ist immer: Das Modell schlägt vor, ein Mensch prüft und gibt frei. Vollautomatisches Bestellen nur bei sehr gut validierten SKUs.

3. Das Modell nach der Inbetriebnahme nicht weiter kalibrieren. Forecast-Modelle veralten. Neue Lieferanten, Sortimentsänderungen, verändertes Kaufverhalten — all das macht ältere Trainingsdaten unbrauchbar, ohne dass das System automatisch Alarm schlägt. Wer das Modell einmal einrichtet und dann nicht regelmäßig überprüft, bekommt mit der Zeit immer schlechtere Bestellvorschläge. Plane quartalsweise Überprüfungen: Wie weit lagen Prognosen daneben? Was hat sich am Sortiment geändert? Erst dann lohnt sich die breitere Ausweitung.

Was mit der Einführung wirklich passiert — und was nicht

Die Disposition ist oft das größte Widerstandszentrum — nicht weil die Mitarbeitenden gegen KI sind, sondern weil erfahrene Disponenten jahrelang Expertise aufgebaut haben und KI-Empfehlungen zunächst kontraintuitiv erscheinen.

Der häufigste Konflikt: Das Modell empfiehlt, für ein saisonal lahmgelaufenes Produkt trotzdem nachzubestellen — weil es in drei Jahren immer wieder im September angezogen hat. Der Disponent widersetzt sich. Er hat recht, solange keine Saison-Anomalie vorliegt. Er liegt falsch, wenn das Modell langfristige Muster besser erfasst als seine Erinnerung an ein oder zwei schlechte Jahre.

Die Lösung ist Transparenz: Das Modell muss erklären können, warum es eine Empfehlung macht. Systeme, die nur Zahlen produzieren, werden vom Team abgelehnt. Systeme, die erklären (z. B. „dieses Produkt hat in den letzten 3 Jahren in KW38 immer angezogen”), werden akzeptiert.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Produkte sind zu spezifisch — das funktioniert nur für Massenware.” KI-Prognosemodelle funktionieren für Nischenprodukte genauso — sie brauchen nur ausreichend historische Daten. Für sehr spezielle Produkte mit wenig Transaktionen ist die Vorhersagequalität geringer, aber immer noch besser als reines Bauchgefühl. Hybridansätze (KI-Forecast + Expertenurteil) sind hier der Weg.

„Wir haben das schon immer so gemacht und es funktioniert.” Wenn deine Überbestandsquote unter 5 % liegt und Fehlbestände selten sind, stimmt das. Wenn du aber regelmäßig mit Abschriften oder Out-of-Stock kämpfst, ist „hat immer so funktioniert” eine Rationalisierung, keine Analyse.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du mehr als 500 SKUs mit mindestens 24 Monaten Verkaufshistorie hast
• Saisonalität ist ein wichtiger Faktor und bereitet jedes Jahr Planungsprobleme
• Überbestand und Abschriften sind ein regelmäßiges Thema in der Geschäftsleitung

Das passt noch nicht zu dir, wenn:

• Du weniger als 200 SKUs hast oder noch kein ERP-System nutzt — das ist Overengineering, schaffe zuerst eine saubere Datenbasis
• Du weniger als 18 Monate Verkaufshistorie hast — ohne ausreichende Datentiefe produziert kein Modell verlässliche Forecasts
• Dein Einkaufsprozess hat keine systematischen Exportmöglichkeiten — ohne Datenanbindung ist jeder Forecast manuell und der Aufwand untragbar

Das kannst du heute noch tun

Exportiere die Verkaufsdaten der letzten 24 Monate aus deinem ERP oder Warenwirtschaftssystem als CSV. Nutze den Prompt unten, um eine erste Diagnose zu erhalten: Welche SKUs haben die größten Überbestandsprobleme? Welche laufen regelmäßig aus?

Quellen & Methodik

• McKinsey & Company (2024): Akzente Ausgabe 1/2024 — Einzelhändler brauchen hocheffiziente Betriebsabläufe — Kennzahlen zu Überbestandsquoten und Abschriften im deutschen Handel
• RELEX Solutions (2024): RELEX und KI: Das richtige Werkzeug — technische Beschreibung von ML-Forecasting-Methoden
• Gartner Peer Insights (2024/2025): Blue Yonder vs. RELEX Solutions — Vergleich Supply Chain Planning Solutions, User-Satisfaction-Bewertungen
• EHI Retail Institute (2024): KI-Einsatz im deutschen Einzelhandel — Adoptionsraten und Anwendungsfälle