Automatisierte Nachbestellung bei Schnelldrehern

Das echte Ausmaß des Problems

Die Out-of-Stock-Rate im deutschen Einzelhandel liegt laut Roland Berger Strategy Consultants (ECR Europe Studie) bei durchschnittlich 7,1 Prozent, mit Spitzenwerten von bis zu 30 Prozent bei Aktionsware und saisonalen Schnelldrehern. Das Beratungsunternehmen Andersen Consulting beziffert die Rate an einem gewöhnlichen Nachmittag mit 8,2 Prozent. Das bedeutet: An einem normalen Wochentag fehlt jedes zehnte Produkt, das ein Kunde sucht.

Die Konsequenzen sind bekannt, aber in ihrer Summenwirkung unterschätzt:

• 14 Prozent der Kunden kaufen gar nichts, wenn der gewünschte Artikel fehlt
• 11 Prozent wechseln zum Wettbewerber, und kehren nicht immer zurück
• 17 Prozent greifen zur günstigeren Alternative, was die Marge drückt
• Der verbleibende Teil kauft das nächste Mal geplant woanders ein, ohne es zu melden

Für die typische Supermarktkette mit mehreren Standorten bedeutet das: Jeder Regalleerstand kostet Umsatz, jede Notfallbestellung kostet Aufschlag, und jeder vermiedene Wechsel bindet Disponenten-Zeit, die sinnvoller investiert wäre.

Was das Problem auf Systemebene schwierig macht: Die Ursache ist nicht fehlender Wille, sondern fehlende Echtzeit-Reaktionsfähigkeit. Klassische Warenwirtschaftssysteme erzeugen Bestellvorschlagslisten, aber die werden zu festen Zeiten abgearbeitet, nicht im Moment, in dem der Bestand unter die Sicherheitsschwelle fällt. Bei Schnelldrehern mit Lieferzeiten von 24 bis 48 Stunden reicht diese Verzögerung aus, um Regallücken zu erzeugen.

Der globale Einzelhandel verliert laut IHL Group jährlich rund 1,75 Billionen US-Dollar durch eine Kombination aus Fehlbeständen und Überbeständen. Die Lösung liegt nicht im Aufstocken der Sicherheitspuffer, das erhöht die Kapitalbindung und erzeugt Überbestände bei den Langsamdrehern. Die Lösung liegt in der Präzision der Bestellauslösung: zur richtigen Zeit, in der richtigen Menge, für den richtigen Artikel.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Richtgröße basierend auf Erfahrungswerten aus Slimstock-Kundendaten (1.700+ Retailkunden) und RELEX-Implementierungen (600+ Enterprise-Projekte); eigene Projektwerte variieren je nach Ausgangslage und Sortimentsprofil.

Die größte Verschiebung ist die strukturelle: Disponenten werden von Reaktion zu Kontrolle bewegt. Statt täglich den Bestand zu prüfen und Bestellungen manuell anzustoßen, überwacht das System alle Schwellenwerte in Echtzeit und meldet nur dann, wenn eine Abweichung vorliegt, die menschliche Einschätzung erfordert.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die tägliche Bestandsprüfung für alle Schnelldreher entfällt vollständig, das sind bei einer Kette mit zwölf Standorten leicht drei bis fünf Stunden Disponenten-Zeit täglich. Der Disponent arbeitet nur noch an Ausnahmen: Lieferantenverzögerungen, Aktionsartikel mit ungewöhnlichem Abverkauf, neue Produkte ohne ausreichende Datenhistorie. Nicht ganz die maximale Stufe, weil die menschliche Ausnahmebearbeitung und die Systemkonfiguration weiterhin Zeit kosten.

Kosteneinsparung, gut (4/5) Die Einsparung kommt von zwei Seiten gleichzeitig: weniger Umsatzverlust durch Fehlbestände und weniger Kapitalkosten durch präzisere Sicherheitspuffer. Dazu kommen weniger Notfallbestellungen mit Lieferantenaufschlag. Messbarer Effekt, der sich direkt in der Gewinn-und-Verlust-Rechnung findet, schwerer zu isolieren als eine direkte Kostenposition wie Rechnungsverarbeitung, aber deutlich direkter als reine Zeitersparnis-Ansätze.

Schnelle Umsetzung, mittel (3/5) Regelbasierte Systeme, die auf Mindestbestand und Lieferzeiten reagieren, sind in vier bis sechs Wochen betriebsbereit. ML-basierte Systeme mit Prognosemodell brauchen drei bis sechs Monate, wegen Datenaufbereitung, Modelltraining und Validierungsphase. Das macht die Umsetzungsgeschwindigkeit stark davon abhängig, welchen Ansatz du wählst. Mittelfeldposition in diesem Branchenvergleich.

ROI-Sicherheit, hoch (4/5) Die Kennzahl ist direkt messbar: Out-of-Stock-Rate vorher versus nachher, Anteil Notfallbestellungen, Kapitalbindung im Bestand. Hier gibt es keine Interpretationsspielräume wie bei indirekten Effizienzeffekten. Wer nach zwölf Monaten keine nachweisbare Verbesserung sieht, hat ein Umsetzungsproblem, kein Konzeptproblem. Den vollen fünften Stern verhindert die Tatsache, dass der genaue Effekt von der Qualität der Eingangsdaten abhängt.

Skalierbarkeit, sehr hoch (5/5) Das ist der stärkste Vorteil dieser Automatisierung: Ob du 200 Schnelldreher überwachst oder 2.000, das System skaliert ohne proportional steigende Betriebskosten. Jeder neue Standort, jedes neue Produkt, das in die Überwachung aufgenommen wird, braucht keine zusätzliche Personalkapazität. Im Branchenvergleich kaum zu schlagen.

Richtwerte, stark abhängig von Anzahl der überwachten SKUs, ERP-Integrationsqualität und Lieferantenstruktur.

Was das System konkret macht

Automatisierte Nachbestellung ist im Kern ein Überwachungssystem mit Auslöselogik. Das Prinzip:

Das System liest kontinuierlich (oder in definierten Intervallen, z. B. stündlich) die aktuellen Bestandszahlen aus dem Warenwirtschaftssystem. Für jeden überwachten Artikel gibt es einen Meldebestand (Reorder Point): der Lagerbestand, bei dessen Unterschreiten eine Nachbestellung ausgelöst werden muss, damit der Artikel nicht ausläuft, bevor die nächste Lieferung eintrifft. Dieser Meldebestand ergibt sich aus:

Meldebestand = Lieferzeit × durchschnittlicher Tagesabsatz + Sicherheitsbestand

Das klingt einfach, und ist es für stabile Artikel auch. Die Komplexität entsteht bei Schwankungen: Wenn eine Promotion den Tagesabsatz verdreifacht, wenn ein Lieferant seine Lieferzeit verlängert, wenn ein Feiertag den Abverkauf verändert.

Regelbasierte Systeme reagieren auf diese Schwankungen nur, wenn du die Regeln manuell anpasst. Machine Learning-basierte Systeme wie RELEX Solutions oder Slim4 lernen aus Abverkaufshistorie, Promotionsdaten und externen Faktoren (Wetter, Feiertage, Events) und passen den prognostizierten Tagesabsatz automatisch an.

Die typische technische Architektur in deutschen KMU:

1. Datenschicht: Das bestehende Warenwirtschaftssystem (SAP Business One, Microsoft Dynamics BC, Lexware, Haufe X360, GDI) liefert Bestandsdaten in Echtzeit oder per Synchronisierung
2. Prognose- und Dispositionsschicht: Spezialisiertes Tool berechnet Meldebestände und Bestellmengen dynamisch
3. Bestellauslösung: Entweder automatisch per EDI direkt an den Lieferanten, oder als freigegebener Vorschlag im ERP, den ein Disponent per Klick bestätigt
4. Feedback-Loop: Tatsächliche Lieferzeitpunkte und Mengen fließen zurück ins Modell

Der kritische Schritt ist der Übergang von Vorschlag zu automatischer Auslösung. Die meisten Betriebe starten mit dem Vorschlagsmodus, das System empfiehlt, ein Mensch bestätigt. Erst nach einer Validierungsphase von vier bis acht Wochen, in der die Vorschläge konsistent korrekt sind, wird die vollautomatische Auslösung für die sichersten Artikelkategorien aktiviert.

Welche Artikel automatisieren, die ABC/XYZ-Klassifizierung

Nicht jeder Artikel eignet sich für automatisierte Nachbestellung. Wer das übersieht und alle SKUs gleichzeitig automatisiert, erzeugt entweder unnötige Kosten (zu viele Kleinbestellungen bei C-Artikeln) oder gefährliche Fehlentscheidungen (automatische Großbestellung bei einem Artikel, dessen Nachfrage gerade eingebrochen ist).

Die Standardmethode: ABC/XYZ-Analyse

ABC klassifiziert nach Umsatzbeitrag:

• A-Artikel: top 20 % der SKUs, meist 70–80 % des Umsatzes
• B-Artikel: nächste 30 %, rund 15–20 % des Umsatzes
• C-Artikel: untere 50 %, nur 5–10 % des Umsatzes

XYZ klassifiziert nach Prognostizierbarkeit:

• X: Variationskoeffizient unter 0,5, stabile, gut vorhersagbare Nachfrage
• Y: Variationskoeffizient 0,5–1,0, schwankende Nachfrage mit erkennbaren Mustern
• Z: Variationskoeffizient über 1,0, unregelmäßige, schwer vorhersagbare Nachfrage

Für die meisten Einzelhändler gilt: Anfang mit AX-Artikeln, das sind typisch 10–15 Prozent der SKUs, aber die Gruppe, bei der Fehlbestände am teuersten sind und die Automatisierung am zuverlässigsten funktioniert. AY-Artikel kommen in Phase 2. AZ-Artikel und alles mit Z-Klassifizierung gehören dauerhaft unter menschliche Aufsicht.

Neue Artikel ohne Datenhistorie sowie Aktionssortiment mit Einmalcharakter sind grundsätzlich aus der Automatisierung herauszuhalten.

Deutsche Saisonalität als Planungsherausforderung

Der deutsche Einzelhandel hat eine ausgeprägte Saisonalitätsstruktur, die einfache Jahresmittelwerte für die Disposition unbrauchbar macht. Wer die Meldebestände auf Basis eines 52-Wochen-Durchschnitts berechnet, unterschätzt systematisch die Spitzen und hält in ruhigen Phasen zu viel Kapital gebunden.

Die wichtigsten deutschen Saisonalitätseffekte und ihre Auswirkung auf die Nachbestelllogik:

Karneval (Januar–März, regional Rheinland, Bayern, Schwaben) Karnevalssüßigkeiten, Kostümzubehör, Luftschlangen und Party-Knabberei entwickeln innerhalb von zwei Wochen Umsatzspitzen von 300–500 Prozent über dem Jahresmittel. Das System muss nicht nur früher bestellen, sondern auch früher wieder abbremsen, nach Aschermittwoch fällt die Nachfrage schlagartig ab, und ein automatisches System ohne Zeitbegrenzung ordert dann in die bereits gesättigte Phase hinein.

Ostern (März–April, variabel) Schokoladenprodukte, Dekoartikel, Lammfleisch und Grünkräuter. Das Datum variiert jährlich um bis zu vier Wochen, ein System, das auf Kalenderwochen kalibriert ist statt auf den Ostertermin selbst, verfehlt die Spitze systematisch.

Grillsaison (April–September, mit Spitzen an Feiertagen und Schönwetterwochenenden) Fleischprodukte, Grillwürste, Fertigmarinaden, Holzkohle. Tagesaktuelle Wetterprognosen sind für diese Kategorie die wichtigste externe Variable, besser als jeder historische Mittelwert. Systeme wie RELEX Solutions und EazyStock integrieren Wetterdaten nativ.

Back-to-School (August–September) Schulhefte, Füller, Rucksäcke, Lunchboxen, Trinkflaschen. Starke regionale Unterschiede je nach Ferienende-Datum (Bayern, BW, NRW – alle unterschiedlich).

Weihnachten (Oktober–Dezember) Die größte Saisonspitze des Jahres. Kalender-Schokolade, Lebkuchen, Kerzen und Dekoartikel müssen ab Oktober disponiert werden, obwohl der Abverkauf erst Mitte November startet. Fehler hier kosten direkt, kein anderer Monat hat eine vergleichbare Marge-Relevanz.

Was das für die Systemkonfiguration bedeutet: Einfache Reorder-Point-Systeme brauchen saisonale Korrekturfaktoren, die manuell gepflegt werden. Prognosebasierte Systeme lernen diese Muster aus Historiedaten, benötigen dafür aber mindestens zwei bis drei Jahres-Zyklen, damit Weihnachten 2022 von Weihnachten 2023 unterschieden werden kann.

Konkrete Werkzeuge, was wann passt

Die Wahl des Werkzeugs hängt vor allem von drei Faktoren ab: Unternehmensgröße, Sortimentsprofil und vorhandener ERP-Infrastruktur.

Für Händler mit 50–500 SKUs und einem bestehenden ERP-System:

Das einfachste und günstigste Vorgehen: Prüfen, ob das vorhandene Warenwirtschaftssystem bereits Reorder-Point-Logik enthält. SAP Business One, Lexware Warenwirtschaft Premium, Haufe X360 und GDI Vision Business Line haben grundlegende Nachbestellvorschläge eingebaut, ohne extra Lizenzkosten. Der Nachteil: keine Predictive Analytics, keine Saisonkorrektur, kein Wettereinfluss. Für stabile AX-Artikel mit gleichmäßigem Abverkauf reicht das oft.

Netstock, für Mittelstand mit 50–5.000 SKUs: Netstock dockt als separate Schicht auf über 200 ERP-Systeme auf und liefert KI-gestützte Bestellempfehlungen. Implementierung in vier bis sechs Wochen, Einstieg ab rund 500–1.500 USD/Monat je nach SKU-Anzahl. Schwäche: kein deutschsprachiges Interface, Datenhosting außerhalb EU, DSGVO-Prüfung vor Einführung nötig. Stärke: breites ERP-Ökosystem, schnelle Integration.

EazyStock, für Getränke-, Lebensmittel- und saisonale Sortimente: EU-gehostet, deutsche Unterstützung verfügbar, nativ integrierte Wetterdaten und Kalendereffekte. Geeignet für Unternehmen mit 50–500 Produkten und starker Wetterabhängigkeit (Getränke, Grill, Eisprodukte). Setup-Kosten 20.000–60.000 Euro, laufend 3.000–8.000 Euro/Monat, für ein Unternehmen unter 5 Millionen Euro Umsatz wirtschaftlich schwer zu rechtfertigen.

Slim4 von Slimstock, für mittelständische Händler mit komplexen Lagerstrukturen: Führende Lösung für Mehrstufenlagerhaltung (Zentrallager + Filialen), über 1.700 Kunden weltweit, deutschsprachiges Team in Dortmund. Starke DACH-Präsenz. Implementierungsdauer drei bis sechs Monate, Lizenz sechsstellig jährlich, sinnvoll ab rund 20–30 Millionen Euro Umsatz, wenn die Bestandsproblematik systematisch ist. Slim4 unterscheidet automatisch zwischen Schnell- und Langsamdrehern, saisonalen Artikeln und Aktionsware.

RELEX Solutions, für größere Handelsunternehmen ab Supermarktkettengröße: Erste Wahl für Lebensmitteleinzelhandel mit Frischesortiment. EU-gehostet (Finnland), integrierte Wetterdaten, bewährte SAP-Integration, Referenzkunden wie Penny, METRO und Coop. Implementierungszeit sechs bis zwölf Monate, typisch sechsstellige Jahreslizenz. RELEX Kunden reduzieren Frischeabschriften im Schnitt um 20–28 Prozent, bei Lebensmitteln mit kurzer Haltbarkeit der entscheidende Hebel.

Zusammenfassung: Wann welcher Ansatz

• Bis 500 SKUs, stabiler Abverkauf → Eingebaute WWS-Funktionen prüfen
• 50–5.000 SKUs, schnelle Integration gewünscht → Netstock
• Getränke, Lebensmittel, Wetterdependenz → EazyStock
• Mittelstand, Mehrstufenlager, DACH-Referenzen → Slim4
• Supermarktkette, Frischesortiment, Enterprise → RELEX

Datenschutz und Datenhaltung

In der automatisierten Nachbestellung fließen primär Bestands- und Abverkaufsdaten, keine personenbezogenen Daten im klassischen Sinn. Das reduziert die DSGVO-Relevanz erheblich, schließt sie aber nicht aus:

Wenn du Kundentransaktionsdaten aus einem Loyalty-Programm in die Prognose einspeist (Einkaufshistorien einzelner Kunden), gelten personenbezogene Daten nach Art. 4 DSGVO. In diesem Fall ist eine Datenschutz-Folgenabschätzung (DSFA) vor Produktivstart Pflicht.

Für den Standardfall (Abverkaufsdaten aggregiert nach Artikel und Standort, keine Kundenzuordnung) genügt ein normaler Auftragsverarbeitungsvertrag (AVV) gemäß Art. 28 DSGVO, den du mit dem Tool-Anbieter vor Produktivbetrieb abschließen musst.

EU-Hosting-Übersicht der genannten Tools:

• RELEX Solutions: EU-gehostet (Finnland), ISO 27001, SOC 2 Type II, AVV standardmäßig enthalten
• Slim4 (Slimstock): Primär EU; Datentransfers in die USA und Indien für bestimmte Subprozessoren möglich, AVV einfordern, SCCs prüfen
• EazyStock: EU-gehostet
• Netstock: Datenhosting außerhalb EU, vor Einführung Standort klären, SCCs vereinbaren

Praxistipp: EDI-Anbindungen an Lieferanten übertragen Bestelldaten, die keine personenbezogenen Informationen enthalten, hier gibt es in der Regel keine DSGVO-spezifischen Anforderungen. Der kritische Punkt ist die Weiterverarbeitung von POS-Daten mit Kundenbindungsprogrammen.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (monatlich)

• WWS-intern: 0 € zusätzlich
• Netstock: ab ca. 500–1.500 USD/Monat (SKU-abhängig)
• EazyStock: 3.000–8.000 €/Monat
• Slim4: Fünfstellig jährlich (Tagesquote variiert)
• RELEX: Sechsstellig jährlich

Was du dagegen rechnen kannst

Ein regionaler Händler mit 2 Millionen Euro Jahresumsatz und einer Out-of-Stock-Rate von 8 Prozent verliert rund 160.000 Euro Jahresumsatz durch Fehlbestände, davon mindestens ein Drittel als verloren geltendem Umsatz (Kunden kaufen beim Wettbewerber, nicht später). Das sind etwa 50.000–80.000 Euro Margeneinbuße jährlich, je nach Produktmix.

Dazu kommen Notfallbestellkosten: Bei zehn Prozent aller Bestellungen mit 12–15 Prozent Lieferantenaufschlag und einem Jahreseinkaufsvolumen von 1,2 Millionen Euro entstehen rund 14.000–18.000 Euro zusätzliche Beschaffungskosten, die sich mit besserer Planung vermeiden ließen.

Konservatives Einsparpotenzial: 40.000–60.000 Euro jährlich für einen Händler dieser Größe. Das rechtfertigt Netstock problemlos, macht EazyStock zu einer Grenzentscheidung und zeigt, warum Slim4 und RELEX eine deutlich größere Geschäftsbasis voraussetzen.

Wie du den ROI tatsächlich misst

Das direkte Messverfahren: Out-of-Stock-Rate vor Einführung vier Wochen messen (Stichproben je Filiale täglich), dann nach drei Monaten Betrieb wiederholen. Zusätzlich: Anteil Notfallbestellungen im Warenwirtschaftssystem kennzeichnen und zählen. Diese zwei Kennzahlen reichen, um den Effekt zu belegen, ohne aufwendige Parallelmessung.

Drei typische Einstiegsfehler

1. Alle Artikel gleichzeitig automatisieren

Der häufigste Fehler: Das System wird für das gesamte Sortiment aktiviert, ohne ABC/XYZ-Klassifizierung. Das führt zu sinnlosen Kleinstbestellungen bei C-Artikeln, unnötig hohen Sicherheitspuffern bei Z-Artikeln und einer Systemlast, die die sinnvollen Entscheidungen überlagert. Lösung: Mit AX-Artikeln starten, das sind die 10–15 Prozent der SKUs, bei denen Fehler teuer sind und die Prognose zuverlässig funktioniert. Erst nach drei Monaten auf AY-Artikel ausweiten.

2. Das System während Lieferantenengpässen alleinlassen

Das ist der gefährlichste Fehler, weil er still passiert und große Konsequenzen hat.

Wenn ein Lieferant einen Artikel nicht liefern kann (Rohstoffmangel, Produktionsausfall, Logistikkrise), löst das automatische Bestellsystem weiter Nachbestellungen aus, weil der Bestand unter den Meldebestand fällt und das Modell nicht weiß, dass der Lieferant gerade nicht liefern kann. Das Ergebnis: mehrfache Bestellungen beim selben Lieferanten, der alle ablehnt, oder, wenn er irgendwann wieder liefert, auf einmal alle gleichzeitig ausführt. Dann sitzt du auf einem Überbestand, der dein Kapital für Monate bindet.

Das ist kein theoretisches Szenario. Während der Supply-Chain-Störungen 2021–2022 sowie in der ersten Hälfte 2024 (Zunahme von Lieferkettenstörungen um 30 % gegenüber 2023, laut S&P Global Supply Chain Look Forward) haben genau diese Situationen zu massiven Überbeständen bei Händlern geführt, die ihre automatischen Systeme nicht manuell übersteuert hatten.

Lösung: Lieferantenspezifische Alerts einrichten, die das System pausieren, wenn ein Lieferant eine Lieferverzögerung meldet. Slim4 hat dafür eine native Funktion (“Demand Sense”). Bei einfacheren Systemen ist das eine manuelle Ausnahmeregel, die jemand pflegen muss.

3. System einrichten und dann nicht warten

Im Gegensatz zu einer Suchmaschine gibt ein automatisches Bestellsystem immer eine Empfehlung, auch wenn die Datenbasis veraltet ist. Neue Artikel ohne Historiedaten werden wie Bestandsartikel behandelt. Eingestellte Produkte werden weiterhin überwacht. Lieferzeiten, die sich geändert haben, fließen nicht ins Modell ein, wenn niemand sie aktualisiert.

Das ist kein IT-Problem, sondern ein Organisationsproblem: Wer ist dafür zuständig, Stammdaten (Lieferzeiten, Mindestbestellmengen, Artikelstatus) regelmäßig zu prüfen und zu aktualisieren? Diese Frage muss vor dem Go-live beantwortet sein, nicht nach sechs Monaten, wenn das System zunehmend schlechte Vorschläge macht und niemand weiß warum.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Integration ist selten das Problem. Das Schwierigere ist der Kulturwandel im Dispositionsteam.

Das Kontrollbedürfnis der erfahrenen Disponenten. Wer zehn Jahre lang täglich den Bestand geprüft hat und weiß, wann welcher Lieferant zuverlässig ist und wann nicht, hat berechtigte Zweifel, ob ein Algorithmus das besser kann. Und diese Zweifel sind am Anfang berechtigt: Das Modell kennt die informellen Absprachen nicht, die der Disponent mit bestimmten Lieferanten hat. Es weiß nicht, dass Artikel X erfahrungsgemäß immer mit einer Woche Verzögerung kommt.

Was hilft: Das System in den ersten sechs bis acht Wochen nicht automatisch auslösen lassen, sondern nur Vorschläge zeigen. Der Disponent sieht täglich, was das System empfehlen würde, und kann korrigieren, und das System lernt aus den Korrekturen. Erst wenn die Trefferquote der Vorschläge konsistent über 90 Prozent liegt, wird auf automatisches Auslösen umgestellt.

Die Überraschung bei den Stammdaten. Fast jede Einführung offenbart, dass die Stammdaten im ERP schlechter gepflegt sind als erwartet. Lieferzeiten stehen auf “3 Tage”, obwohl der tatsächliche Durchschnitt 7 Tage beträgt. Artikel sind als aktiv markiert, werden aber seit Monaten nicht mehr bestellt. Mindestbestellmengen sind veraltet. Das ist kein Grund, die Einführung zu verzögern, es ist ein Grund, die Datenbereinigung als eigene Projektphase einzuplanen, bevor das System gestartet wird.

Was nicht passiert: Das System eliminiert nicht den Bedarf an Disponenten-Erfahrung. Aktionssortiment, neue Produkte, Lieferantenverhandlungen, ungewöhnliche Ereignisse, all das braucht weiterhin menschliches Urteil. Was verschwindet, ist die stupide Routineaufgabe des täglichen Bestandsabgleichs. Das schafft Kapazität für die wertschöpfenden Entscheidungen.

Realistischer Zeitplan mit Risikohinweisen

Diese Zeitangaben gelten für mittelgroße Implementierungen (500–5.000 SKUs) mit einem spezialisierten Tool wie Netstock oder EazyStock. Für RELEX oder Slim4 verdoppelt bis verdreifacht sich die Zeitplanung.

Häufige Einwände, und was dahintersteckt

„Unser WWS hat doch schon Mindestbestandsalerts.” Das stimmt, fast jedes Warenwirtschaftssystem kann einen Meldebestand setzen und eine E-Mail schicken, wenn dieser unterschritten wird. Das ist kein Automatismus, sondern ein Alarm. Wer die E-Mail am nächsten Tag öffnet, hat sechs Stunden verloren. Und wer Meldebestände manuell pflegt, pflegt sie selten aktuell. Der Unterschied zu einem echten System: Der Meldebestand wird täglich neu auf Basis des aktuellen Abverkaufs berechnet, nicht einmal im Quartal manuell hinterlegt.

„Wir haben zu viele Aktionsartikel, das lässt sich nicht automatisieren.” Richtig, Aktionssortiment mit unbekanntem Abverkauf gehört nicht automatisiert. Aber das ist kein Argument gegen Automatisierung, sondern für einen selektiven Ansatz. Wenn 30 Prozent deines Sortiments Aktionsware ist, hast du trotzdem 70 Prozent stabile Artikel, bei denen Automatisierung funktioniert. Den stabilen Teil zu automatisieren entlastet die Disposition so, dass der variable Teil mehr menschliche Aufmerksamkeit bekommt, statt weniger.

„Was ist, wenn das System einen Fehler macht und wir zu viel bestellen?” Das ist ein berechtigter Einwand, und der Grund, warum der Vorschlagsmodus als Einstieg Standard ist. Ein System, das Vorschläge macht, kann keine Fehlbestellung auslösen, solange ein Mensch die Freigabe hat. Erst wenn Vertrauen durch Erfahrung aufgebaut ist, wird automatisch ausgelöst. Und auch dann: Bestellobergrenzen pro Artikel und Zeitraum sind in jedem professionellen System konfigurierbar.

Woran du merkst, dass das zu dir passt

• Bestimmte Artikel laufen regelmäßig aus, nicht einmal im Jahr, sondern mehrmals im Monat
• Dein Disponent verbringt täglich Stunden mit Bestandsabgleich, nicht mit strategischen Einkaufsentscheidungen
• Du zahlst regelmäßig Notfalllieferungsaufschläge, weil Bestellungen zu spät rausgehen
• Dein Sortiment hat mehr als 200 aktiv gehandelte SKUs mit unterschiedlichen Lieferzeiten
• Du hast ein funktionierendes Warenwirtschaftssystem mit aktuellen Bestandsdaten, auch wenn es kein SAP ist

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 100–200 aktiv gehandelte Artikel oder unter 2 Millionen Euro Jahresumsatz. Der Aufwand für Klassifizierung, Integration und Wartung übersteigt den Nutzen. Eine Excel-Tabelle mit manuell gepflegten Meldebeständen und einem wöchentlichen Review ist hier effizienter und günstiger.

2. Kein Warenwirtschaftssystem mit echtzeitnahen Bestandsdaten. Wer seinen Bestand noch per Sichtprüfung oder täglichem Excel-Update managt, muss zuerst die Datenbasis schaffen. Ein Automatisierungssystem auf lückenhaften oder täglich manuell gepflegten Daten produziert keine besseren Bestellungen, sondern automatisiert Fehler schneller.

3. Mode-, Dekor- oder hochsaisonales Sortiment mit kurzen Produktlebenszyklen und wenig Wiederholungskäufen. Wenn 80 Prozent deines Sortiments jede Saison ausgetauscht wird, wie im Modefachhandel oder Blumenhandel, fehlt die Datenhistorie, aus der Predictive Analytics lernen kann. Das Machine Learning-Modell benötigt zwei bis drei Wiederholungszyklen pro Artikel. Was fehlt, lässt sich nicht durch mehr Daten ersetzen. Für solche Sortimente ist manuelle oder semi-manuelle Disposition ehrlicher Weise die bessere Wahl.

Das kannst du heute noch tun

Bevor du irgendein Tool evaluierst, mach eine Bestandsaufnahme deines Problems, konkret und in Zahlen. Das dauert eine Stunde und ist die Grundlage für jedes spätere Gespräch mit Tool-Anbietern oder internen Entscheidern.

Lass dir von deinem Warenwirtschaftssystem die Out-of-Stock-Events der letzten acht Wochen exportieren: Welche Artikel waren wann ausverkauft? Wie lange hat es gedauert, bis die Nachlieferung ankam? Aus diesen Daten erkennst du sofort, ob du ein Timing-Problem (zu spätes Bestellen) oder ein Prognose-Problem (zu gering bestellte Mengen) hast, und welcher der zwei Ansätze (regelbasiert oder ML) zu dir passt.

Für die ABC-Klassifizierung deines Sortiments kannst du diesen Prompt als Ausgangspunkt verwenden:

Quellen & Methodik

• Out-of-Stock-Rate 7,1 % und ECR-Studie: Roland Berger Strategy Consultants, ECR Europe Out-of-Stock Study (zitiert in cosys.news und ixtenso.de; ursprüngliche Erhebung Anfang 2000er, regelmäßig in Branchenberichten zitiert als Referenzwert). Andersen Consulting bezifferte die Rate an einem normalen Nachmittag mit 8,2 Prozent (Quelle: Schröder, H., Universität Duisburg-Essen, „Out-of-Stocks im LEH – die Eine-Milliarde-Euro-Legende”, Essener Kontrapunkt 2015/2).
• Kundenverhalten bei Regalleerstände (14 %, 11 %, 17 %): Ebenda (Schröder 2015 und ECR Europe-Daten); Werte konsistent über mehrere Erhebungen.
• Globale Verluste 1,75 Billionen USD: IHL Group, „Inventory Distortion Study” (mehrfach aktualisiert, zuletzt 2024); zitiert in innoflexion.com.
• Supply-Chain-Störungen +30 % in H1 2024: S&P Global Supply Chain Look Forward, Volume 5, Februar 2024.
• Slimstock-Kundendaten (20–30 % Bestandsreduktion, 1.700 Kunden): slimstock.com, Produktseite und Fallstudienmaterial (Stand April 2026).
• RELEX Frischeabschriften –28 %: RELEX Solutions, interne Fallstudien; METRO und Penny als Referenzkunden bestätigt (relex.com, Stand April 2026).
• Netstock Preise: Aus der Tool-Datenbank und Branchenberichten (Stand April 2026); keine öffentliche Preisliste.
• EazyStock Preise: Tool-Datenbank ki-syndikat.de (Stand April 2026).
• ABC/XYZ-Klassifizierungslogik: Standardmethodik aus der Beschaffungslehre; Variationskoeffizient-Grenzwerte nach Fachliteratur (u. a. eazystock.com/de/blog-de).

Du willst wissen, welche deiner Artikel sich als Einstieg für automatisierte Nachbestellung eignen und welches Tool zu eurer ERP-Landschaft passt? Meld dich, das klären wir in einem kurzen Gespräch.