Nachfrageprognose für Lagerbestände

Das echte Ausmaß des Problems

Lagerkosten schleichen sich in die Bilanz. Ein Quadratmeter Lagerfläche kostet in Deutschland je nach Lage und Ausstattung zwischen 80 und 200 Euro pro Jahr — Kapital für gebundene Ware noch nicht eingerechnet. Für ein mittelständisches Logistikunternehmen mit 5.000 Quadratmetern Lagerfläche und einem durchschnittlichen Warenbestand von 2 Millionen Euro bedeutet das: Jeder Prozentpunkt Überbestand bindet 20.000 Euro in Waren, die nicht umschlagen, und erzeugt anteilige Lagerraumkosten on top. Ein typischer Betrieb hält nach Branchenstudie der BVL (Bundesvereinigung Logistik) durchschnittlich 25 bis 35 Prozent mehr Bestand als nötig — aus Unsicherheit darüber, was tatsächlich gebraucht wird.

Die Gegenseite ist Unterbestand: Wenn ein Auftrag nicht bedient werden kann, weil das Produkt nicht auf Lager ist, entstehen Eillieferungskosten (Aufpreis 30–80 % gegenüber regulärer Beschaffung), Vertragsstrafen bei zeitkritischen Lieferverpflichtungen und langfristige Kundenverluste, wenn der Fehler wiederholt auftritt. Aus der Praxis mittelständischer Logistiker: Ein einziger nicht erfüllter Eilauftrag kostet mit allen Folgekosten typisch das Dreifache des normalen Auftragswertes.

Das Grundproblem: Bestandsplanung wird in den meisten Betrieben auf Basis von Erfahrungswerten gemacht — nicht auf Basis von Daten. Jemand schaut sich den Abverkauf des Vorjahres an, rechnet pauschal 15 Prozent Sicherheitspuffer drauf und bestellt entsprechend. Weder Saison-Schwankungen, noch Markttrends, noch externe Ereignisse (Feiertage, Kundenevents, Wettbewerbsaktionen) fließen systematisch ein. Das Ergebnis: chronisch schwankende Lagerquoten und zu häufige Eilbestellungen.

So funktioniert es in der Praxis

Schritt 1 — Historische Daten als Grundlage Demand-Forecasting-Modelle analysieren die Vergangenheit: Welches Produkt wurde wann in welcher Menge abgerufen? Welche saisonalen Muster wiederholen sich zuverlässig? Welche Artikel zeigen einen Wachstumstrend, welche stagnieren oder fallen? Die Datenbasis sind typischerweise 12 bis 36 Monate Transaktionsdaten aus dem ERP oder WMS. Wichtig: Das Modell lernt nicht nur Durchschnitte, sondern Variationen — wann die Standardabweichung hoch ist und wann ein erhöhter Sicherheitspuffer sinnvoll ist.

Schritt 2 — Externe Einflussfaktoren integrieren Moderne Forecasting-Systeme verknüpfen interne Verkaufsdaten mit externen Signalen: Feiertagskalender (welche Wochen haben historisch höheren oder niedrigeren Bedarf?), Wetterdaten (relevant für saisonale Produkte), Promotionspläne der Kunden (wenn Kunden selbst Aktionen planen, steigt ihr Abrufvolumen), und Vorlaufzeiten der Lieferanten (längere Lieferketten brauchen frühere Prognosen). Je mehr externe Faktoren eingespeist werden, desto genauer die Prognose.

Schritt 3 — Automatische Bestellvorschläge Das System berechnet auf Basis der Prognose und der aktuellen Lagerbestände automatisch: Wann muss welches Produkt in welcher Menge nachbestellt werden, um weder Über- noch Unterbestand zu erzeugen? Bestellvorschläge werden im ERP oder direkt im Einkaufsworkflow angezeigt — nicht als Pflicht, sondern als Empfehlung, die der Einkäufer prüft und freigibt. Das spart Rechenzeit, ohne die menschliche Kontrolle zu entfernen.

Schritt 4 — Ausreißererkennung und Ausnahme-Alerts Das System erkennt Artikel, die sich signifikant anders entwickeln als prognostiziert: plötzlich höherer Bedarf (muss ggf. nachbestellt werden), plötzlich niedrigerer Bedarf (Überbestand-Alarm), Artikel, die seit 30 Tagen keinen Abgang hatten (Ladenhüter-Alert). Diese Ausnahmen werden dem Disponenten als priorisierte Liste angezeigt, damit die Aufmerksamkeit dort landet, wo sie gebraucht wird.

Welche Tools passen hierzu

Slimstock — Europäischer Marktführer für Demand Planning im Mittelstand. Slimstock Slim4 ist speziell auf Distributeure und Handelslogistiker ausgerichtet, bietet native ERP-Integration (SAP, Microsoft Dynamics, Sage) und messbare Bestandsreduzierungen typisch 15–25 % innerhalb von 6–12 Monaten. Preise auf Anfrage, Richtwert ab 15.000–30.000 Euro/Jahr für mittlere Betriebe.

Netstock — SaaS-Demand-Forecasting für KMU, deutlich günstiger als Enterprise-Lösungen. Netstock verbindet sich mit den meisten gängigen ERP-Systemen über API und bietet eine nutzbare Oberfläche, die kein Data-Science-Team voraussetzt. Ab ca. 750 EUR/Monat für kleinere Betriebe. Besonders geeignet für Einsteiger ohne dediziertes Supply-Chain-Team.

SAP IBP — Für Unternehmen, die bereits SAP nutzen: SAP Integrated Business Planning ist die native Demand-Planning-Lösung im SAP-Ökosystem. Leistungsstark, aber aufwendig in der Einrichtung und teuer in der Lizenzierung. Sinnvoll ab einer gewissen Komplexität und vorhandenen SAP-Ressourcen. Preise nach Nutzeranzahl, Richtwert ab 50.000 Euro/Jahr.

Power BI — Für Teams, die zunächst Transparenz über ihre Bestände schaffen wollen, bevor sie ein Forecasting-Tool einführen: Power BI kann ERP-Daten visualisieren, Bestandskennzahlen darstellen und erste Trendanalysen zeigen. Kein echtes Forecasting, aber ein sinnvoller erster Schritt. Ab 9,40 Euro/Nutzer/Monat.

Was es kostet — realistisch gerechnet

Einstieg (Netstock oder vergleichbare SaaS-Lösung):

• Lizenzkosten: 750–1.500 Euro/Monat
• Einrichtungsaufwand: 4–8 Wochen (ERP-Integration, historische Daten aufbereiten, Artikel-Segmentierung)
• Voraussetzung: Saubere Artikelstammdaten und Transaktionshistorie im ERP (min. 12 Monate)
• Ergebnis: Automatische Bestellvorschläge, Sicherheitspuffer datenbasiert statt pauschal

Enterprise (Slimstock, SAP IBP):

• Lizenzkosten: 15.000–50.000+ Euro/Jahr
• Implementierungsaufwand: 3–6 Monate mit IT-Projektbegleitung
• Ergebnis: Vollständige Demand-Planning-Plattform mit Multi-Standort, Promotions-Planning, Supplier-Collaboration

ROI-Beispiel: Logistikbetrieb mit 2.000 aktiven Artikeln, Lagerwert 1,8 Millionen Euro, aktuell 28 % Überbestand. Ziel: Überbestand auf 18 % reduzieren = 180.000 Euro weniger gebundenes Kapital. Kapitalkosten 5 % p. a. = 9.000 Euro/Jahr freigelegtes Kapital. Dazu: 3 Eilbestellungen pro Monat eingespart à 800 Euro Mehrkosten = 28.800 Euro/Jahr. Gesamteffekt: ca. 38.000 Euro/Jahr bei Lizenzkosten von 9.000–18.000 Euro/Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datenqualitäts-Audit	Woche 1–2	Transaktionshistorie prüfen, Artikelstamm bereinigen, ERP-Exportstruktur analysieren	Artikelstamm inkonsistent — Duplikate, fehlende Einheiten, fehlerhafte Kategorisierung verhindern sauberes Forecasting
ERP-Integration & Datenmigration	Woche 3–6	Forecasting-Tool an ERP anbinden, historische Daten einspielen, Segmentierung konfigurieren	Integration in ältere ERP-Systeme aufwendiger als erwartet — Puffer einplanen
Kalibrierung & Erstprognosen	Woche 5–8	Erste Prognosen erzeugen, mit Erfahrungswissen des Einkaufs vergleichen, Modell-Parameter anpassen	Prognosen für saisonale Artikel zunächst unscharf — brauchen mindestens 2–3 Saison-Zyklen zur Kalibrierung
Produktivbetrieb	Ab Monat 3	Bestellvorschläge werden täglich genutzt, Sicherheitspuffer datenbasiert gesetzt	Einkäufer überschreiben Vorschläge systematisch — regelmäßige Retrograde, wo das Modell lag, nötig
Monitoring & Feinabstimmung	Quartalsweise	Forecast-Accuracy messen, Ausreißer analysieren, externe Faktoren nachkalibrieren	Zu wenig Zeit für Auswertung eingeplant — Forecasting-Qualität verbessert sich nur durch aktive Pflege

Häufige Einwände

„Wir kennen unsere Artikel und unsere Kunden — das brauchen wir nicht.” Erfahrung ist wertvoll und kein System ersetzt sie. Aber Erfahrung skaliert nicht: Wenn ein Betrieb 2.000 aktive Artikel hat, kann kein Einkäufer jeden Artikel mit der nötigen Datentiefe im Blick behalten. Demand Forecasting ist kein Ersatz für Erfahrung, sondern eine Erweiterung: Das Modell deckt die 1.800 Standardartikel datenbasiert ab, der Einkäufer konzentriert sich auf die 200 kritischen oder volatilen Positionen, bei denen echtes Urteilsvermögen gefragt ist.

„Unsere Nachfrage ist zu unregelmäßig für Prognosen.” Unregelmäßigkeit ist kein Gegenargument — sie ist das Hauptargument für Forecasting. Wenn Nachfrage volatil ist, sind manuelle Schätzungen besonders unzuverlässig. Statistische Modelle sind bei hoher Volatilität nicht besser als Menschen, aber sie sind konsistent: Sie machen denselben systematischen Fehler, den man auswerten und korrigieren kann. Menschliche Schätzungen bei volatiler Nachfrage sind zufällig — man kann sie nicht systematisch verbessern.

„Wir haben nicht genug historische Daten.” Für statistische Prognosen braucht man mindestens 12 Monate, besser 24–36 Monate. Wenn das nicht vorhanden ist, empfiehlt sich zunächst eine Phase, in der Transaktionen sauber im ERP erfasst werden und das System parallel (ohne Verbindlichkeit) Prognosen erzeugt. Nach 6–12 Monaten ist eine ausreichende Datenbasis vorhanden. In der Übergangszeit hilft das Tool trotzdem: für Ausreißer-Erkennung, Lagerkosten-Transparenz und Sicherheitspuffer-Berechnung auf Basis der vorhandenen Daten.