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. Laut einer Studie der Bundesvereinigung Logistik (BVL) halten Betriebe im Durchschnitt 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, entstehen Eillieferungskosten (Aufpreis 30–80 Prozent gegenüber regulärer Beschaffung, Schätzwert aus Praxisberichten), Vertragsstrafen bei zeitkritischen Lieferverpflichtungen und langfristige Kundenverluste, wenn der Fehler wiederholt auftritt. Ein einziger nicht erfüllter Eilauftrag kostet mit allen Folgekosten typisch das Dreifache des normalen Auftragswertes (Schätzwert aus Praxisberichten).

Das Grundproblem: Bestandsplanung wird in den meisten Betrieben auf Basis von Erfahrungswerten gemacht. Jemand schaut sich den Abverkauf des Vorjahres an, rechnet pauschal 15 Prozent Sicherheitspuffer drauf und bestellt entsprechend. Weder Saisonschwankungen, Markttrends noch externe Ereignisse fließen systematisch ein. Das Ergebnis: chronisch schwankende Lagerquoten und zu häufige Eilbestellungen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Demand Forecasting spart dem Einkauf wöchentliche Rechenzeit — aber keine tägliche operative Zeit wie Routenoptimierung oder Versandkommunikation. Der Wert liegt in der Qualitätsverbesserung, nicht in der Zeitersparnis. In dieser Kategorie liegt Nachfrageprognose im unteren Bereich des Logistik-Branchenvergleichs.

Kosteneinsparung — hoch (4/5) 15 bis 25 Prozent Bestandsreduktion bei gleichzeitig weniger Stockouts und weniger Eilbestellungen — das ist ein erheblicher Kapital- und Kosteneffekt. Direkt vergleichbar mit Routenoptimierung (Kraftstoff) und Predictive Maintenance (Ausfallkosten) in der absoluten Einsparungshöhe, aber weniger direkt messbar im Tagesbetrieb.

Schnelle Umsetzung — niedrig (2/5) Das ist die schwächste Dimension in dieser Kategorie: ERP-Integration, Datenbereinigung, Kalibrierung, zwei bis drei Saisonzyklen für verlässliche saisonale Muster — realistisch 12 bis 24 Wochen bis zum vollständig verlässlichen Produktivbetrieb. Kein anderer Logistik-Use-Case braucht länger für den Einstieg.

ROI-Sicherheit — mittel (3/5) Der ROI ist messbar, aber mit Verzögerung: Das System wird erst nach mehreren Saisonzyklen (6 bis 18 Monate) verlässlich genug, um den vollen Nutzen zu entfalten. Wer nach 3 Monaten misst, sieht noch nicht das volle Bild. Das macht den Nutzen weniger sicher vorhersagbar als bei Predictive Maintenance oder Routenoptimierung.

Skalierbarkeit — hoch (4/5) Das ist der stärkste Vorteil: Ein Mensch kann 40 Artikel kennen, ein Forecasting-System 4.000 — ohne proportional mehr Aufwand. Je mehr Artikel, desto stärker der relative Vorteil gegenüber manueller Planung. Wächst das Sortiment, wächst der Nutzen des Systems überproportional.

Richtwerte — stark abhängig von Sortimentsgröße, Datenbasis und Saisonalität der Produkte.

Was das System konkret macht

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

Schritt 2 — Externe Einflussfaktoren integrieren Moderne Forecasting-Systeme verknüpfen interne Verkaufsdaten mit externen Signalen: Feiertagskalender, Wetterdaten (relevant für saisonale Produkte), Promotionspläne der Kunden und Vorlaufzeiten der Lieferanten. Je mehr externe Faktoren eingespeist werden, desto genauer die Prognose.

Schritt 3 — Automatische Bestellvorschläge Das System berechnet: Wann muss welches Produkt in welcher Menge nachbestellt werden, um weder Über- noch Unterbestand zu erzeugen? Bestellvorschläge werden im ERP oder im Einkaufsworkflow angezeigt — 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 priorisiert angezeigt.

Konkrete Werkzeuge — was wann passt

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 bis 25 Prozent. Preise auf Anfrage, Richtwert ab 15.000 bis 30.000 Euro/Jahr für mittlere Betriebe.

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

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.

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.

Datenschutz und Datenhaltung

Demand-Forecasting-Systeme verarbeiten Bestands- und Transaktionsdaten aus dem ERP — in der Regel keine personenbezogenen Daten, sondern Produktmengen, Zeitreihen und Lieferantendaten. Die DSGVO-Relevanz ist daher deutlich geringer als bei fahrerbezogener Telematik oder Kundenkommunikation.

Relevant wird es, wenn Kundennamen oder Bestelldaten in das Forecasting-System einfließen (was bei B2B-Auftragsplanung der Fall sein kann). In diesem Fall ist ein AVV mit dem SaaS-Anbieter nach Art. 28 DSGVO erforderlich. Slimstock und die meisten EU-basierten Anbieter bieten standardisierte AVVs. Bei US-Anbietern wie Netstock ist der EU-Datenhostingstandort explizit zu prüfen.

Was es kostet — realistisch gerechnet

Einstieg (Netstock oder vergleichbare SaaS-Lösung):

• Lizenzkosten: 750–1.500 Euro/Monat
• Einrichtungsaufwand: 4 bis 8 Wochen (ERP-Integration, historische Daten aufbereiten, Artikel-Segmentierung)
• Voraussetzung: Saubere Artikelstammdaten und Transaktionshistorie im ERP (mind. 12 Monate)

Enterprise (Slimstock, SAP IBP):

• Lizenzkosten: 15.000–50.000+ Euro/Jahr
• Implementierungsaufwand: 3 bis 6 Monate mit IT-Projektbegleitung

Konservatives ROI-Beispiel: Logistikbetrieb mit 2.000 aktiven Artikeln, Lagerwert 1,8 Millionen Euro, aktuell 28 Prozent Überbestand. Ziel: Überbestand auf 18 Prozent reduzieren = 180.000 Euro weniger gebundenes Kapital. Kapitalkosten 5 Prozent 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 bis 18.000 Euro/Jahr.

Typische Einstiegsfehler

Mit schlechten Stammdaten starten. Der häufigste Projektabbruch: Das Forecasting-Modell produziert Prognosen, die so weit von der Realität entfernt sind, dass das Team aufgibt. Typisches Ergebnis: MAPE-Werte über 60 % statt der angestrebten 10–25 %, weil Duplikate und falsche Einheiten das Modell verzerren. Fast immer liegt das an inkonsistenten Artikelstammdaten — Duplikate, falsche Einheiten, fehlende Kategorisierung. Plane 20–40 Stunden für ein Datenqualitäts-Audit vor Projektstart ein; erfahrungsgemäß weisen 15–25 % aller Artikelstammsätze Fehler auf, die eine saubere Prognose verhindern. Die Datenbereinigung muss vor der Modellimplementierung abgeschlossen sein, nicht danach.

Saisonale Artikel im ersten Quartal beurteilen. Forecasting für saisonale Produkte braucht 2 bis 3 vollständige Saisonzyklen, um verlässlich zu werden. Wer nach einem Quartal misst und das System für „ungenau” erklärt, misst zu früh. Erfahrungswerte zeigen: Die Prognosequalität verbessert sich zwischen Saison 1 und Saison 3 oft um 30 bis 50 Prozent (Schätzwert aus Praxisberichten).

Einkäufer nicht einbinden. Wenn das Forecasting-System Bestellvorschläge macht und der Einkäufer sie systematisch überschreibt, ohne dass die Abweichungen ausgewertet werden, lernt das Modell nicht. In Betrieben, die keine monatlichen Retrospektiven einplanen, stagniert die Forecast-Accuracy nach 3 Monaten — die MAPE-Verbesserung von 30–50 Saisonzyklus zu Saisonzyklus bleibt aus. Plane monatlich 2 Stunden für eine Abweichungsanalyse ein: Welche 10 Artikel hat das Modell am stärksten verfehlt, und warum? Diese Stunden sind der zentrale Verbesserungsprozess — keine optionale Aufgabe.

Zu viele Artikel gleichzeitig. Wer alle 3.000 Artikel auf einmal in das System überführt, hat 3.000 Stellen, an denen Datenqualität und Kalibrierung schiefgehen können. Besser: Mit den 200 umsatzstärksten Artikeln (typisch 80 % des Umschlags) starten, diese sauber kalibrieren, dann schrittweise erweitern.

Was mit der Einführung wirklich passiert

Demand-Forecasting-Projekte scheitern häufiger an internen Prozessen als an der Technologie. Das Muster ist immer ähnlich: Das System geht live, produziert erste Bestellvorschläge — und die Einkäufer bestellen nach eigenem Urteil weiter, weil sie dem System nicht vertrauen. Wenn niemand auswertet, wo das Modell recht hatte und wo nicht, verbessert es sich nie.

Der Wendepunkt: Wenn das System beim ersten echten Treffer auffällt — ein Artikel, den kein Einkäufer auf dem Radar hatte, aber das System drei Wochen früher identifiziert hat, und der Kunde dann genau diese Menge bestellt. Das ist der Moment, an dem Vertrauen aufgebaut wird.

Wichtig: Forecasting-Systeme verändern die Rolle des Einkäufers, aber sie ersetzen ihn nicht. Die Kompetenz verschiebt sich von „Ich weiß, was gebraucht wird” zu „Ich entscheide, wann das Modell recht hat und wann nicht”. Das ist ein kultureller Wandel, der kommuniziert werden muss.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir kennen unsere Artikel und unsere Kunden — das brauchen wir nicht.” Erfahrung ist wertvoll und kein System ersetzt sie. Aber Erfahrung skaliert nicht: Bei 2.000 aktiven Artikeln kann kein Einkäufer jeden mit der nötigen Datentiefe im Blick behalten. 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. 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 bis 36 Monate. Wenn das nicht vorhanden ist: Erst Transaktionen sauber im ERP erfassen lassen, parallel (ohne Verbindlichkeit) Prognosen erzeugen. Nach 6 bis 12 Monaten ist eine ausreichende Datenbasis vorhanden.

Woran du merkst, dass das zu dir passt

Du hast regelmäßig Eilbestellungen — mindestens drei bis fünf pro Monat — für Artikel, die eigentlich planbar sind.

Gleichzeitig hast du Artikel mit Überbestand, die seit Monaten nicht umschlagen, und niemand hat das früh genug gesehen.

Du verwaltest mehr als 500 aktive Artikel und weißt, dass du nicht alle gleichzeitig im Blick haben kannst.

Wer noch nicht bereit ist:

• Betriebe mit weniger als 12 Monaten sauberer Transaktionshistorie im ERP: Erst Datenbasis schaffen.
• Betriebe mit weniger als 200 aktiven Artikeln: Manuelles Management oft ausreichend, Aufwand-Nutzen-Verhältnis ungünstig.
• Betriebe ohne ERP oder mit sehr inkonsistenten Stammdaten: Datenbereinigung ist der erste Schritt, nicht das Forecasting-Tool.

Das kannst du heute noch tun

Exportiere die letzten 12 Monate Artikelabgänge aus deinem ERP als CSV. Der folgende Prompt hilft dir, eine erste ABC-Analyse zu erstellen und die Artikel zu identifizieren, die am stärksten von besserer Prognose profitieren würden.

Quellen & Methodik

• BVL (Bundesvereinigung Logistik): Bestandsquoten-Studie Mittelstand, 2023
• Slimstock: Veröffentlichte Fallstudien zu Bestandsreduktionen (Anbieterangaben, 2024–2025)
• SAP IBP / Netstock: Veröffentlichte Preislisten und Produktdokumentation, Stand April 2026
• Fraunhofer-Institut für Materialfluss und Logistik (IML): Kennzahlen zur Lageroptimierung
• Art. 28 DSGVO: Auftragsverarbeitungsvertrag bei Drittanbietern