Pharmazeutische Lieferkette mit KI-Bedarfsprognose stabilisieren

Das echte Ausmaß des Problems

Pharmazeutische Lieferketten sind strukturell anders als klassische Industrie-Supply-Chains. Drei Eigenschaften machen sie besonders schwer planbar:

Lange Vorlaufzeiten bei Wirkstoffen. Die durchschnittliche Lead Time für APIs (Active Pharmaceutical Ingredients) aus Asien beträgt 12–20 Wochen. In dieser Zeitspanne muss die Bedarfsprognose so präzise sein, dass weder ein Engpass noch ein massiver Überschuss entsteht. Klassische Planungstools auf Basis gleitender Durchschnitte sehen Nachfrageverschiebungen erst, wenn die Bestellfenster längst geschlossen sind.

Tausende von SKUs mit heterogenem Nachfragemuster. Ein mittelständischer Generika-Hersteller hat typischerweise 500–2.000 aktive SKUs. Einige davon laufen stabil, andere haben saisonale Spitzen (Grippe, Allergie), wieder andere reagieren stark auf Zulassungsänderungen, Regressionsurteile oder Lieferausfälle bei Wettbewerbern. Jede Produktkategorie braucht eine andere Forecast-Logik, ein universeller Algorithmus für alle führt systematisch zu Über- oder Unterschätzungen.

Regulatorische Konsequenzen bei Engpässen. Wer als Zulassungsinhaber einen versorgungsrelevanten Arzneistoff nicht mehr liefern kann, ist nach Art. 23a der Richtlinie 2001/83/EG verpflichtet, die zuständige Behörde mindestens zwei Monate vor der Unterbrechung zu informieren. In Deutschland ist das BfArM (Bundesinstitut für Arzneimittel und Medizinprodukte) zuständig. Die Herausforderung: Eine Meldung zwei Monate vor dem Engpass setzt voraus, dass du den Engpass zwei Monate vorher erkennst, mit klassischer Excel-Planung oft unmöglich.

Das Ergebnis ist ein Teufelskreis: Zu späte Erkennung → Reaktiver Einkauf → Notfallpreise → Überbestände nach der Krise → Kapital gebunden → weniger Spielraum für Vorratshaltung bei der nächsten Krise.

Machine Learning-gestützte Bedarfsprognose setzt an der Erkennung an: Wenn das Modell einen wahrscheinlichen Engpass 14–18 Monate im Voraus signalisiert, hat das Beschaffungsteam Zeit, zu normalen Marktpreisen zu agieren statt auf dem Notkäufer-Markt.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Schätzwerte auf Basis publizierter Branchenstudien (McKinsey Global Institute, Kinaxis Life Sciences, MDPI Systematic Review 2025); tatsächliche Ergebnisse stark abhängig von Datenqualität, SKU-Anzahl und Implementierungsqualität. Eigene Erfahrungswerte können abweichen.

Einschätzung auf einen Blick

Zeitersparnis, gering (2/5) Bedarfsprognose-Systeme reduzieren den manuellen Planungsaufwand, Datenaufbereitung, Konsensrunden, manuelle Korrekturen in Excel, spürbar. In der Praxis berichten Planer von ein bis zwei Tagen Entlastung pro Woche. Das ist real, aber verglichen mit anderen KI-Anwendungsfällen im Pharmaumfeld kein primärer Hebel. Der eigentliche Wert liegt in der Kostenvermeidung, nicht in der Zeitersparnis.

Kosteneinsparung, sehr hoch (5/5) Das ist der stärkste Hebel dieser Anwendung, und einer der stärksten im gesamten Pharma-Portfolio. Ein einziger verhindeter Notfallkauf kann die Systemkosten eines Jahres ausgleichen: Wirkstoffpreise auf dem Notfallmarkt erreichen das Drei- bis Zehnfache des Normalpreises. Dazu kommt die systematische Senkung von Safety Stocks auf das ökonomisch optimale Niveau statt auf Vorsichtsüberschüsse. Wer einen einstelligen Millionenbetrag für Emergency Procurement ausgibt, hat bei 60 % Reduktion den ROI einer Enterprise-Plattform in 18 Monaten finanziert.

Schnelle Umsetzung, gering (2/5) Kein anderes Projekt in dieser Kategorie dauert länger bis zur ersten produktiven Prognose. Realistisch sind 9–18 Monate: Datenkonsolidierung aus ERP, Produktionsplanung und externen Quellen, Modellauswahl und -training, Backtesting, Validierung, Integration in den S&OP-Prozess, Schulung der Planer. Wer in sechs Monaten fertig sein will, kauft entweder eine zu einfache Lösung oder blendet den Implementierungsaufwand aus.

ROI-Sicherheit, hoch (4/5) Der MAPE-Verbesserungswert ist eine objektiv messbare Kennzahl, du siehst, ob das Modell besser prognostiziert als die Ausgangslage. Notfallbeschaffungen sind buchhalterisch direkt erfassbar. Das macht den ROI robuster als bei vielen anderen KI-Anwendungen, wo Nutzen indirekt anfällt. Nicht ganz 5, weil schwarze Schwäne (Pandemien, geopolitische Ereignisse) die Prognosequalität temporär stark beeinträchtigen können und der ROI in Krisen nicht garantiert ist.

Skalierbarkeit, mittel (3/5) Das System lässt sich auf weitere Märkte, Produktlinien und Lieferanten ausweiten, das ist ein echter Vorteil. Aber pharmazeutische Komplexität wächst nichtlinear: Jede neue Region bringt andere Erstattungsregeln, saisonale Muster und regulatorische Anforderungen. Jede neue Produktklasse (z. B. Biologika nach jahrelanger Arbeit mit kleinen Molekülen) braucht eigene Modelle. Skalierung ist möglich, aber ressourcenintensiver als das Marketing der Plattformen suggeriert.

Richtwerte, stark abhängig von SKU-Anzahl, API-Vorlaufzeiten, verfügbarer Datenhistorie und Unternehmensgröße.

Was das System konkret macht

Ein ML-basiertes Bedarfsprognose-System für pharmazeutische Lieferketten arbeitet in drei Schichten:

Schicht 1: Datenaggregation und -bereinigung. Das System zieht Daten aus dem ERP (historische Absatzzahlen, Batch-Größen, Produktionspläne), aus externen Quellen (Verschreibungsdaten, epidemiologische Signale, saisonale Muster), aus der Lieferantenperformance-Datenbank (Lead Times, Ausfallraten) und, wo verfügbar, aus Point-of-Sale-Daten von Großhändlern und Apotheken. Ein kritischer Schritt, der häufig unterschätzt wird: Bevor das erste Modell trainiert werden kann, müssen Datenlücken identifiziert, Einheitenumrechnungen harmonisiert und fehlerhafte historische Einträge bereinigt werden. Das kostet typischerweise 3–6 Monate.

Schicht 2: Modellauswahl und -training. Für unterschiedliche Nachfragemuster werden unterschiedliche Algorithmen eingesetzt. Stabil laufende Produkte profitieren von klassischen statistischen Verfahren (Holt-Winters, ARIMA) mit ML-Optimierung der Parameter. Produkte mit saisonalen Spitzen (Grippe-Antibiotika, Allergiemittel) werden mit Predictive Analytics-Verfahren wie Gradient Boosting oder LSTM-Netzen modelliert, die externe Signale wie Grippewellen-Frühwarnungen oder Pollenflugprognosen einbeziehen können. Produkte mit sehr spärlicher Nachfrage (Orphan Drugs, Nischenindikationen) brauchen spezialisierte Verfahren für intermittierende Nachfrage.

Schicht 3: Empfehlung und Human-in-the-Loop. Das System gibt keine automatischen Bestellungen aus, es gibt Empfehlungen mit Konfidenzintervallen. Die Planerinnen und Planer sehen für jedes kritische SKU: prognostizierter Bedarf im 90-Tage-Fenster, Sicherheitsbestand-Empfehlung, prognostizierter Lagerbestand, Frühwarnsignal falls der Bestand unter den Safety Stock fällt, und der empfohlene Bestellzeitpunkt. Jede Abweichung von der Empfehlung, nach oben oder unten, muss dokumentiert werden. Das ist keine bürokratische Zusatzarbeit, sondern ein GDP-Compliance-Anforderung.

Meldepflichten: Was BfArM und EMA verlangen

Das ist kein Randthema der Einführung, es ist die primäre regulatorische Motivation für den Systemaufbau.

Artikel 23a der Richtlinie 2001/83/EG verpflichtet Zulassungsinhaber, die zuständige Behörde mindestens zwei Monate vor einer Unterbrechung der Marktversorgung zu informieren. In Deutschland setzt das die Meldung an das BfArM nach § 52b AMG um. Was kompliziert klingt, hat eine einfache Implikation: Du musst einen Engpass 8–12 Wochen bevor er eintritt sicher erkennen können, nicht erst wenn der Lieferant ausfällt.

Mit klassischen Planungstools passiert das regelmäßig nicht. Die Meldung erfolgt reaktiv, und damit zu spät, um noch regulatorisch korrekt zu sein. Die Konsequenz: Bußgelder, Reputationsschäden bei der Behörde und im schlimmsten Fall Versorgungsunterbrechungen, die über die eigene Lieferkette hinaus Patienten treffen.

Ein ML-Bedarfsprognose-System, das 12–18 Monate rollierend prognostiziert, kann Versorgungsrisiken strukturiert 90–120 Tage im Voraus sichtbar machen. Das ändert die Compliance-Logik grundlegend: Statt reaktiver Krisenmeldung entsteht ein systematischer Frühwarnprozess. Einige Systeme bieten automatisierte Eskalationspfade für Artikel, bei denen der prognostizierte Bestand unter eine definierte Schwelle fällt, mit direktem Export der Meldedaten in das BfArM-konforme Format.

Wenn du bereits an Zulassungsanträgen für BfArM und EMA arbeitest oder den GxP-Compliance-Status kontinuierlich verfolgst, lässt sich die Shortage-Frühwarnung direkt in diese Compliance-Strukturen einbetten, die Daten fließen in dasselbe System.

Wann du den Forecast überstimmst, Human-in-the-Loop im GDP-Kontext

Das ist ein Abschnitt, den keine Plattform gerne in ihrem Marketing zeigt. Er ist trotzdem entscheidend.

Gute Distributionspraxis (GDP) in der EU verlangt, dass alle Entscheidungen in der pharmazeutischen Lieferkette nachvollziehbar dokumentiert werden. Das schließt Entscheidungen ein, die von einer Systemempfehlung abweichen. Konkret: Wenn das ML-System für Amoxicillin-Trihydrat eine Bestellmenge von 12.000 kg empfiehlt und du 18.000 kg kaufst, muss das dokumentiert und begründet sein.

Drei legitime Gründe, den Forecast zu überstimmen:

1. Externe Ereignisse ohne historisches Analogon. Ein neuer Therapieleitfaden der AWMF erhöht die Verschreibungsempfehlung für dein Produkt. Keine historischen Daten reflektieren das. Der Planer muss das Modell mit einem dokumentierten Zuschlag überstimmen.

2. Lieferantenrisiko, das nicht im Modell steckt. Dein chinesischer API-Hersteller hat in den letzten Wochen deutliche Qualitätsprobleme gezeigt, die noch nicht in der Lieferanten-Performance-Datenbank erfasst sind. Der Einkauf hat das im persönlichen Gespräch erfahren. Das ist valides Wissen, das Modell sieht es nicht.

3. Regulatorische Änderung im Zulassungsumfeld. Eine Mitbewerber-Zulassung wurde zurückgezogen. Dein Marktanteil wird steigen. Das Modell weiß das erst, wenn der Absatz steigt, zu spät für die Beschaffung.

In allen drei Fällen gilt: Entscheidung dokumentieren, Begründung festhalten, den nächsten Planungszyklus beobachten. Systeme wie Kinaxis Maestro und SAP IBP bieten explizite Override-Workflows mit Pflichtfeldern für Begründungen und automatischer Eskalation, kein Excel-Kommentar, der drei Monate später niemand mehr zuordnen kann.

Das Prinzip lautet: Das Modell entscheidet nicht. Es informiert. Die Verantwortung liegt beim Planer, und damit auch die GDP-Pflicht zur Dokumentation.

Datenqualität als Eintrittshürde

Der ehrlichste Satz zur pharmazeutischen Bedarfsprognose: Das beste ML-Modell auf schlechten Daten schlägt Excel auf guten Daten nicht.

Was bedeutet das konkret? Für ein Gradient-Boosting-Modell, das Bedarf 12–18 Monate voraussagen soll, brauchst du:

• Mindestens 3 Jahre saubere, granulare Absatzdaten auf Artikel-Ebene (nicht nur auf Produktgruppen-Ebene), idealerweise inklusive saisonaler Ereignisse, Promotionen und Sondereffekte
• Konsistente Produkthierarchien über diesen Zeitraum, Umbenennungen, Packungsgrößenänderungen und Reformulierungen müssen rückwirkend harmonisiert sein
• Dokumentierte Lead Times pro Lieferant und Wirkstoff, nicht “3–4 Monate”, sondern tatsächliche historische Lieferzeiten mit Abweichungen
• Verknüpfte Produktions- und Qualitätsdaten, Chargengrößen, Yield-Raten, verworfene Chargen mit Ursache

Was in der Praxis oft fehlt: Diese vier Datenbedingungen sind in vielen mittelgroßen Pharmaunternehmen nicht vollständig erfüllt. ERP-Systeme erfassen Abverkäufe oft auf Chargen-Ebene, nicht auf SKU-Ebene. Lead Times werden mündlich verhandelt und nicht systematisch erfasst. Yield-Raten liegen im LIMS (Labor Information Management System), nicht im ERP.

Das ist kein Ausschlusskriterium, es ist ein Vorprojekt. Unternehmen, die das Thema ernst nehmen, investieren typischerweise 6–12 Monate in die Datenkonsolidierung, bevor das erste ML-Modell trainiert wird. Wer das überspringt, kauft sich 12 Monate in eine Lösung und kämpft dann ein Jahr lang gegen Datenqualitätsprobleme.

Eine einfache Diagnose: Wenn du deinen Supply-Chain-Planerinnen und Planern heute die Frage stellst “Wie viele Stunden pro Woche verbringt ihr damit, Daten aus verschiedenen Systemen zusammenzutragen und manuell zu bereinigen?”, und die Antwort ist mehr als vier Stunden, dann ist die Datenbasis noch nicht ML-ready. Das ist kein Versagen, das ist der Normalzustand in der Branche. Es ist aber wichtig, ihn ehrlich zu benennen, bevor der erste Anbieter eine Demo zeigt.

Konkrete Werkzeuge, was wann passt

Die Werkzeuglandschaft für pharmazeutische Bedarfsprognose teilt sich in drei Ebenen, die sich an Unternehmensgröße und SAP-Umgebung orientieren.

Kinaxis Maestro, Pharma-Spezialist für Konzerne Kinaxis hat sich als eine der stärksten Plattformen für Life-Sciences-Supply-Chains positioniert. Concurrent Planning, alle Planungsebenen werden gleichzeitig simuliert, nicht sequenziell, macht Szenarien-Analysen schnell und die Auswirkungen eines Engpasses auf die gesamte Kette sichtbar. Laut Kinaxis erreichen Life-Sciences-Kunden im Schnitt 30 % bessere Forecast-Genauigkeit und 20–40 % weniger Stockouts. Preis: auf Anfrage, enterprise-seitig sechsstellig bis siebenstellig jährlich. Implementierung: 9–18 Monate. Sinnvoll ab etwa 200 Mio. EUR Umsatz und 500+ aktiven SKUs.

SAP Integrated Business Planning (IBP), für SAP-Umgebungen Für Pharmaunternehmen, die SAP S/4HANA oder ECC produktiv betreiben, ist SAP IBP die naheliegendste Option. Die Plattform bietet ML-gestützte Demand Sensing und Forecast-Algorithmen (Gradient Boosting, Neural Networks), tiefe Integration mit SAP-Produktionsdaten und, relevant für Pharma, ein dokumentiertes GxP-Validierungsprofil über SAP-Partner. EU-Hosting (Frankfurt) mit DSGVO-konformem AVV. Implementierungskosten: 500.000–3.000.000 € einmalig, je nach Modulumfang. Jahreslizenzen: 80.000–200.000 € für mittelständische Implementierungen. Klar Enterprise, klar SAP-only.

o9 Solutions, für Konzerne mit fragmentierter Planungslandschaft Wenn die Planungsdaten auf Excel-Dateien, mehrere ERP-Systeme und verschiedene Standorte verteilt sind, löst o9 genau dieses Problem. Der Enterprise Knowledge Graph aggregiert alle Planungsdaten und macht gegenläufige Pläne sichtbar. Stärke: externe Marktdaten (Rohstoffpreise, epidemiologische Indikatoren) direkt in die Prognose integrieren. EU-Hosting verfügbar (Niederlande). Preise auf Anfrage, Implementierung 9–18 Monate. Realistische Gesamtkosten über drei Jahre im zwei- bis dreistelligen Millionenbereich.

Anaplan, wenn Finance und Supply Chain verbunden werden sollen Anaplan ist primär eine FP&A-Plattform, bietet aber über Anaplan PlanIQ einen ML-Forecasting-Baustein für Demand Planning. Sinnvoll, wenn das Pharmaunternehmen Finanzplanung und Supply-Chain-Prognose in derselben Plattform führen will und kein dediziertes Supply-Chain-Tool rechtfertigen kann. Einstieg ab 30.000 USD/Jahr, typisch 200.000 USD/Jahr. Implementierung 4–12 Monate.

Open-Source-Einstieg für Pilotprojekte: Python + StatsForecast / Prophet Für Unternehmen, die den Nutzen belegen wollen, bevor sie eine Enterprise-Lizenz kaufen: Open-Source-Bibliotheken wie Nixtla StatsForecast oder Meta Prophet erlauben das Training von Demand-Forecast-Modellen auf historischen Absatzdaten ohne Lizenzkosten. Ein Pharma-Datenanalyst mit Python-Kenntnissen kann in 4–8 Wochen einen Baseline-Forecast für 50–100 Top-SKUs aufbauen und den MAPE gegen die bestehende Planung messen. Das ist kein Produktivsystem, aber ein ehrlicher Proof of Concept, der belegt, ob der Datenbedarf erfüllbar ist und welche Verbesserung realistisch erreichbar wäre. Erst danach lohnt sich die Ausschreibung an Enterprise-Anbieter.

Zusammenfassung: Wann welcher Ansatz

• SAP S/4HANA produktiv, 200+ Mio. EUR Umsatz → SAP IBP
• Kein SAP oder fragmentierte Planungslandschaft → Kinaxis oder o9 Solutions
• Finance + Supply Chain in einer Plattform → Anaplan
• Proof of Concept ohne Enterprise-Budget → Python + StatsForecast

Datenschutz und Datenhaltung

Pharmazeutische Lieferkettendaten sind regulatorisch zweifach sensitiv: einerseits wegen der DSGVO, soweit Kundendaten (Apotheken, Großhändler) verarbeitet werden; andererseits wegen pharmazeutischer Compliance-Anforderungen (GxP, GDP), die bestimmte Audit-Trail- und Datenintegritätspflichten erzeugen.

Was datenschutzrechtlich relevant ist:

• Lieferanten-Performance-Daten enthalten oft personenbezogene Informationen (Kontaktpersonen beim Lieferanten)
• Verschreibungsdaten aus Apothekenkanälen können personenbezogen sein, abhängig von Granularität und Quelle
• Forecast-Daten selbst sind in der Regel keine personenbezogenen Daten, aber die Datenquellen, aus denen sie generiert werden, können es sein

Anforderungen pro Tool: Alle vier genannten Plattformen bieten EU-Hosting und AVV nach Art. 28 DSGVO. Für pharmazeutische GxP-Anforderungen (Computer System Validation, Audit Trail) gilt: SAP IBP hat das umfassendste etablierte Validierungsprofil in der Branche; Kinaxis Maestro bietet GxP-Validierungsunterstützung über Partner; o9 Solutions und Anaplan sind seltener GxP-validiert eingesetzt, prüfe Referenzen in der Pharmaindustrie explizit.

Praktische Empfehlung: Bevor ein externes System pharmazeutische Planungsdaten verarbeitet, müssen folgende Schritte abgeschlossen sein: AVV abschließen, Datenschutz-Folgenabschätzung (DSFA) für die Verarbeitungsarten durchführen, und, falls es sich um ein computertechnisches System im GxP-Umfeld handelt, einen CSV-Plan (Computer System Validation) erstellen. Die Verantwortung liegt beim Zulassungsinhaber, nicht beim Softwareanbieter.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Für eine Enterprise-Plattform-Implementierung (Kinaxis, SAP IBP, o9):

• Lizenz Jahr 1: 200.000–1.000.000 EUR
• Implementierung (Beratung, Datenintegration, Testing, Validierung): 500.000–3.000.000 EUR
• Interne Aufwände (Projektmanagement, Planer-Schulungen, Datenvorbereitung): 200.000–500.000 EUR

Für eine maßgeschneiderte ML-Lösung auf SAP-Datenbasis:

• Cloud-Infrastruktur + ML-Bibliotheken: 30.000–80.000 EUR/Jahr
• Data-Engineering und Modellentwicklung (extern): 150.000–400.000 EUR einmalig
• SAP-Integration: 80.000–200.000 EUR

Laufende Kosten (jährlich)

• Enterprise-Plattform: 200.000–1.000.000 EUR/Jahr (Lizenz + Betrieb + Support)
• Maßgeschneiderte Lösung: 50.000–150.000 EUR/Jahr (Cloud-Kosten + Pflege)

Was du dagegenrechnen kannst

Ein Pharmaunternehmen mit 150 Mio. EUR Umsatz gibt erfahrungsgemäß 8–15 % davon für Beschaffungskosten aus, davon 3–8 % in Notfallsituationen zum Aufpreis. Bei 5 % Notfallkaufquote und einem Durchschnittsaufpreis von 60 % ergibt das: 5 % × 15 Mio. EUR × 60 % Aufpreis = 450.000 EUR/Jahr in vermeidbaren Notfallkosten. Hinzu kommt eine Lagerbestandssenkung um 10–15 %: Bei einem Lagerbestand von 20 Mio. EUR sind das 2–3 Mio. EUR freigesetztes Kapital, bei 5 % Kapitalkosten entspricht das 100.000–150.000 EUR/Jahr.

Die konservative ROI-Rechnung: 450.000 + 150.000 = 600.000 EUR Jahresnutzen gegen 400.000–1.200.000 EUR Jahresgesamtkosten. Der Payback-Zeitraum liegt realistisch bei 2–3 Jahren, bei eingetretenen Engpässen auch kürzer.

Woran du den ROI tatsächlich misst: MAPE-Verbesserung allein ist kein Businessfall. Der echte KPI ist: Wie viele Notfallbeschaffungen (mit welchem Aufpreis) wurden in den 12 Monaten nach Einführung verhindert, verglichen mit den 12 Monaten davor? Diese Zahl ist direkt aus dem Einkaufssystem abrufbar und buchhalterisch belastbar.

Typische Einstiegsfehler

1. Mit der Implementierung beginnen, bevor die Datenbasis stimmt. Der häufigste und teuerste Fehler: Die Plattform wird konfiguriert und die Planer beginnen zu schulen, aber die historischen Absatzdaten sind inkonsistent, Lead Times unvollständig erfasst, Produkthierarchien stimmen zwischen ERP und Planungssystem nicht überein. Das Modell trainiert auf falschen Daten und gibt systematisch falsche Prognosen. Die Diagnose kommt oft erst nach einem Jahr produktivem Betrieb, wenn der erste versprochene ROI ausbleibt. Lösung: Vor dem Projektstart eine 4–6-wöchige Datengüteanalyse durchführen. Nur wenn das Ergebnis zeigt, dass 3 Jahre Absatzdaten pro SKU granular und konsistent vorliegen, beginnt die Implementierung.

2. Den Human-in-the-Loop-Prozess nicht vor dem Go-Live definieren. Das System wird eingeführt, aber niemand hat vorab festgelegt: Wer darf den Forecast überstimmen? Wie muss eine Override-Entscheidung dokumentiert werden? Was passiert, wenn zwei Planer unterschiedliche Overrides für dasselbe Produkt wünschen? Im GDP-Umfeld sind das keine akademischen Fragen, sie sind Audit-relevant. Ohne klare Governance entstehen im ersten Halbjahr informelle Parallelstrukturen: Das System gibt eine Empfehlung, der Einkauf bestellt nach Gefühl, und keiner kann drei Monate später nachvollziehen, warum. Lösung: Override-Governance vor dem Go-Live im Rahmen des GDP-Prozessdokuments festlegen.

3. Ein universelles Modell für alle SKUs einsetzen. Gradient Boosting funktioniert sehr gut für stabile Produkte mit saisonalen Mustern. Für Orphan Drugs mit 50 Einheiten Jahresabsatz ist es das falsche Werkzeug, Croston oder Teunter-Syntetos-Babai-Modelle funktionieren bei intermittierender Nachfrage besser. Wer eine Plattform kauft und alle 1.200 SKUs durch denselben Algorithmus laufen lässt, bekommt für 800 Produkte gute Ergebnisse und für 400 systematisch schlechte. Lösung: SKU-Segmentierung vor der Modellauswahl, nach Nachfragemuster, Lead Time und Versorgungskritikalität. Die Plattform muss mehrere Algorithmen parallel unterstützen.

4. Das Modell einführen und nicht neu trainieren. Das ist der stille Killer. Nach 18 Monaten produktivem Betrieb hat sich das Marktumfeld verändert: Neue Wettbewerber, veränderte Verschreibungsmuster, neue Lieferanten. Das Modell wurde mit Daten von vor zwei Jahren trainiert und gibt Prognosen ab, die auf einer Welt basieren, die so nicht mehr existiert. In der pharmazeutischen Lieferkette ist das gefährlicher als kein Modell: Das System klingt präzise und irrt sich systematisch. Lösung: Quartalsweises Backtesting auf den letzten drei Monaten definieren, wenn der MAPE steigt, ist Retraining ausgelöst. Das ist organisatorische Pflicht, keine technische Automatik.

Was mit der Einführung wirklich passiert, und was nicht

Die Technologie ist der einfachste Teil des Projekts. Der schwierigere ist die Planungskultur.

Die “ich weiß es besser”-Gruppe. In jedem Pharmaunternehmen gibt es Planerinnen und Planer, die 15 Jahre Erfahrung mit bestimmten Produkten haben, und die wissen, dass die Grippe in diesem Winter früher kommt als der Algorithmus voraussagt. Sie werden den Forecast öfter überstimmen als das System es vorschlägt, und sie haben damit manchmal Recht. Die Gefahr ist nicht, dass sie überstimmen, das ist legitim und unter GDP dokumentierbar. Die Gefahr ist, dass die Override-Rate so hoch wird, dass das System faktisch nicht genutzt wird und der ROI ausbleibt. Lösung: Monatliches Backtesting der Override-Entscheidungen. Welche haben sich als richtig erwiesen, welche als falsch? Das schafft einen sachlichen Lernprozess statt einer Glaubensdebatte.

Die Qualitätssicherung als unerwarteter Verbündeter. Pharmaunternehmen haben starke QS-Abteilungen, die Dokumentations- und Audit-Trail-Anforderungen durchsetzen können. Die QS ist oft der stärkste Treiber für eine saubere Override-Governance, nicht wegen des ROI, sondern wegen des nächsten DACH-Behörden-Audits. Das ist ein internes Bündnis, das Supply-Chain-Verantwortliche frühzeitig suchen sollten.

Was konkret hilft:

• Pilotgruppe mit 5–10 Supply-Chain-Planern, die das System 3 Monate parallel zur bisherigen Methode betreiben, kein “Big Bang”-Einführung
• Monatliche Rückblick-Meetings in den ersten 6 Monaten, in denen MAPE-Verbesserung und Override-Rate gemeinsam besprochen werden
• Klare Eskalation: Wenn ein Artikel drei Mal in Folge trotz Forecast-Warnung zu einem Engpass führt, geht der Vorgang an den Supply-Chain-Director, nicht als Schuldzuweisung, sondern als Prozess-Lernschleife

Realistischer Zeitplan mit Risikohinweisen

Realistischer Erwartungswert: Erste messbare MAPE-Verbesserung frühestens nach Monat 10–12. Volle Amortisierung frühestens nach Jahr 2. Wer nach 6 Monaten Ergebnisse erwartet, wird enttäuscht sein.

Häufige Einwände, und was dahintersteckt

“Unsere Planer kennen die Produkte besser als jeder Algorithmus.” Das ist zum Teil wahr, und zum Teil eine Rationalisierung. Ein erfahrener Planer kennt die Besonderheiten einzelner Produkte und Märkte, die kein historischer Datensatz vollständig abbildet. Gleichzeitig kann kein Mensch zuverlässig 1.200 SKUs über 12 Monate mit korrekten Sicherheitsbestandsempfehlungen überwachen. Das ML-Modell ist kein Ersatz für das Wissen der Planer, es ist ein Werkzeug, das das Wissen auf alle Produkte gleichzeitig anwendet, nicht nur auf die 20, die gerade Aufmerksamkeit brauchen.

“Wir haben zu wenig historische Daten.” Das ist oft ein echtes Problem, aber selten ein absolutes Ausschlusskriterium. Mit zwei Jahren sauberer Daten lassen sich für stabile Produkte bereits belastbare Baseline-Forecasts bauen. Der Unterschied zu 5 Jahren Daten ist real, aber der Grenznutzen zusätzlicher Datenjahre nimmt ab. Außerdem: Externe Daten (Verschreibungstrends, Marktdaten) können fehlende interne Historie teilweise kompensieren, nicht vollständig, aber merklich.

“Die Implementierung dauert zu lange. Wir brauchen eine Lösung jetzt.” Das ist ein verständlicher Einwand, und er offenbart, dass das Problem akut ist und kein langfristiges Strategieprojekt duldet. Die Antwort: Kurzfristig und langfristig trennen. Kurzfristig: Eine Python-basierte Analyse der Top-20-Risiko-SKUs in 6–8 Wochen gibt erste Orientierung und rechtfertigt oder verwirft die Investitionsentscheidung. Langfristig: Die Enterprise-Plattform wird trotzdem 12–18 Monate brauchen, das lässt sich nicht beschleunigen, ohne Qualität zu opfern.

Woran du merkst, dass das zu dir passt

Dieses Thema passt, wenn du mehrere dieser Punkte mit Ja beantwortest:

• Du hast 300+ aktive SKUs mit unterschiedlichen Nachfragemustern und Lead Times über 8 Wochen für kritische Wirkstoffe
• Notfallbeschaffungen kosten dich spürbar, mindestens zwei bis drei Mal im Jahr kaufst du API oder Fertigware deutlich über dem normalen Marktpreis
• Du hast BfArM-Meldepflichten und musst sicherstellen, dass Engpässe 8+ Wochen im Voraus erkennbar sind
• Deine historischen Absatzdaten sind seit mindestens 2–3 Jahren konsistent erfasst im ERP, auf SKU-Ebene
• Du hast ein dediziertes Supply-Chain-Team mit mindestens 3–5 Planern, die das System nutzen und pflegen werden

Drei harte Ausschlusskriterien, wann es (noch) nicht passt:

1. Unternehmensgröße unter 80–100 Mio. EUR Jahresumsatz. Die Implementierungskosten einer Enterprise-Plattform sind nicht amortisierbar. Unterhalb dieser Schwelle ist eine Python-basierte maßgeschneiderte Lösung für die Top-50-SKUs sinnvoller, und deutlich günstiger. Auch das braucht gute Daten, ist aber ohne Millionenbudget umsetzbar.

2. Weniger als 2 Jahre granulare Absatzdaten auf SKU-Ebene. Auf 18 Monate Daten trainierte Modelle (Gradient Boosting, LSTM) schneiden häufig schlechter als das statistische Basismodell ab, weil sie Rauschen als Muster lernen. Erst konsequente Datenpflege im ERP, dann ML.

3. Kein internes Team für die laufende Modellpflege. Ein Bedarfsprognose-System braucht quartalsweise Backtests, Retraining bei Konzeptdrift und kontinuierliche Datenpflege. Wer kein Data-Science- oder Analytics-Know-how intern aufbauen will oder kann, kauft sich eine teure Lizenz für ein System, das nach 18 Monaten stale ist und falsche Prognosen gibt. Das ist schlimmer als der Status quo.

Das kannst du heute noch tun

Der erste konkrete Schritt kostet nichts außer zwei Stunden: Hol die Absatzdaten deiner 20 meistverkauften SKUs aus dem ERP, Monat für Monat, die letzten 3 Jahre. Prüfe, wie viele Datenlücken (fehlende Monate, null-Einträge, offensichtliche Ausreißer) diese Daten enthalten. Wenn mehr als 15 % der Datenpunkte fehlen oder offensichtlich falsch sind, ist die erste Investition nicht in ein ML-System, sondern in Datenqualität.

Falls die Daten in Ordnung sind, kannst du mit Python und der Open-Source-Bibliothek StatsForecast von Nixtla in einer Woche einen Baseline-Forecast für diese 20 Produkte bauen und gegen die letzte Excel-Prognose messen. Wenn der MAPE um 20 %+ besser ist, hast du den Businesscase für die Enterprise-Investition.

Für den S&OP-Prozess selbst, bevor oder während du ein ML-System einführst, hilft dieser Prompt für dein wöchentliches Planungsmeeting:

Quellen & Methodik

• Arzneimittelengpässe in Deutschland, Patientenzahlen: Deutsches Ärzteblatt, „Millionen Patienten potenziell von Lieferengpässen bei Arzneimitteln betroffen” (2025); laut GKV-Auswertung für 2022–2024. URL: ärzteblatt.de
• Meldezahlen BfArM: Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM), Themendossier Lieferengpässe (bfarm.de); Statista-Auswertung BfArM-Daten, „Arzneimittel, Lieferengpässe in Deutschland 2024” (Stand 2024).
• EMA-Meldepflicht Art. 23a: Richtlinie 2001/83/EG des Europäischen Parlaments und des Rates vom 6. November 2001; Umsetzung in deutsches Recht über § 52b AMG. Bestätigt in: PMC, „State of the European Union’s early notification obligation for drug shortages: enforcement and compliance in eight European countries (2020–2022)” (2023), pmc.ncbi.nlm.nih.gov.
• MAPE-Verbesserung und Stockout-Reduktion: Kinaxis-Referenzkommunikation für Life-Sciences-Kunden (kinaxis.com; Simbustech-Implementierungspartner-Berichte, 2024). McKinsey Global Institute: „AI-driven forecasting reduces forecast errors by 20–50 percent” (mehrfach zitiert, u.a. groupbwt.com/blog/ai-demand-forecasting).
• Systematischer Review AI/ML in pharmazeutischer Lieferkette: Mansour et al., „A Systematic Review of Artificial Intelligence (AI) and Machine Learning (ML) in Pharmaceutical Supply Chain (PSC) Resilience: Current Trends and Future Directions”, MDPI Sustainability 17(14):6591, 2025. doi:10.3390/su17146591
• API-Preisvolatilität: FiercePharma, „API supplier BASF raises prices up to 20% in response to rising energy, raw material costs” (fiercepharma.com); Pharmaoffer, „API (Active Ingredient) Price Volatility: Why You Should Care” (pharmaoffer.com).
• Failure Mode Pandemie/Black Swan: IntuitionLabs, „AI in Pharma Supply Chain: Forecasting and Logistics” (intuitionlabs.ai); Kinaxis-Whitepapers zu Concurrent Planning für Life Sciences. Bestätigt im MDPI-Review 2025.
• Implementierungskosten Enterprise-Plattformen: Veröffentlichte Partnerberichte und Anbieter-Kommunikation für o9 Solutions, SAP IBP (SAP-Preisblätter), Kinaxis (Partnerberichte NexInfo/Simbustech). Stand: Mai 2026.

Du fragst dich, ob der Businesscase für euer spezifisches Produktportfolio trägt, und welche Datenvoraussetzungen ihr erfüllt? Das klären wir gerne in einem kurzen Gespräch, bevor ihr eine Enterprise-Lösung evaluiert.