Bestandsoptimierung & automatische Nachbestellung

Zu viel Lagerbestand bindet Kapital und endet in Abschreibungen; zu wenig führt zu Fehlmengen und entgangenen Umsätzen. Die Bestandsoptimierung ersetzt starre Min/Max-Regeln und Tabellen durch probabilistische Nachfrage- und Wiederbeschaffungszeit-Prognosen sowie einen Solver oder eine Policy, die Sicherheitsbestand, Meldebestand und Bestellmenge je Artikel und Standort festlegt und anschließend die Bestellungen vorschlägt oder auslöst. Menschen prüfen Ausnahmen und legen Servicegrad- und Budgetvorgaben fest.

Problem & Nutzen

• Heute: Einkäufer und Disponenten arbeiten mit ERP-Min/Max-Werten, festen Sicherheitsbestandsformeln (oft mit der Annahme normalverteilter Nachfrage) und manuellen Korrekturen. Die Parameter veralten, sporadisch nachgefragte „Langsamdreher“ und neue Produkte werden schlecht behandelt, und dieselbe Regel gilt für sehr unterschiedliche Artikel.
• KI-Nutzen: Verteilungsbasierte Prognosen (nicht nur Punktprognosen) erfassen die Unsicherheit bei Nachfrage und Lieferantenlieferzeit; der Optimierer wägt Servicegrad und Lagerkosten über Tausende von Artikel-Standort-Paaren ab; die Automatisierung nimmt das Routinebestellen ab, sodass Disponenten Ausnahmen steuern.
• Vorteile: Anbieter berichten von geringeren Beständen bei gleichem oder höherem Servicegrad, doch die Zahlen sind selbst berichtet und hängen stark von der Ausgangslage ab. Behandeln Sie sie als Hypothesen und prüfen Sie sie mit einem Backtest oder einem A/B-Pilot auf Ihren eigenen Daten [1][2].

Varianten

• Handel und E-Commerce: Filial-/Zentrallager-Nachschub, Frischwarenbestellung mit Haltbarkeit, Aktions- und Wettereffekte (siehe OPT-016, OPT-017).
• Fertigung und MRO: Rohstoffe, Komponenten und Ersatzteile mit sehr sporadischer Nachfrage; Abstimmung mit der Produktionsplanung (OPT-002).
• Distribution und Großhandel: große Sortimente, Lieferanten-Staffelpreise, mehrstufige Netzwerke (OPT-008).
• KMU: Webshops und Handwerks-/Handelsbetriebe, die integrierte Nachbestellvorschläge von ERP oder Shopsystem nutzen, typischerweise einige Hundert bis wenige Tausend Artikel.

So funktioniert es

1. ERP-/WMS-/POS-Daten (Verkäufe, Bestand, Bestellungen, Lieferzeiten)
2. Datenbereinigung (Zensierung bei Lieferunfähigkeit, Retouren, Ausreißer, neue/auslaufende Artikel)
3. probabilistische Bedarfsprognose + Lieferzeitverteilung je SKU/Standort (PRED-001)
4. Optimierung der Bestandspolitik (Servicegradziel, Kosten, Mindestbestellmenge, Haltbarkeit, Budget, Kapazität)
5. Bestellvorschläge (Bestellpositionen, Umlagerungen) mit Erklärungen
6. Prüfung der Ausnahmen durch Disponenten / automatische Freigabe innerhalb der Leitplanken
7. Bestellung an Lieferanten (EDI/API/E-Mail)
8. Ist-Werte fließen in Prognose und Parameter zurück

• Prognose: Gradient-Boosting-Bäume oder globale Deep-Learning-/Foundation-Zeitreihenmodelle liefern Quantil- oder Stichprobenprognosen; sporadische Artikel nutzen eigene Modelle (Croston/TSB, Zählverteilungen).
• Optimierung: analytische Newsvendor- und (s,S)/(R,Q)-Policies, stochastische oder gemischt-ganzzahlige Programmierung für Randbedingungen wie Budget, Containerauslastung und Mindestbestellmengen; mehrstufige Verteilung über Zentrallager und Filialen. Reinforcement Learning wird in der Forschung und in einigen Produkten für das Tuning von Policies eingesetzt.
• Rolle des LLM: nur unterstützend: Was-wäre-wenn-Abfragen, Erklärungen zu Ausnahmen, Lieferanten-E-Mails (OPT-018, AGENT-005).
• Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten legen Servicegradklassen fest, genehmigen hochwertige oder Neuartikel-Bestellungen und können mit Begründung übersteuern; das wird protokolliert und zur Beurteilung der Prognosequalität genutzt.

Datenaufbereitung

Benötigt werden: Verkaufs- und Verbrauchshistorie je Artikel und Standort, aktueller Bestand, offene Bestellungen, Lieferzeiten der Lieferanten, Mindestbestellmengen und Verpackungseinheiten, Aktions- und Preiskalender. Diese Daten liegen meist im ERP oder WMS, dazu kommen Excel-Tabellen der Einkäufer, Lieferanten-E-Mails und Lieferscheine auf Papier.

Typische Lücken: doppelte oder uneinheitliche Artikelstammdaten (Mengeneinheiten, Verpackungseinheiten), als Nullnachfrage erfasste Fehlmengen, Lieferzeiten, die nur im Kopf des Einkäufers existieren, nicht dokumentierte Aktionen und massenhaft korrigierte Buchungen.

Aufbereitungsschritte: - 2-3 Jahre Bestell- und Bestandshistorie über ERP-Berichte oder Konnektoren exportieren (siehe PREP-005). - Artikelstamm bereinigen, Dubletten zusammenführen und Einheiten korrigieren; Excel-Listen in Tabellen überführen (PREP-011). - Fehlmengenzeiträume, Aktionen und Einmalaufträge markieren, damit das Modell sie nicht als normale Nachfrage lernt. - Reale Lieferantenlieferzeiten aus Bestell- und Wareneingangsdaten messen statt Stammdatenwerte zu übernehmen. - Kennzahlendefinitionen (Servicegrad, Reichweite) in einem kurzen Glossar abstimmen (PREP-012).

Grober Aufwandsanteil: 40-60 Prozent des Projekts, überwiegend Stammdatenbereinigung. Gehen Sie die Checkliste in GUIDE-003 durch, bevor Sie ein Werkzeug wählen.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte Bestandsplanungs-SaaS und ERP-Erweiterungen mit EU-Hosting gibt es zu KMU-tauglichen Preisen, und Nachbestellung ist ein Standardprozess.
• Großunternehmen: Weg B. Die Nachbestellung ist für Marge und Servicegrad zentral; daher lohnt sich das Feintuning von Prognosen und Policies auf eigenen ERP/WMS-Daten über APIs und einen Solver mehr als Lizenzgebühren pro Nutzer.
• Entwickler: Weg C. Open-Source-Bibliotheken für Prognose und Optimierung (z. B. statsforecast, OR-Tools) laufen auf HW1 und lassen sich in eigene Produkte einbetten.

Weg A — Kaufen (Standardsoftware) (für die meisten empfohlen)

• Spezialisierte Bestands-/Supply-Planning-Suiten: RELEX Solutions (Finnland, EU), Slimstock (Niederlande, EU), Lokad (Frankreich, EU, probabilistische Prognose mit dem Ansatz der „Quantitative Supply Chain“), Wahupa (Deutschland, EU), ToolsGroup (Italien, EU), Blue Yonder, o9 Solutions, Kinaxis, SAP IBP, Oracle, Netstock, Inventory Planner und Cin7 für KMU-Webshops.
• ERP-integriert: SAP S/4HANA und IBP, Planungsoptimierung in Microsoft Dynamics 365 Supply Chain Management, Oracle NetSuite, Nachbestellregeln in Odoo (EU), Microsoft Business Central.
• A wählen, wenn: Standard-Nachbestellprozesse, vorhandenes ERP, keine besonderen Randbedingungen. Prüfen Sie ERP-Konnektoren, Transparenz der Prognosegenauigkeit (sind die Quantilprognosen einsehbar?), erklärbare Parameter, EU-Datenhosting und den Umgang mit manuellen Übersteuerungen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Prognosedienste: Amazon Forecast ist für Neukunden geschlossen; nutzen Sie daher SageMaker-/AutoGluon-basierte Stacks, Google BigQuery ML oder Vertex-AI-Prognosen, Azure ML/Fabric oder Databricks und Snowflake mit vortrainierten Zeitreihen-Foundation-Modellen per API (EU-Regionen).
• Solver: Gurobi, FICO Xpress, Hexaly (Frankreich, EU) oder CP-SAT über verwaltete Rechenressourcen; Policy-Logik in Python.
• LLM-Schicht: ein Frontier-Modell mit Tool-Aufrufen (Claude, Gemini, GPT, Mistral) für Was-wäre-wenn-Fragen und Erklärungen zu Ausnahmen, das den Solver als Werkzeug aufruft und niemals Zahlen erfindet (OPT-018).
• Orchestrierung: Airflow/Dagster, dbt oder n8n/Power Automate für Bestellfreigabe und E-Mail/EDI.
• B wählen, wenn: Sie Dateningenieure haben, Sonderregeln gelten, die die Suiten nicht abbilden können, oder die Prognose in Ihr eigenes Produkt eingebettet werden soll.

Weg C — Selbst betreiben (Open Source)

• Prognose: Nixtla StatsForecast/MLForecast/NeuralForecast, Darts, GluonTS, AutoGluon-TimeSeries; vortrainierte offene Zeitreihenmodelle wie Chronos / Chronos-Bolt (Amazon), TimesFM (Google), Moirai (Salesforce), Lag-Llama und TiRex, im Zero-Shot-Betrieb gegen Ihre Baseline geprüft.
• Optimierung: Google OR-Tools, HiGHS, Pyomo, PuLP, SCIP; offene Bibliotheken wie das Paket stockpyl für klassische mehrstufige Bestandsmodelle.
• Stack: PostgreSQL/DuckDB, Dagster oder Airflow, Metabase/Superset; ERP-Anbindung über REST/OData.
• Hardware: HW1 genügt (CPU-Server) für die meisten Sortimente; eine GPU (HW2) hilft nur bei großen neuronalen oder Foundation-Modell-Prognosen über Millionen von Zeitreihen.

Weg D — Eigenes Training

Lohnt sich für sehr große oder ungewöhnliche Netzwerke (Hunderttausende Artikel-Standort-Kombinationen, verderbliche Waren, stark zensierte Nachfrage), in denen eigene Deep-Learning- oder Reinforcement-Learning-Modelle fertige Prognosen schlagen. Erfordert zwei oder mehr Jahre saubere Historie mit markierten Fehlmengen, einen Simulator der Lieferkette zum Testen von Policies und MLOps für kontinuierliches Backtesting. Die M5-Ergebnisse zeigen, dass Baum-/Neuronale-Netz-Ensembles schwer zu schlagen sind; starten Sie daher mit offenen Baselines [3].

Stand der Technik (2026)

• Probabilistische Prognose ist der Standard: Der M5-Wettbewerb (Walmart-Daten) und spätere Arbeiten zeigten, dass Gradient Boosting und globale neuronale Modelle statistische Einzelreihenmethoden bei Handelsdaten schlagen, und die Bewertung wechselte auf Quantilverlust (Pinball-Loss) und Servicegrad-Ergebnisse statt MAPE [3].
• Foundation-Modelle für Zeitreihen (Chronos, TimesFM, Moirai) liefern starke Zero-Shot-Baselines für Reihen mit wenig Historie, nützlich für neue Produkte; bei stabilen Artikeln werden sie oft von gut abgestimmten lokalen oder Boosting-Modellen eingeholt, daher vor einem Ersatz benchmarken [4].
• Durchgängiges Lernen „Prognose + Entscheidung“: entscheidungsorientierte und Reinforcement-Learning-Ansätze optimieren Bestellmengen direkt und zeigen Gewinne in Studien und einigen Produkten, sind aber schwerer zu steuern als klassische Policies [5].
• Agentische Nachbestellung: LLM-Agenten bearbeiten Ausnahmen rund um einen deterministischen Optimierungskern; der Solver bleibt die maßgebliche Quelle.
• Grenzen und Fehlerbilder: zensierte Nachfrage (Fehlmengen sehen wie geringe Nachfrage aus), Aktionen und Kannibalisierung, Kaltstart, Verschiebungen der Lieferantenlieferzeit, Phantombestände (Buch- vs. physischer Bestand, siehe VIS-019), Peitscheneffekte durch überoptimierte Parameter und eine „Black Box“, der Disponenten misstrauen.

Gemeinsame Bausteine & Kombinationen

• Prognoseschicht gemeinsam mit PRED-001 (Nachfrageprognose), PRED-011 und PRED-016; eine Zeitreihenplattform (HW1/HW2) bedient alle.
• Solver-Schicht gemeinsam mit OPT-002 (Produktionsplanung), OPT-006 (Lagerplatzvergabe), OPT-008 (Netzwerkdesign / S&OP), OPT-012.
• Vor- und nachgelagert: OPT-016 und OPT-017 (Aktionen, Sortiment) verändern Nachfrage und Bestandsbedarf; AGENT-005 (Einkaufsagent) und AGENT-004 (Auftragserfassung) automatisieren die Bestellkommunikation; ANOM-011 (Lieferantenrisiko) speist Lieferzeit- und Risikopuffer; VIS-019 prüft den physischen Bestand; OPT-001 (Tourenplanung) verarbeitet die daraus entstehenden Sendungen.

Aufwand, Kosten & Kennzahlen

• Weg A: 2-6 Monate bis zur Einführung inklusive Stammdatenbereinigung; Abopreise meist nach Anzahl Artikel/Standorte oder Umsatz; KMU-Werkzeuge können innerhalb von Wochen starten.
• Weg B: 3-6 Monate für eine erste produktive Pipeline; Kosten sind Entwicklungszeit plus moderate Cloud-Rechenkosten und Solver-Lizenzen.
• Weg C: 3-6 Monate; vor allem Entwicklungs- und Betriebsaufwand; keine Lizenzkosten.
• Weg D: 6-12+ Monate mit einem Data-Science-Team.
• Kennzahlen: Servicegrad / Lieferbereitschaft, Fehlmengenquote, Bestandswert und Reichweite, Lagerumschlag, Ladenhüter und Abschreibungen, Prognose-Bias und Quantilverlust, Anteil automatisch freigegebener Bestellungen, Übersteuerungen durch Disponenten und ihr Mehrwert, freigesetztes Working Capital.

Menschen & Veränderung

Binden Sie die Geschäftsleitung früh für Ziele (Servicegrad gegenüber gebundenem Kapital) und Budget ein, und die Abteilungsleitung (Einkauf oder Logistik) als Prozessverantwortliche. Einkäufer und Disponenten sind die Anwender: Lassen Sie sie Ausnahmeregeln mitdefinieren und das letzte Wort über vorgeschlagene Bestellungen behalten, zumindest während des Piloten. Die IT und die Datenverantwortlichen für ERP und Artikelstamm werden für Exporte und Schnittstellen gebraucht; wichtige Lieferanten sollten informiert werden, wenn sich Bestellrhythmen ändern.

Betriebsrat: meist nein, da die Daten artikel- und nicht personenbezogen sind. Relevant wird er, wenn das Werkzeug Übersteuerungen einzelner Einkäufer protokolliert oder bewertet (§87 Abs. 1 Nr. 6 BetrVG), und §90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Information, wenn sich Arbeitsabläufe durch KI ändern. Klären Sie dies vorab. Personenbezogene Daten sind in der Regel nicht betroffen, daher ist eine DSFA nicht zu erwarten; informieren Sie dennoch die Datenschutzbeauftragte(n) und schließen Sie mit SaaS-Anbietern einen AVV.

KI-Kompetenz: Unterstützen Sie Einkäufer mit einer kurzen Schulung zum Lesen probabilistischer Prognosen und von Sicherheitsbeständen (GUIDE-006). Pilotieren Sie mit einer Produktgruppe und vergleichen Sie mit dem manuellen Prozess (GUIDE-009). Typische Sorge: „Das System ersetzt meine Erfahrung.“ Begegnen Sie ihr, indem Sie zeigen, dass Übersteuerungen möglich sind und als Lerneingabe erfasst werden, und indem Sie mit Vorschlägen statt Automatikbestellungen beginnen. Siehe GUIDE-008 und GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Bestandsdaten sind kein Anwendungsfall nach Anhang III; KI-Kompetenz (Art. 4) gilt. Relevant würde es nur bei Einbettung in Sicherheitskomponenten kritischer Infrastruktur, etwa Arzneimittel oder Notfallversorgung, wo Branchenregeln gelten [6].
• DSGVO: überwiegend keine personenbezogenen Daten (Daten auf Artikelebene). Filialbezogene oder auf Kundenkarten basierende Nachfragesignale sowie Ansprechpartner bei Lieferanten können personenbezogen sein: aggregieren, minimieren und mit einem Auftragsverarbeitungsvertrag abdecken.
• Branchenregeln: Pharma und Lebensmittel brauchen Chargen-, Verfalls- und Rückverfolgbarkeit (GDP/GMP, HACCP); für öffentliche Stellen gilt das Vergaberecht; Rechnungslegungsstandards (HGB / IAS 2) regeln die Bewertung von Abschreibungen.
• Geschäftsrisiken: falsche Parameter mit Fehlmengen oder Überbeständen; Lieferantenkonzentration; Automatikbestell- Schleifen. Gegenmaßnahmen: Bestellwertgrenzen und Freigabestufen, Backtest vor Inbetriebnahme, Überwachung des Prognose-Bias, Notausschalter zur Rückkehr zu den bisherigen Min/Max-Regeln, Audit-Log von Vorschlägen gegenüber Aktionen.

Erste Schritte

1. Ausgangslage: aktueller Servicegrad, Reichweite, Abschreibungen und Anteil manueller Bestellungen je Produktklasse (ABC/XYZ-Segmentierung).
2. 2-3 Jahre Verkaufs-, Bestands- und Bestellhistorie extrahieren; Fehlmengen markieren und Lieferzeit-Stammdaten korrigieren.
3. Eine probabilistische Prognose per Backtest prüfen (Open-Source-Baseline wie StatsForecast plus ein Anbieterwerkzeug) und simulierten Servicegrad gegenüber Bestand auf Ihren eigenen Daten vergleichen.
4. Pilot für eine Kategorie oder einen Standort mit deaktivierter Automatikfreigabe; Disponenten prüfen die Vorschläge.
5. Automatikfreigabe für geringwertige, stabile Artikel innerhalb von Leitplanken aktivieren; Kennzahlen monatlich prüfen.

Quellen

1. RELEX Solutions - inventory optimisation documentation - https://www.relexsolutions.com/
2. Lokad - quantitative supply chain / probabilistic forecasting - https://www.lokad.com/probabilistic-forecasting-definition/
3. Makridakis et al. - M5 accuracy competition: results, findings and conclusions (Int. J. Forecasting, 2022) - https://doi.org/10.1016/j.ijforecast.2021.11.013
4. Ansari et al. - Chronos: Learning the Language of Time Series - https://arxiv.org/abs/2403.07815
5. Stockpyl - Python inventory optimisation library - https://github.com/LarrySnyder/stockpyl
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Nixtla StatsForecast - https://github.com/Nixtla/statsforecast
8. Google OR-Tools - https://developers.google.com/optimization