Lagerplatzvergabe & Kommissionieroptimierung

Die Kommissionierung ist typischerweise der arbeitsintensivste Lagerprozess, und der größte Teil der Zeit eines Kommissionierers entfällt auf Wege, nicht auf das Greifen. Lagerplatzvergabe (wo jeder Artikel liegt) und Kommissionierlogik (Bündelung, Zonen, Wellen, Routing) bestimmen, wie weit Menschen und Roboter laufen. Durch die Kombination von Nachfrageprognosen mit Solvern und Heuristiken sowie zunehmend gelernten Policies sinken die Laufwege und die Positionen pro Stunde steigen, während Menschen die Kontrolle über Regeln und Ausnahmen behalten.

Problem & Nutzen

• Heute: Viele Lager vergeben Plätze nach Eingangsreihenfolge oder nach einer ABC-Liste, die einmal im Jahr aktualisiert wird. Kommissionierer laufen lange Wege, Schnelldreher liegen weit vom Versand, und Nachschub kollidiert mit der Kommissionierung. Die Wellenplanung erledigen oft erfahrene Disponenten in Tabellen oder mit festen WMS-Regeln.
• KI-Nutzen: (1) Lagerplatzvergabe nach Umschlagshäufigkeit, Affinität (gemeinsam bestellte Artikel), Größe und Ergonomie; (2) Auftragsbündelung und Wellen-/Zonenzuordnung nach Fälligkeit und Abholzeit des Spediteurs; (3) Pick-Wegsequenzierung (eine Variante des Problems des Handlungsreisenden auf dem Gänge-Graphen); (4) Was-wäre-wenn-Simulation vor dem Umlagern; (5) dynamische Neuvergabe, wenn sich die Nachfrage verschiebt (Saison, Aktionen, neue Artikel).
• Evidenz: Die wissenschaftliche Literatur berichtet durchgängig, dass die Kommissionierung die Betriebskosten des Lagers dominiert und dass der Weg die größte Zeitkomponente ist; Lagerplatzzuordnung, Bündelung und Routing bringen in veröffentlichten Studien jeweils zweistellige Wegreduktionen, doch die Gewinne hängen stark von Layout und Auftragsprofil ab. Messen Sie daher Ihre eigene Ausgangslage, statt allgemeinen Prozentwerten zu vertrauen [1][2].

Varianten

• E-Commerce-Fulfillment: viele kleine Aufträge, hohe Artikelzahl, starke Affinitätseffekte, Spitzen (Black Friday); Bündelung und Cluster-Picking sind am wichtigsten.
• Handels-/Großhandelsdistribution: Karton- und Lagenkommissionierung, Sequenzierung nach Filialgängen, Nachschubwellen.
• Intralogistik in der Fertigung: Kitting und Linienversorgung mit Reihenfolgebedingungen aus OPT-002.
• Automatisierte Systeme: AS/RS, Shuttles, Ware-zur-Person-Stationen und AMR-Flotten (ROBO-002), bei denen die Lagerplatzvergabe teilweise softwaregesteuert ist (klassenbasierte Lagerung in Shuttles, Reihenfolge der Auftragsfreigabe).
• KMU mit manuellem Lager: eine einmalige Lagerplatzstudie plus Pick-Wegreihenfolge im vorhandenen WMS.
• Kühlkette / Pharma: Temperaturzonen, Charge und Verfall (FEFO), Bedingungen zur Chargentrennung.

So funktioniert es

WMS/ERP data (orders, stock, locations) + demand forecast (PRED-001)
  -> SKU profiling (velocity, cube-per-order index, affinity matrix, weight/ergonomics)
  -> slotting model (class-based or MIP/heuristic, re-slotting cost vs. benefit)
  -> order release: batching / zoning / wave building (solver + rules + due times)
  -> pick-path sequencing (shortest-route on aisle graph, congestion-aware)
  -> execution (RF scanner, pick-by-voice SPEECH-011, put wall, AMR dispatch ROBO-002)
  -> feedback (actual pick times, short picks) -> model recalibration

• Prognose und Affinität: Gradient-Boosting-Bäume oder Zeitreihenmodelle liefern die Artikelnachfrage; Co-Occurrence-Analyse auf Auftragspositionen liefert Affinitätscluster. Langsamdreher und Saisonartikel brauchen eine gesonderte Behandlung.
• Optimierungskern: Die Lagerplatzvergabe ist ein Zuordnungsproblem (MIP oder lokale Suche); die Bündelung ist eine Variante von Bin-Packing/Clustering; die Wegplanung nutzt Routing-Heuristiken (S-Form, Largest-Gap, exakte Verfahren für Ein-Block-Layouts, Metaheuristiken für komplexe). Solver: Constraint Programming und MIP sowie Metaheuristiken vom Typ ALNS.
• Gelernte Policies: Reinforcement Learning für dynamische Bündelung/Auftragsfreigabe und Mehrroboter-Zuordnung ist in der Forschung produktiv und in Anbieterprodukten im Entstehen; es wird in einem Digital-Twin-Simulator trainiert und durch harte Randbedingungen abgesichert.
• Rolle des LLM: LLMs ersetzen den Solver nicht. Sie sind nützlich als Planungs-Copilot, der Pläne erklärt, Randbedingungen in natürlicher Sprache in Solver-Parameter übersetzt und Kennzahlen abfragt (siehe OPT-018).
• Mensch-in-der-Schleife (Human-in-the-Loop): Ein Disponent genehmigt die Umlagerungsliste (Umlagerungen kosten Arbeitszeit), legt Geschäftsregeln fest (Gefahrstoffe, Schweres nach unten, FEFO) und kann Wellen übersteuern; Schichtleiter im Lager bearbeiten Ausnahmen.

Datenaufbereitung

Benötigt werden: Artikelstamm mit Abmessungen, Gewicht und Stapelbarkeit, Auftragspositionen je Tag (Kommissionierhistorie), Lagerplatzstamm mit Kapazitäten und Zonen, Nachschub- und Bewegungsprotokolle, Gerätebeschränkungen. In KMU liegt dies im WMS oder ERP, oft ergänzt um Excel-Lagerplatzlisten und Pick-Listen auf Papier.

Typische Lücken: fehlende oder falsche Artikelabmessungen, Lagerplätze, die nicht zum realen Layout passen, Sammelbuchungen ohne Zeitstempel, keine Unterscheidung zwischen Pick- und Nachschubbewegungen sowie manuell übersteuerte Lagerplätze, die nie gebucht wurden.

Aufbereitungsschritte: - 6-12 Monate Auftragspositionen und Bewegungen exportieren (PREP-005). - Artikelstammdaten zuerst für die A-Artikel (Schnelldreher) messen und korrigieren; das hat die größte Wirkung. - Den Lagerplatzstamm bei einer Begehung gegen das reale Lager prüfen und Papierpläne oder -listen digitalisieren (PREP-008). - Excel-Layoutdateien in Tabellen überführen (PREP-011). - Kennzahlen wie Picks pro Stunde und Laufweg einheitlich definieren.

Grober Aufwandsanteil: etwa 30-40 Prozent, Haupttreiber ist die Stammdatenkorrektur. GUIDE-003 bietet einen schnellen Reifegradcheck.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Lagerplatzvergabe und Pick-Wegoptimierung gibt es als Module etablierter WMS-Produkte, was zu Standardlagerprozessen ohne Eigenentwicklung passt.
• Großunternehmen: Weg B. Große oder automatisierte Lager profitieren von Solvern, die mit eigenen WMS- und Auftragsdaten gespeist und auf standortspezifische Layouts und Randbedingungen abgestimmt werden.
• Entwickler: Weg C. Open-Source-Solver (z. B. OR-Tools) laufen auf HW1 und lassen sich in eigene WMS- oder Logistiksoftware integrieren.

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

• WMS mit integrierter Lagerplatz-/Wellen-/Wegoptimierung: Manhattan Associates, Blue Yonder (Luminate WMS), SAP Extended Warehouse Management (SAP EWM), Körber Supply Chain Software (HighJump-Wurzeln, DE/EU), Dematic und Honeywell Intelligrated / Zebra für Automatisierungssoftware, SSI Schaefer WAMAS (DE/EU), Mecalux Easy WMS (ES/EU), TGW (AT/EU), Swisslog (CH, KUKA), Westernacher und Logistik-Softwarehäuser im Stil von Fiege/INTEGRA im DACH-Raum.
• Spezialisierte Optimierungswerkzeuge: Erweiterungen für Lagerplatz-/Layoutsimulation (zum Beispiel von WMS-Anbietern oder unabhängigen Anbietern für Lagerplanung und Simulation) und AMR-Flottenmanager mit integrierter Aufgabenzuteilung (Locus Robotics, Geek+, Exotec (FR/EU), Software-Ökosystem von AutoStore (NO/EU)).
• A wählen, wenn: Sie bereits ein WMS mit Optimierungsmodul betreiben, die Mengen im Bereich von Tausenden Positionen pro Tag liegen und Sie vom Anbieter unterstützte Freigabe- und Wellenlogik wünschen. Prüfen: Hosting-Region, API für Umlagerungen, Unterstützung Ihres Layouts (mehrstöckig, Zwischengeschoss), Simulationsfähigkeit und wie der Anbieter das Tuning handhabt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Solver als Dienst/Bibliothek: Gurobi, FICO Xpress, HiGHS (Open Source) oder Google OR-Tools CP-SAT, betrieben in EU-Cloud-Regionen; Daten in EU-Regionen von BigQuery/Snowflake/Azure Synapse.
• ML: verwaltetes AutoML oder eigene Nachfragemodelle im Stil von LightGBM/Prophet auf ML-Plattformen in EU-Regionen.
• LLM-Schicht (optional): ein Frontier-Modell mit Tool-Aufrufen (Claude, Gemini, GPT, Mistral), damit Disponenten Was-wäre-wenn-Läufe anfordern können; der Solver wird als Werkzeug bereitgestellt und die Ausgaben werden gegen Schemata validiert.
• Integration: WMS/ERP-APIs (SAP EWM OData, Manhattan/Blue Yonder REST), Orchestrierung mit n8n, Airflow oder Camunda.
• B wählen, wenn: Ihr Layout oder Ihre Regeln nicht dem Standard entsprechen, Sie die Lagerplatzvergabe für mehrere Standorte mit einem gemeinsamen Modell benötigen oder das WMS-Optimierungsmodul schwach ist.

Weg C — Selbst betreiben (Open Source)

• Solver: Google OR-Tools (CP-SAT, Routing-Bibliothek) [3], HiGHS, SCIP, OptaPlanner/Timefold (Java, Open Source; Timefold hat seinen Sitz in der EU, BE) für Randbedingungen im Planungsstil, PuLP/Pyomo zur Modellierung.
• Simulation: SimPy, AnyLogic (kommerziell) oder ein eigener ereignisdiskreter Digital Twin; Gymnasium/RLlib/Stable-Baselines3 für RL.
• Daten/ML: Postgres + dbt, scikit-learn, LightGBM, statsforecast.
• Hardware: HW1 genügt: CPU-Server, Solver-Läufe dauern Sekunden bis Minuten. Eine GPU spielt nur für großes RL-Training eine Rolle (HW2).

Weg D — Eigenes Training

Lohnt sich für große, stabile Betriebe (E-Commerce mit hohem Volumen, Ware-zur-Person mit mehreren Robotern), in denen eine gelernte Dispositions-/Bündelungs-Policy Regeln schlägt. Erfordert einen realitätsnahen Simulator, Monate an Auftrags- und Aufgabenprotokollen und eine Rückfallebene auf Regeln. Andernfalls genügen abgestimmte Heuristiken plus Prognose.

Stand der Technik (2026)

• Hybrider Ansatz dominiert in der Produktion: Prognose + MIP/Heuristik für die Lagerplatzvergabe, Heuristik/Metaheuristik für Bündelung und Routing, mit Simulation zur Validierung. Reines End-to-End-RL bleibt überwiegend Forschung oder auf Roboterflotten beschränkt.
• Lerngestützte Optimierung: Neuronale Modelle schlagen Bündel oder Routen vor, Solver reparieren und zertifizieren sie; neuronale kombinatorische Optimierung ist bei Routingproblemen vielversprechend, wird aber meist an Benchmark-Instanzen statt an realen Lagerrandbedingungen bewertet.
• Digitale Zwillinge und Simulation (einschließlich Anbieterwerkzeugen und Lager-Zwillingen im Stil von NVIDIA Omniverse) dienen dazu, Lagerplatzvergabe und Roboterflüsse vor dem Umlagern zu testen.
• Affinität und Ergonomie sind erstklassige Kriterien: Platzierung schwerer oder schnell drehender Artikel in der Greifzone („Golden Zone“) und Arbeitslastausgleich.
• Roboterbewusste Lagerplatzvergabe für AMR- und Shuttle-Systeme, bei der sich das Optimierungsziel auf Durchsatz und Roboterstau verschiebt.
• Grenzen und Fehlerbilder: Schlechte Stammdaten (falsche Abmessungen, fehlende Lagerplätze) sind die häufigste Fehlerursache; Neuvergabe kostet Arbeitszeit und kann die Einsparungen übersteigen, wenn sie zu oft erfolgt; Prognosen versagen bei neuen Artikeln und Aktionen; Überanpassung an das Profil der letzten Saison; optimierte Wege ignorieren reale Gangüberlastung; Disponenten misstrauen undurchsichtigen Plänen, daher sind Erklärbarkeit und Übersteuerung wichtig.

Gemeinsame Bausteine & Kombinationen

• Gleicher Solver-Stack (Optimierungslöser + Simulation): OPT-001 Tourenplanung, OPT-002 Produktionsplanung, OPT-003 Personaleinsatzplanung, OPT-012 Packen, OPT-018 Optimierungs-Copilot in natürlicher Sprache. Eine Solver-/Simulationsplattform kann alle bedienen.
• Eingaben von: PRED-001 Nachfrageprognose, OPT-005 Nachschub und Bestandspolicies, VIS-019 Kamera-/Drohnen-Bestandszählung für die Genauigkeit der Lagerplätze.
• Ausführung mit: ROBO-002 AMR, ROBO-001 Einzelteil-Kommissionierung, SPEECH-011 Sprachkommissionierung.
• Nachgelagert: OPT-001 ausgehende Tourenplanung (Abstimmung von Rampe und Abholzeit), PRED-018 ETA.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate für Konfiguration und Tuning im WMS; Lizenz-/Abokosten skalieren mit Standorten und Nutzern.
• Weg B: 3-6 Monate für eine erste produktive Pipeline inklusive WMS-Integration und Simulation; Kosten sind Entwicklungszeit plus moderate Cloud-Ausgaben.
• Weg C: 3-6 Monate; hauptsächlich Entwicklungs- und Betriebsaufwand, wenig Hardware.
• Kostentreiber: Datenbereinigung (Stammdaten und Lagerplätze), Integration mit dem WMS, Arbeitszeit für die Umlagerungen, Change-Management im Lager.
• Kennzahlen: kommissionierte Positionen (oder Stück) je Arbeitsstunde, Laufweg je Auftragsposition, Auftragsdurchlaufzeit und On-Time-In-Full (OTIF), Einhaltungsquote der Abholzeiten, Nachschubbewegungen pro Tag, Stau-/Wartezeit, Kosten der Neuvergabe gegenüber Einsparungen, Kommissioniergenauigkeit.

Menschen & Veränderung

Binden Sie den Lagerleiter als Prozessverantwortlichen und die Geschäftsleitung für Ziele (Durchsatz, Kosten je Auftragsposition) ein. Die Kommissionierer sind die eigentlichen Experten: Laden Sie einige von ihnen ein, Regeln zur Lagerplatzvergabe mitzugestalten, denn sie kennen blockierte Gänge und schwere Artikel. Die IT und der WMS-Anbieter kümmern sich um die Schnittstellen; die Datenverantwortlichen des Artikelstamms müssen Korrekturen freigeben.

Betriebsrat: kommt darauf an, oft aber ja. Kommissioniersysteme mit Scanner- oder Zeitdaten eignen sich zur Leistungsüberwachung, daher greift §87 Abs. 1 Nr. 6 BetrVG, sobald Pick-Raten je Person protokolliert werden; das Bundesarbeitsgericht lässt dafür die objektive Eignung genügen. §90 Abs. 1 Nr. 3 verlangt frühzeitige Information über KI-geplante Arbeitsabläufe, und §80 Abs. 3 erlaubt einen Sachverständigen. Vereinbaren Sie in einer Betriebsvereinbarung, dass Optimierungsdaten je Zone oder Prozess ausgewertet werden, nicht je Person.

Personenbezogene Daten entstehen nur durch Benutzerkennungen in Pick-Protokollen: Beziehen Sie die Datenschutzbeauftragte(n) ein und aggregieren oder pseudonymisieren Sie (PREP-022); eine DSFA ist selten nötig, wenn keine individuelle Bewertung stattfindet. KI-Kompetenz: kurze Einweisung der Kommissionierer, warum sich Lagerplätze ändern (GUIDE-006). Pilotieren Sie in einer Zone, kommunizieren Sie Termine der Neuvergabe früh und lassen Sie Schichtleiter übersteuern. Typische Sorge: „mehr Druck auf die Pick-Raten“. Sprechen Sie dies offen an (GUIDE-004, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko: Die Optimierung von Lagerung und Wegen ist kein Anwendungsfall nach Anhang III. Vorsicht: Teilt das System einzelnen Beschäftigten Aufgaben zu, überwacht oder bewertet es deren Leistung und Verhalten (individuelle Produktivitätsbewertung, automatische Aufgabenzuteilung auf Basis persönlicher Merkmale), kann Anhang III Nr. 4 Buchst. b (Beschäftigung: Aufgabenzuteilung, Überwachung und Leistungsbewertung) es hochriskant machen. Verbotene Praktiken (Art. 5) wie Emotionserkennung am Arbeitsplatz dürfen nicht in Überwachungsfunktionen aufgenommen werden. KI-Kompetenz (Art. 4) gilt für das Personal, das die Werkzeuge bedient [5].
• DSGVO und Arbeitsrecht: Daten auf Kommissioniererebene (Scanner-Zeitstempel, Produktivitätsraten) sind personenbezogene Beschäftigtendaten. Nutzen Sie aggregierte oder pseudonymisierte Kennzahlen, einen klaren Zweck und eine Rechtsgrundlage, eine DSFA bei intensiver Überwachung und beziehen Sie den Betriebsrat ein (in Deutschland greift die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG bei technischen Systemen, die zur Leistungsüberwachung geeignet sind). Vermeiden Sie Tempodruck im Stil einer Überwachung.
• Arbeitsschutz: Die Lagerplatzvergabe sollte ergonomische Grenzen (Hebehöhe/-gewicht), die Trennung von Gefahrgut (ADR/GHS-Lagerregeln) und Brandschutzgrenzen beachten; bilden Sie diese als harte Randbedingungen ab.
• Daten und Sicherheit: WMS/ERP-Daten sind geschäftssensibel; sichern Sie Solver-Dienste und APIs ab; in der Cloud nutzen Sie EU-Regionen und Auftragsverarbeitungsverträge.
• Gegenmaßnahmen: Genehmigung der Neuvergabe durch Disponenten, regelbasierte Rückfallebene, Simulation vor der Einführung, Tests der Randbedingungen, Audit-Log der Planversionen, Überwachung der Fairness bei der Aufgabenzuteilung über Beschäftigte hinweg.

Erste Schritte

1. Ausgangslage: Pick-Positionen pro Stunde, Anteil der Laufwege, ABC-/Umschlagsprofil, Verteilung der Auftragspositionen; Artikelabmessungen und Lagerplatzstamm bereinigen.
2. Eine Lagerplatzanalyse (Umschlagshäufigkeit, Cube-per-Order-Index, Affinität) offline auf 6-12 Monaten Auftragspositionen durchführen und die Wegeinsparungen vor jeder physischen Umlagerung mit einer einfachen Simulation abschätzen.
3. Die im WMS des Anbieters integrierten Funktionen für Bündelung/Wellen/Wege gegen einen Solver-Prototyp (OR-Tools) auf denselben historischen Aufträgen testen.
4. Pilot in einer Zone mit begrenzter Umlagerungsliste; Kommissionierer und Betriebsrat von Anfang an einbeziehen und Kennzahlen auf Beschäftigtenebene aggregiert halten.
5. Kennzahlen monatlich prüfen und nach einem durch Kosten begründeten Rhythmus neu vergeben, nicht laufend.

Quellen

1. de Koster, R., Le-Duc, T., Roodbergen, K.J. - Design and control of warehouse order picking: a literature review, European Journal of Operational Research 182 (2007) - https://doi.org/10.1016/j.ejor.2006.07.009
2. Boysen, N., de Koster, R., Weidinger, F. - Warehousing in the e-commerce era: a survey, European Journal of Operational Research 277 (2019) - https://doi.org/10.1016/j.ejor.2018.08.023
3. Google OR-Tools documentation (CP-SAT, routing) - https://developers.google.com/optimization
4. Timefold Solver (open-source constraint solver) - https://github.com/TimefoldAI/timefold-solver
5. Regulation (EU) 2024/1689 (AI Act), Art. 4, Art. 5 and Annex III - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. HiGHS open-source solver - https://highs.dev
7. SAP Extended Warehouse Management documentation - https://help.sap.com/docs/SAP_EXTENDED_WAREHOUSE_MANAGEMENT