Sortimentsplanung & Flächenoptimierung im Laden

Händler müssen entscheiden, welche paar tausend von vielen möglichen Produkten jede Filiale führt und wie das begrenzte Regal aufgeteilt wird. Modelle zur Nachfrageverlagerung schätzen, was mit dem Umsatz geschieht, wenn ein Artikel ausgelistet wird (Kunden wechseln zu Ersatzartikeln oder wandern ab), Flächenelastizitätsmodelle schätzen den Wert eines zusätzlichen Facings, und ein Optimierer erstellt Sortiment und Planogramme unter Nebenbedingungen. Typischer Nutzen: bessere Umsätze und Margen je Regalmeter, weniger Komplexität und eine einheitliche Lokalisierung im großen Maßstab.

Problem & Nutzen

• Heute: Category Manager erstellen Sortimente je Filialcluster in Tabellenkalkulationen und Planogramm-Werkzeugen, oft ein- oder zweimal im Jahr, mit Regeln wie „ähnliche Filialen erhalten dasselbe Sortiment“ und manuellen Faustregeln. Die Lokalisierung auf Hunderte Filialen wird selten sauber umgesetzt; Auslistungsentscheidungen stützen sich auf den Umsatzrang und übersehen, dass ein „langsamer“ Artikel von treuen Kunden mit großen Warenkörben gekauft wird oder dass seine Nachfrage auf einen Ersatzartikel übergeht.
• KI-Nutzen: (1) kausale Schätzungen zur Nachfrageverlagerung und Substitution aus Warenkorbdaten, (2) Filial-Clustering auf Basis der lokalen Nachfrage, (3) ein kombinatorischer Optimierer, der Regalgröße, Packungsgrößen, Lieferantenförderung sowie Vorgaben zu Markenpräsenz und Eigenmarken einhält, (4) automatische Planogramm-Erstellung, sodass aus einem Zyklus von Wochen Tage werden.
• Markt: eine etablierte Analystenkategorie (z. B. IDC MarketScape zu Sortiments- und Flächenplanung im Handel) mit Anbietern wie RELEX, Blue Yonder, SymphonyAI und weiteren [1][2]. Die Anbieter berichten von Einführungen bei europäischen Lebensmittel- und Drogeriemarktketten; behandeln Sie von Anbietern genannte Steigerungsraten als Marketingaussagen und überprüfen Sie diese in einem eigenen Pilotversuch mit Test- und Kontrollgruppe.

Varianten

• Sortiment & Fläche im Lebensmittel- und Drogeriehandel: Tausende Artikel je Filiale, starke Substitution, Frischware begrenzt die Fläche; Anbindung an die Versorgung (OPT-005, OPT-008).
• Mode / Gebrauchsgüter: kurze Lebenszyklen, Größenkurven- und Tiefenplanung, Verknüpfung mit dem Open-to-buy-Budget; Nachfragedaten sind dünn, daher dominieren attributbasierte Modelle.
• Variante nur Fläche: Makro-Fläche (Warengruppenblöcke im Grundriss) gegenüber Mikro-Fläche (Facings je Artikel an einem Möbel); viele Händler beginnen mit einer der beiden.

So funktioniert es

1. POS/Warenkorb + Kundenkarte (pseudonymisiert) + Produktattribute + Filialstamm + Regaldaten
2. Nachfragemodell je Artikel/Filiale (Prognose, Preis-, Aktions- und Kannibalisierungseffekte)
3. Substitutions-/Nachfrageverlagerungsmodell (was geht verloren, wenn X ausgelistet wird?)
4. Filial-Clustering (lokale Nachfrage, Format, Größe, Demografie)
5. Makro-Flächenzuteilung (Warengruppe -> Meter) mit Flächenelastizitätskurven
6. Sortimentsoptimierung je Cluster (MIP: Marge maximieren unter Fläche, Min/Max je Segment, Lieferantenregeln)
7. Mikro-Fläche / Planogramm-Erstellung (Facings, Regalposition, Warenpräsentationsregeln)
8. Prüfung durch Category Manager, Szenariovergleich, Freigabe
9. Export in Planogramm-/Filialumsetzungswerkzeuge; Messung nach dem Start im Test-Kontroll-Vergleich

• Nachfrageverlagerung: Wahlmodelle (multinomiales Logit, Latent-Class) oder ML-Modelle über Produktattribute; einige Anbieter nutzen kausale Methoden und „Like-for-like“-Experimente. Eine reine Auslistung nach Umsatzrang überschätzt Verluste oder Gewinne.
• Flächenelastizität: abnehmender Ertrag zusätzlicher Facings je Artikel/Segment, geschätzt aus der Variation zwischen Filialen; durch die Platzierung verzerrt, daher helfen Experimente.
• Optimierer: gemischt-ganzzahlige Programmierung oder Constraint Programming; Heuristiken im Maßstab von Hunderten Filialen. LLMs sind nicht der Optimierer, aber nützlich als Copilot für die Erfassung von Regeln, Was-wäre-wenn-Abfragen und Erklärungen (siehe OPT-018).
• Mensch-in-der-Schleife (Human-in-the-Loop): Category Manager geben Sortimente frei, legen strategische Nebenbedingungen fest und führen die Lieferantenverhandlungen; Filialleiter können lokale Abweichungen beantragen.

Datenaufbereitung

Benötigt werden POS-/Warenkorbtransaktionen, Artikelstammdaten (Attribute, Hierarchie, Packungsgrößen), Filialstammdaten (Größe, Format, Cluster), Planogramm- oder Regalflächendaten und optional pseudonymisierte Kundenkartendaten. In einem KMU liegen diese typischerweise im ERP oder POS-Backoffice, in Exporten der Warenwirtschaft, in Excel-Tabellen der Einkäufer und in Planogrammen auf Papier.

Typische Lücken: uneinheitliche oder doppelte Artikelnummern, fehlende Attribute (Marke, Größe, Farbe), über die Jahre wechselnde Hierarchien, Out-of-Stock-Situationen, die die Nachfrage verzerren (null Verkäufe bedeuten nicht null Nachfrage), nicht gekennzeichnete Aktionen und Regaldaten, die nur als Fotos oder PDFs vorliegen. Kundenkartendaten erfordern eine Prüfung der Rechtsgrundlage und eine Pseudonymisierung.

Aufbereitungsschritte: (1) zwei bis drei Jahre Verkaufsdaten exportieren und Artikel-IDs systemübergreifend zuordnen, (2) Stammdaten bereinigen und Dubletten entfernen (DATA-003), (3) Attribute anreichern, teilweise mit einem LLM aus Produkttexten, (4) Aktionen und Out-of-Stock-Zeiträume kennzeichnen, (5) Planogramm-PDFs in Tabellen überführen (DOC-014), (6) Kundenkartendaten pseudonymisieren (PREP-022) und den Zweck klären (PREP-025). Werkzeuge: ERP-Export, Python/pandas, dbt oder Power Query. Rechnen Sie mit etwa 50 bis 60 Prozent des gesamten Projektaufwands für die Datenaufbereitung. Siehe PREP-005 und PREP-011.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte Planungssuiten für den Handel und Add-ons für ERP/Warenwirtschaft gibt es zu KMU-tauglichen Preisen, und der Prozess (Sortimentsreview, Flächenplanung) ist standardisiert.
• Großunternehmen: Weg B. Das Sortiment ist ein zentraler Wettbewerbshebel; eigene POS- und Kundenkartendaten sowie die Integration in bestehende Planungssysteme sprechen für eine maßgeschneiderte Lösung auf Basis von Cloud-Diensten und Solvern.
• Entwickler: Weg B. Solver-, Prognose- und LLM-Schnittstellen lassen sich zu einem Produkt kombinieren; Selbstbetrieb ist selten nötig, da die Daten geschäftlich, aber nicht hochsensibel sind.

Weg A — Kaufen (Standardsoftware)

• Planungssuiten für den Handel: RELEX Solutions (Finnland, EU; Module für Fläche und Sortiment mit Planogramm-Optimierung [1]), Blue Yonder (Luminate Category-/Space-Planung), SymphonyAI Retail CPG (Sortiment und Fläche, früher Symphony RetailAI), o9 Solutions, Oracle Retail, SAP (Merchandising/Assortment Planning) und NIQ Space Planning. Anbieter aus der EU: RELEX, SAP.
• Planogramm-Werkzeuge: Blue Yonder (früher JDA Space), NIQ Spaceman, DotActiv (kleinere Händler); prüfen Sie die Import-/Exportformate (PSA, Spaceman, Apollo).
• Wählen Sie A, wenn: Sie mehr als ca. 50 Filialen oder Warengruppen mit starker Substitution haben und ein Planungsteam, das die Werkzeuge übernehmen kann; die Einführung ist ein Projekt über mehrere Monate.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Daten und ML: Data Warehouse (Snowflake, BigQuery EU, Azure Synapse/Fabric) mit Nachfragemodellen in LightGBM oder Cloud-AutoML; Substitutionsmodelle in Python (statsmodels, PyTorch).
• Optimierung als Dienst: Gurobi, FICO Xpress, Hexaly (Frankreich) oder CPLEX als lizenzierte Solver; Cloud-Solver-Schnittstellen.
• LLM-Schicht: Frontier-LLMs mit Tool-Aufrufen für Was-wäre-wenn-Abfragen über die Ergebnisse, Regelextraktion aus Dokumenten zur Warengruppenstrategie und generierte Begründungstexte; numerische Entscheidungen bleiben beim Solver.
• Wählen Sie B, wenn: ein Data-Science-Team vorhanden ist und das Problem eng umrissen ist (z. B. nur eine Warengruppe oder nur ein Schritt der Mikro-Fläche).

Weg C — Selbst betreiben (Open Source)

• Solver: Google OR-Tools (CP-SAT, GLOP; quelloffenes MIP-/CP-Toolkit [4]), HiGHS, SCIP, Modellierungsschichten wie Pyomo oder PuLP.
• Modellierung: statsmodels / PyTorch für Wahlmodelle, LightGBM, scikit-learn für das Clustering, PyMC für hierarchische Flächenelastizitätskurven; Nixtla (StatsForecast) für Nachfrage-Baselines.
• Orchestrierung: Airflow/Dagster, dbt; Planogramme werden als CSV/JSON/Bild erzeugt und in das Planogramm-Werkzeug geladen.
• Hardware: HW1 (CPU-Server genügen; das Problem ist kombinatorisch, nicht GPU-gebunden).

Weg D — Eigenes Training

Eigene Substitutionsmodelle oder gelernte Flächenwirkungsmodelle lohnen sich für große Ketten mit langen Datenhistorien; Reinforcement Learning oder gelernte Heuristiken für große Platzierungsprobleme bleiben eher forschungsnah. Erforderlich sind mehrere Jahre an Daten je Filiale, Artikel und Woche, Regalbilder oder Planogramm-Historie sowie Experimente (Test und Kontrolle), um kausale Schätzungen zu untermauern.

Stand der Technik (2026)

• Integrierte Optimierung von Sortiment, Fläche und Versorgung ist inzwischen eine Produktfunktion der Planungsanbieter, und GenAI-Oberflächen (Copilots, Was-wäre-wenn in natürlicher Sprache) werden in die wichtigsten Suiten aufgenommen.
• Kausale Nachfrageverlagerung ist das Unterscheidungsmerkmal: transaktionsbasierte Substitution (z. B. Anteil der Kunden, die wechseln, gegenüber denen, die abwandern), dazu attributbasierte Schätzung für neue Artikel.
• Computer Vision schließt den Kreis: Regalbilder liefern tatsächliche Facings für die Einhaltungskontrolle (VIS-009) und Flächendaten; generative Ansätze für Planogramm-Entwürfe gibt es, sie bleiben aber experimentell.
• Grenzen: schlechte Qualität bei Produktabmessungen und Einrichtungsdaten; dünne Datenlage bei neuen und langsam drehenden Artikeln; Verzerrung der Flächenelastizität durch die Position im Regal; das Optimum ist nur so gut wie die Nebenbedingungen, die die Markenstrategie abbilden; die Disziplin bei der Umsetzung in der Filiale begrenzt die tatsächliche Steigerung; Optimierung kann Auswahl und lokale Relevanz verringern, wenn Bindungseffekte ignoriert werden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack: tabular-ml, time-series und optimization-solver gemeinsam mit OPT-005 (Nachschub), OPT-016 (Aktionsoptimierung), OPT-004 (Preisgestaltung), PRED-001 (Nachfrageprognose).
• Vor- und nachgelagert: PRED-001 liefert Baselines; OPT-005 und OPT-008 überführen das Sortiment in Bestände und Warenflüsse; VIS-009 prüft die Umsetzung; REC-001 übernimmt die individuelle Personalisierung.

Aufwand, Kosten & Kennzahlen

• Weg A: 3-9 Monate für eine erste Warengruppen-Welle inklusive Datenbereinigung; Lizenz je Filiale/Modul zuzüglich Integration.
• Weg B: 4-9 Monate für ein Team aus Data Scientists und Entwicklern; Solver-Lizenzen und Cloud-Datenkosten.
• Weg C: ähnlicher Aufwand, geringere Lizenzkosten, höherer Wartungsaufwand im eigenen Haus.
• Kennzahlen: Umsatz, Marge und Rohertrag je laufendem Meter, Verfügbarkeit/Out-of-Stocks, Artikelanzahl und Komplexität, Kundenbindung in ausgelisteten Warengruppen, Planogramm-Einhaltung, Durchlaufzeit von Sortimentsreviews, Steigerung im Test-Kontroll-Vergleich je Warengruppe.

Menschen & Veränderung

Binden Sie die Geschäftsleitung und die Category-/Abteilungsleiter von Anfang an ein: Sie verantworten die Sortimentsentscheidungen und müssen akzeptieren, dass das Modell vorschlägt und die Einkäufer entscheiden. Anwender (Einkäufer, Flächenplaner, Filialleiter) nehmen früh am Pilotprojekt teil, denn ihr Fachwissen ist der beste Test für die Empfehlungen. IT und Datenverantwortliche klären die ERP-/POS-Exporte; Lieferanten sind betroffen, wenn Sortimentsänderungen Listungen verändern, und sollten von den Einkäufern informiert werden, nicht vom Werkzeug. Die oder der Datenschutzbeauftragte wird benötigt, wenn Kundenkartendaten genutzt werden (Pseudonymisierung, Zweck, gegebenenfalls eine Datenschutz-Folgenabschätzung).

Betriebsrat: abhängig vom Einzelfall. Arbeitet das Werkzeug nur mit Artikel- und Verkaufsdaten, gibt es kaum Mitarbeiterüberwachung. Sobald Änderungen durch Einkäufer oder die Aktivität von Planern personenbezogen protokolliert werden, greift § 87 Abs. 1 Nr. 6 BetrVG. In jedem Fall sollten Sie den Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3 informieren und die Hinzuziehung eines Sachverständigen nach § 80 Abs. 3 erwägen.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit kurzen Schulungen zu Prognoseunsicherheit und Modellgrenzen (Art. 4 KI-Verordnung, begleitende Maßnahmen). Beginnen Sie als Pilotprojekt mit einer Warengruppe und einigen Filialen, vergleichen Sie die Modellvorschläge mit den Entscheidungen der Einkäufer und dokumentieren Sie Abweichungen. Typische Sorge: „Das Modell ersetzt den Einkäufer.“ Begegnen Sie ihr, indem die endgültige Listungsentscheidung beim Menschen bleibt. Siehe GUIDE-009, GUIDE-008 und GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; keine Kategorie nach Anhang III. Die KI-Kompetenz (Art. 4) gilt für Planer.
• DSGVO: Warenkorbanalysen sind überwiegend aggregiert; wenn Kundenkartendaten verwendet werden, pseudonymisieren Sie, halten Sie eine Rechtsgrundlage vor und vermeiden Sie individuelles Profiling bei Sortimentsentscheidungen; AVV mit Anbietern, Hosting in der EU.
• Wettbewerbsrecht: Category Captaincy durch Lieferanten und der Austausch wettbewerblich sensibler Daten (Art. 101 AEUV der EU, Vertikal-Gruppenfreistellungsverordnung) brauchen Leitplanken; das Gleiche gilt für zusammengeführte Daten zwischen konkurrierenden Händlern.
• Lieferantenbeziehungen / UTP-Richtlinie: Listungsgebühren, Auslistungsbedingungen und Zahlungsbedingungen für landwirtschaftliche und Lebensmittelerzeugnisse fallen unter die EU-Richtlinie 2019/633 (unlautere Handelspraktiken).
• Betriebliche Risiken: Auslistungen, die treuen Kunden schaden; verlorene lokale Vielfalt; Datenfehler, die unmögliche Planogramme verursachen. Gegenmaßnahmen: Piloten in Teststandorten, Leitplanken-Nebenbedingungen und Prüfung durch Category Manager.

Erste Schritte

1. Wählen Sie eine Warengruppe (z. B. 200-500 Artikel) und 20-50 Filialen; stellen Sie mehr als 2 Jahre POS-Daten, Produktabmessungen und aktuelle Planogramme zusammen.
2. Beziffern Sie die Ausgangslage: Umsatz/Marge je Meter, Artikelanzahl, Durchlaufzeit der Sortimentsreviews.
3. Prüfen Sie die Qualität der Regal- und Artikelstammdaten; viele Projekte bleiben hier stecken.
4. Führen Sie einen Proof of Value mit einem Anbieter oder einen Prototyp nach Weg B/C mit historischen Daten durch (Backtest von Auslistungsentscheidungen) und anschließend einen Filialtest mit Kontrollfilialen.
5. Legen Sie eine Bibliothek der Nebenbedingungen fest (Markenpräsenz, Eigenmarke, Lieferantenförderung) und eine Governance für Abweichungen der Category Manager; skalieren Sie Warengruppe für Warengruppe.

Quellen

1. RELEX Solutions — assortment and space planning — https://www.relexsolutions.com/products/assortment-planning/
2. IDC MarketScape (retail merchandising/assortment & space planning) — https://www.idc.com/
3. Blue Yonder — category and space planning — https://blueyonder.com/
4. Google OR-Tools — https://developers.google.com/optimization
5. HiGHS solver — https://github.com/ERGO-Code/HiGHS
6. Directive (EU) 2019/633 on unfair trading practices — https://eur-lex.europa.eu/eli/dir/2019/633/oj
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Commission Vertical Block Exemption Regulation (EU) 2022/720 — https://eur-lex.europa.eu/eli/reg/2022/720/oj