Wie viel soll ich heute Morgen bestellen?

Anmerkung der Redaktion

Auf dem Ladentisch heißt dieses Problem ‘wie viel bestellen wir heute’, ‘Schwundreduktion’ oder ’tägliche Produktionsmenge’. Der akademische Name ist das Newsvendor-Problem — einperiodische stochastische Bestandsentscheidung. Der Name kommt vom Zeitungsverkäufer, der morgens die Tagesauflage bestellt; was verkauft wird, ist Gewinn, was übrig bleibt, wird verschrottet. Dieselbe Struktur taucht in Frischware, saisonaler Mode, Eventtickets, Blutreserven und sogar Flug-Overbooking auf. Ohne diese Einordnung lässt sich in einer Demo nicht beurteilen, ob das ‘Prognosemodul’ wirklich den Trade-off Schwund-Stockout optimiert oder nur Mittelwerte bildet.

Der in diesem Segment am häufigsten übersehene Punkt: viele Produkte werben mit ‘Nachfrageprognose’, laufen darunter aber nur mit gleitenden Mittelwerten — ‘Schnitt der letzten 4 Wochen × 1,1’. Das genügt, wenn die Schwankung niedrig ist; aber in der Frischware kann die Nachfrage täglich 20–50 % schwanken, und die Kosten auf beiden Seiten (Stockout vs Verderb) sind asymmetrisch. Ein echter Newsvendor berechnet die ‘kritische Fraktile’ als Marge / (Marge + Verderbkosten). Verlangen Sie in jeder Demo ein durchgerechnetes Beispiel: ‘Marge 5 EUR, Verderbkosten 8 EUR, Mittelwert 100, Standardabweichung 30 — wie hoch ist die optimale Bestellmenge?’

Schritt-für-Schritt-Pfad für ein KMU

Phase 1 — Erst messen, dann planen. Über 8–12 Wochen vier Dinge erfassen:

• Tägliche tatsächliche Verkäufe pro Artikel
• Schwund am Tagesende: weggeworfen, reduziert, retourniert
• Stockout-Stunden (z. B. ‘Brot um 18:00 ausverkauft, 4 Stunden mit Käufern’)
• Wetter- und Kalenderhinweise (Feiertage, Schultermin, lokale Events)

Ohne diese Basislinie können Sie nicht beurteilen, welche Software welches Ergebnis liefert.

Phase 2 — Kostentabelle erstellen. Pro Artikel: Einkaufskosten, Verkaufspreis, Marge (Preis minus Kosten), Verderb-Stückkosten, Verhältnis Marge/Verderb. Dieses Verhältnis definiert die ‘kritische Fraktile’ — der Hauptparameter hinter jeder ehrlichen Empfehlung. Diese Tabelle ist Ihr Wissenskapital — jeder ernsthafte Anbieter fragt sie zuerst ab.

Phase 3 — Pilot. Mit den 10–30 wichtigsten Artikeln über 6–10 Wochen starten. Erfolgskriterium schriftlich, vor dem Start: z. B. ‘in 60 Tagen Schwund in der A-Gruppe minus 25 %, Stockouts minus 30 %’. Wird die Marke nicht erreicht, endet der Pilot — sichern Sie dieses Recht im Vertrag.

Phase 4 — Rollout. Bei erfolgreichem Pilot über 2–3 Monate auf das gesamte Sortiment ausrollen. Schulung 1–2 Wochen; morgens sollte ein ‘System empfiehlt, akzeptieren’ genügen.

Risiken — was schiefgehen kann

1. Schlechte historische Daten. Aufzeichnungen wie ‘verkauft’ / ‘weggeworfen’ sind zu grob; Newsvendor kann damit nicht korrekt rechnen. Vor dem Pilot tägliche + artikelbezogene Verkaufs- und Schwund-Aufzeichnungen standardisieren.
2. Verlorene Stockout-Daten. Wenn das System einen Stockout als ’null Verkäufe’ aufzeichnet, ist die Nachfragehistorie irreführend (censored demand). Ein gutes System erfasst Stockout-Stunden separat.
3. Substitutionseffekt. Findet ein Kunde sein Wunschprodukt nicht, nimmt er ein anderes (Weißbrot ausverkauft, nimmt Vollkorn). Unmodelliert lautet die falsche Schlussfolgerung ‘Weißbrot-Nachfrage ist niedrig’.
4. Lieferantenabhängigkeit. Software, die Produkthistorie und Kostenparameter in proprietärem Format speichert, erschwert einen späteren Wechsel. Schreiben Sie in den Vertrag: ‘Wir können unsere Daten jederzeit in offenen Standardformaten (CSV oder ähnlich) exportieren.’

Verwandte Lehre aus der Praxis (wird verlinkt, sobald veröffentlicht): ‘Eine mittelgroße Supermarktkette verwarf ihre Bestellsoftware nach 9 Monaten — was übersehen wurde.’

Technischer Blick auf die Lösungsmethode

Dieser Abschnitt enthält, was Sie im Gespräch mit Software-Team oder Berater brauchen. Es ist nicht das, was der Bediener auf dem Bildschirm sieht — es ist der Motor hinter dem Vorhang.

Hauptansätze für die Bestellung verderblicher Ware:

Faustregel: Unter 30 Artikel reicht der klassische Newsvendor. Bei 100+ Artikeln, mehreren Kategorien und Saisoneffekten ist ML-Prognose + Newsvendor-Mischung zu bevorzugen. Bei Lieferanten-MOQ und Multi-Produkt-Bedingungen stochastisches MIP.

Die Wahl der Zielfunktion verändert die Lösungsform:

• Erwarteter Gewinn (Verderb + Stockout-Balance): ‘Nettogewinn maximieren’ — passt zu margenstarken Produkten
• Gesamter Schwund: ‘Weggeworfenes minimieren’ — passt zu nachhaltigkeitsorientierten Betrieben
• Servicegrad (z. B. 95 % ohne Stockout): ‘Kunde findet immer’ — passt zu marktanteilorientierten Strategien
• Kostenasymmetrie: ‘Stockout-Kosten 3-fach Verderbkosten’ — passt zu margenarmen Produkten

Die meisten realen Einsätze verwenden eine gewichtete Mischung der vier — am häufigsten erwarteter Gewinn × Servicegrad.

Akademische Quellen

Im sources-Block dieser Seite gelistet. Das Newsvendor-Problem wurde 1951 von Arrow, Harris und Marschak formalisiert und ist eines der ältesten, weiterhin aktiven Felder der Operations Research; aktuelle Arbeit erweitert es mit ML-basierter Nachfrageprognose und Multi-Produkt-Substitutionsmodellen.