Ein Händler oder Fertigungs-KMU setzt Nachschub auf Basis vergangener Verkäufe. Klassisches OR-Problem: Zeitreihenprognose plus Lagerpolitik.
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Wir führen 500-5.000 Artikel; der Einkaufsleiter bestellt monatlich in einer Tabellenkalkulation auf Basis des Drei-Monats-Durchschnitts.
- Manche Artikel liegen sechs Monate im Regal (Ladenhüter), während beliebte Artikel mitten in der Woche ausverkauft sind (Stockout) — gleichzeitig.
- Es gibt Saisonalität (Feiertage, Schulanfang, Sommer/Winter), aber die Planung ist manuell — keine systematische Methode.
- Unsere Lagerumschlagshäufigkeit liegt unter dem Branchenwert; Kapital ist im Bestand gebunden.
- Lieferzeiten der Lieferanten betragen vier bis acht Wochen; beim Bestellen wissen wir nicht, wie viel Puffer wir brauchen.
- Bei neuen Produkten können wir keine Prognose erstellen — entweder bestellen wir zu viel oder gar nichts.
- Unser ERP- oder Handelssystem hat ein Prognose-Modul, aber es erfasst die Saisonalität nicht und wir vertrauen ihm nicht.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Schnelldreher (verkaufen täglich) mit Saisonalität prognostizieren, Langsam-Dreher (wenige pro Woche) mit gleitendem Durchschnitt, sporadische Artikel (überwiegend Null-Tage) mit eigenem Verfahren — dieselbe Formel auf alle anzuwenden glättet die Saisonalen (Stockout an Kampagnentagen) und überschießt bei den sporadischen.
Dieses Problem liegt im Schnittfeld von Operations Research (Disziplin, die mit Mathematik und Computereinsatz Geschäftsentscheidungen löst) und statistischem Lernen. Zwei gekoppelte Teilprobleme: Demand Forecasting (Punkt- plus Intervallprognose) und Inventory Policy (prognosegetriebene Bestellmenge, Meldebestand, Sicherheitsbestand). Lösung in drei Stufen:
1. Modellierung. Datenaufbereitung: mindestens achtzehn bis vierundzwanzig Monate Artikel-Verkaufsdaten, täglich oder wöchentlich. Lückenfüllung, Ausreißerbereinigung, Rekonstruktion von Stockout-Phasen (Null-Verkauf während eines Stockouts ist kein realer Bedarf). Saisonindex und Trendzerlegung. Artikelklassifizierung: Schnelldreher (A), Mittel (B), Langsam (C), sporadisch (überwiegend Null-Tage). Jede Klasse erfordert ein anderes Verfahren.
2. Lösungsentscheidung. Verfahrenswahl nach Klasse: A-Klasse — SARIMA oder Holt-Winters (Zeitreihenverfahren, die Saisonalität plus Trend abbilden); B-Klasse — ETS (Zustandsraum-exponentielle Glättung); C-Klasse — gleitender Durchschnitt oder Naive; sporadisch — Croston-Methode (Verfahren für Artikel mit überwiegend Null-Tagen) oder TSB. Moderne automatische Modellauswahl wählt das Verfahren pro Artikel. Darüber Lagerpolitik: (s, S) Meldebestand und maximaler Bestand, oder (R, Q) periodische Überprüfung mit fester Bestellmenge. Sicherheitsbestand aus Soll-Lieferbereitschaft (üblich fünfundneunzig bis achtundneunzig Prozent) plus Lieferzeitvarianz.
3. Feldintegration. Ausgabe ist eine wöchentliche Artikel-Bestellempfehlung, die in den Einkaufsprozess fließt. ERP oder WMS erzeugt die Bestellung. Wöchentliches oder tägliches rollendes Retraining. MAPE-, WAPE- und Bias-Tracking, Ausnahmewarnungen für Artikel mit hohem Fehler. Manuelle Übersteuerung für Aktionen, Launches, Lieferschocks. Monatliches KPI-Dashboard zu Lieferbereitschaft und Lagerumschlag.
Alternativen
Tabellenkalkulation plus Erfahrung des Einkaufsleiters
KostenlosKeine Lizenz
Für wen geeignet: Sehr kleines Sortiment (<200 Artikel), wenig Saisonalität
- + Keine Software-Kosten
- + Flexibel und schnell
- + Einkäufer kennt den Katalog
- − Schwach bei Saisonalität und Trend
- − Kontrolle bricht ab 500 Artikeln zusammen
- − Stockout-Historie wird nicht korrigiert
- − Keine konsistente Aufzeichnung
Lokales ERP-Prognose-Modul
Enterprise60.000–200.000 TRY Lizenz plus 12.000–35.000 TRY/Jahr Wartung (TR-Marktbeobachtung)
Für wen geeignet: Mittel-KMU (200-2.000 Artikel)
- + Lokaler Support, steuer-konform
- + In bestehendes ERP integriert
- + Gleitender Durchschnitt plus Saison
- − Meist kein ARIMA oder Holt-Winters
- − Kein Verfahren für sporadischen Bedarf
- − Lagerpolitik als feste Regel
- − Keine automatische Modellauswahl
Internationale Supply-Chain-Planungs-Suite
Enterprise80.000–400.000 EUR Lizenz plus 15.000–60.000 EUR/Jahr
Für wen geeignet: Großer Händler oder Mehrwerk-Fertiger (2.000+ Artikel)
- + ARIMA, ETS, Croston, hierarchische Abstimmung
- + Automatische Modellauswahl
- + Lagerpolitik-Optimierung enthalten
- − Teuer
- − Sechs bis zwölf Monate Rollout
- − Lokale Steuer- und Retourenprozesse erfordern Anpassung
Open-Source-Zeitreihen-Bibliotheken plus Eigenbau
Open SourceLizenz kostenlos; Eigenbau 10-18 Wochen oder 250K-750K TRY Beratung
Für wen geeignet: KMU oder E-Commerce mit eigenem Technik-Team
- + Keine Lizenzkosten
- + Open-Source-Zeitreihen-Bibliotheken sind reif
- + Lagerpolitik voll anpassbar
- − Eigener Statistiker oder OR-Ingenieur erforderlich
- − ERP-Integration ist ein separates Projekt
- − Laufende Wartung
Empfehlung
Im Gespräch fragen
- Welche Prognoseverfahren bieten Sie an (ARIMA, ETS, Holt-Winters, Croston, hierarchisch)?
- Wird das Verfahren automatisch pro Artikel gewählt oder gilt ein Verfahren für das ganze Sortiment?
- Unterstützen Sie ein Verfahren für sporadischen Bedarf (Croston oder ähnlich) bei Artikeln mit überwiegend Null-Tagen?
- Wie korrigiert Ihr Modul historische Stockout-Phasen, um den realen Bedarf zu rekonstruieren?
- Werden Lagerpolitik-Parameter (s, S) oder (R, Q) automatisch berechnet oder manuell eingegeben?
- Wie werden Aktionen, Kampagnen und Produkt-Launches in die Prognose eingebracht?
- Können wir in der Pilotphase Bias und WAPE über 12-16 Wochen reale Verkäufe messen? Wie ist Erfolg definiert?
- Wenn wir die Zusammenarbeit beenden, wie erhalten wir Artikel-Prognosehistorie, Modellparameter und Bestellempfehlungen?
Technische Details
Anmerkung der Redaktion
Im Alltag wird das Problem “wie viel soll ich bestellen”, “Bestandsführung” oder “Warenplanung” genannt. In der akademischen Literatur läuft es als Demand Forecasting, Time Series Forecasting und Inventory Policy Optimization. Ohne diese Begriffe lässt sich beim Kauf eines ERP- oder Planungs-Tools nicht unterscheiden zwischen einem ‘Verkaufsbericht’ (Vergangenheitsanzeige) und einer ‘Bedarfsprognose’ (Punktschätzung mit Konfidenzintervall). Das erste zeigt nur die Historie, das zweite produziert eine Entscheidung.
Der am häufigsten übersehene Punkt in der Praxis: Prognosegenauigkeit ist nicht das Ziel — Minimierung der Bestandskosten ist es. Viele KMU jagen einen niedrigen MAPE, doch Bias (systematische Über- oder Unterprognose) schadet dem Bestand weit mehr als Varianz. Ein Modell mit fünfzehn Prozent Bias kostet deutlich mehr als ein Modell mit fünfundzwanzig Prozent MAPE ohne Bias. Schlimmer: Wochen mit Stockouts in der Historie verschleiern den tatsächlichen Bedarf. Censored-Demand-Korrektur ist der verborgene Schlüsselschritt.
Schritt-für-Schritt-Pfad — für das KMU
Stufe 1 — Erst messen, dann planen. Mindestens 18-24 Monate Artikel-Verkaufsdaten: tägliche oder wöchentliche Granularität, Kanalaufteilung (Filiale, E-Commerce, Großhandel), Preishistorie, Aktionskalender, Stockout-Tage. ABC-Analyse: die oberen zwanzig Prozent der Artikel machen meist achtzig Prozent des Umsatzes aus — dort lohnen Modellaufwände. Der Long Tail bleibt bei einfachen Verfahren.
Stufe 2 — Wissenskapital herausarbeiten. Lieferzeiten der Lieferanten (Mittelwert plus Standardabweichung), Bestellgebinde (Palette, Karton), Lagerkapazität, Soll-Lieferbereitschaft (gemeinsam mit Leitung: 95 oder 98 Prozent), Saisonkalender, Aktionsplan, Launch-Prozess. Dieses Wissenskapital prägt die Lagerpolitik mehr als die Prognose selbst.
Stufe 3 — Pilot. 12-16 Wochen. Start mit 50-150 schnelldrehenden Artikeln in einem Lager oder einer Filialgruppe. Erfolgskriterien vorab festgelegt: WAPE -30 %, absoluter Bias unter 5 %, Lieferbereitschaft +4 Punkte, Umschlag +15 %. Modellausgabe erscheint als Vorschlag — der Einkäufer entscheidet final.
Stufe 4 — Ausweitung. 4-8 Monate auf alle Artikel und Standorte. Wöchentliches automatisches Retraining. ERP oder WMS erstellt die Bestellung. Monatliches KPI-Dashboard: WAPE, Bias, Lieferbereitschaft, Umschlag, Ladenhüterquote. Wöchentliche Prüfung der Fehlerausreißer.
Risiken — was schiefgehen kann
- Stockout-Maskierung. Artikel mit langer Stockout-Historie laufen in systematische Unterprognose und dauerhafte Stockouts. Censored-Demand-Korrektur ist Pflicht.
- Überparametrisierung bei dünnen Daten. Neue Produkte oder sporadische Artikel tragen kein tiefes Modell. Artikelklassifizierung plus Verfahrensanpassung ist erforderlich.
- Aktionen und Launches. Ein Modell, das auf der Vergangenheit trainiert, hält Aktionsphasen für Normalbedarf. Aktionskalender muss separiert sein, manuelle Übersteuerung Pflicht.
- Lieferbereitschafts-Wunschdenken. 99 Prozent Lieferbereitschaft verdoppelt den Sicherheitsbestand gegenüber 95 Prozent. Ziel gemeinsam mit Finanzen und Operations.
Technischer Blick auf das Lösungsverfahren
| Ansatz | Typische Skala | Lösezeit | Garantiertes Optimum? |
|---|---|---|---|
| Naive Verfahren (gleitender Durchschnitt, Vorperiode) | Sehr kleines Sortiment | sofort | Nein, Basis |
| Holt-Winters (dreifache exponentielle Glättung) | Saisonale A- und B-Artikel | Sekunden | Nein, gute Basis |
| ARIMA / SARIMA (Box-Jenkins) | Mittlere bis große A-Artikel | Minuten | Lokales Optimum |
| ETS (Zustandsraum-exponentielle Glättung) | Automatische Auswahl, breit | Minuten | Lokales Optimum |
| Croston / TSB (sporadischer Bedarf) | Artikel mit überwiegend Null-Tagen | Sekunden | Klassischer Standard |
| Maschinelles Lernen (Gradient Boosting auf Lag-Merkmalen) | Sehr großes Sortiment plus externe Daten | Stunden Training | Nein, experimentell |
Zielfunktion-Wahl:
- Ziel 1 — Prognosefehler minimieren: MAPE, WAPE, RMSE, MASE. Bei der Modellauswahl.
- Ziel 2 — Stockout-Zahl minimieren: Lieferbereitschaftsorientiert; treibt Sicherheitsbestand nach oben.
- Ziel 3 — Gesamtbestandskosten minimieren: Lagerhaltung + Stockout-Strafe + Bestellkosten zusammen.
- Ziel 4 — Lieferbereitschaft maximieren: Kundenorientiert unter Budget-Restriktion.
Multi-objective: gewichtete Summe oder Goal Programming. In den meisten Praxis-Installationen ist Ziel 3 das operative Ziel, Ziel 4 wird Restriktion.
Akademische Quellen
Im Frontmatter unter sources aufgelistet.
Quellen
- Box, G. E. P. und Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day. Grundlagenwerk zur ARIMA-Methodik.
- Hyndman, R. J. und Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1–22. Moderne Referenz zur automatischen Modellauswahl.
- Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Journal of the Operational Research Society, 23(3), 289–303. Originalarbeit zum sporadischen Bedarf.
- Silver, E. A., Pyke, D. F. und Peterson, R. (1998). Inventory Management and Production Planning and Scheduling. Wiley. Standardreferenz zur Lagerpolitik.
- YÖK Thesis Centre — Stichwort: ‘Bedarfsprognose’ oder ‘Lagerverwaltung’ — 100+ Arbeiten aus türkischer Forschung. tez.yok.gov.tr
Glossar
- Nachfrageprognose
- Quantitatives Vorhersagen zukünftiger Nachfrage anhand von Historie, Saisonalität, Ereignissen und externen Signalen.
- Zeitreihenprognose
- Statistisches Modellierungsfeld zur Vorhersage künftiger Werte aus zeitlich geordneten Beobachtungen; umfasst ARIMA-, ETS- und Zustandsraummodelle.
Ähnliche Probleme
Dutzende SKUs von einem Lieferanten — Mit welcher Frequenz bestellen, damit LKW- und Lagerkosten gemeinsam minimal sind?
Diese Seite richtet sich an KMU-Großhändler, Importeure oder Hersteller, die 50-500 SKUs vom selben Lieferanten beziehen — typischerweise über 3-15 Hauptlieferanten verteilt. Die Frage ist jede Woche dieselbe: Welche Artikel werden heute bei diesem Lieferanten bestellt, welche warten bis nächste Woche? Wenn jeder Artikel seine eigene Bestellung auslöst, schickt derselbe Lieferant drei LKWs und drei Zollanmeldungen pro Woche; ein LKW, eine Zollanmeldung und ein Rüstvorgang könnten alles abdecken, wenn die Gruppen stimmen. Manuelle Planung bricht ab 50 SKUs zusammen: mal halbleere LKWs, mal drei Bestellungen hintereinander — Fixkosten landen als 5-15% der Stückkosten zurück.
Saisonende naht und der Lagerbestand schmilzt nicht — wann und wie tief reduzieren, damit Marge hält und Dead Stock klein bleibt?
Diese Seite richtet sich an KMU im Modehandel mit Saisonkollektion, an Bekleidungs-/Schuh-/Accessoires-Ketten mit 30-100 Filialen oder an Frischwarenketten (Obst-und-Gemüse, Bäckerei, Metzger). Der klassische Schmerzpunkt: eine Kollektion mit 200-1.000 SKU verkauft sich 4-12 Wochen, danach wird der unverkaufte Bestand zum Problem — zu früh reduzieren erodiert die Bruttomarge, zu spät reduzieren hinterlässt einen Haufen Dead Stock am Saisonende. Entscheidung: welcher Artikel, wann, mit welcher Prozentreduktion? Bei einer mittelgroßen Modekette mit Bauchgefühl-Regeln landen 20-35% des Saisonendbestands im Restwert; ein sauberer Reduktionsfahrplan hebt die Bruttomarge um 5-15%, senkt den Dead Stock um 20-30% und bringt bei typischem Umsatzniveau 15-60 Millionen TRY operativen Deckungsbeitrag pro Jahr.
Wann nachbestellen, und wie viel?
Ein Einzelhändler, ein Onlineshop oder ein Distributor mit 200–5.000 Artikeln (SKU). Für jeden Artikel die Frage: wann beim Lieferanten nachbestellen und wie viel? Lieferanten liefern 3–21 Tage nach Bestellung (Lead Time), die Nachfrage schwankt tagesweise, manche Produkte haben ein Verfallsdatum, der Lagerplatz ist begrenzt, die meisten Lieferanten haben eine Mindestbestellmenge (MOQ). Die Entscheidung: welcher Artikel, wann, in welcher Menge, damit 'ausverkauft' (Umsatzverlust) und 'überbestellt' (gebundenes Kapital, Verfall) im Gleichgewicht bleiben. Manuelle Steuerung trägt bis ~50–100 SKUs; darüber bricht 'ich behalte das im Kopf' — entweder zu viel bestellt oder bei einem kritischen Artikel ausverkauft.