Wenn ein Händler oder Distributor Dutzende SKUs von einem Lieferanten bezieht, splittet eine unabhängige (s,S)-Politik je SKU unnötig die geteilten Rüstkosten (LKW, Zoll, Vertrag). Akademischer Name: Joint Replenishment Problem (JRP).
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Wir bestellen 20-200 SKUs bei einem Hauptlieferanten; jede SKU hat ihre eigene Bestandskarte und ihren eigenen Bestelltag, sodass manche Wochen drei LKW kommen und andere nur ein halber.
- Wir importieren 10-50 Container pro Woche (Möbel, Elektrogeräte, Non-Food); der Disponent entscheidet jeden Monat intuitiv, welche SKUs in welchen Container gehören.
- Pro LKW fallen feste Transport- und Zollöffnungsgebühren an; bei kleinen Sendungen erreicht dieser Fixanteil 5-15% der Stückkosten.
- Die Lieferanten-MOQ ist als Gesamtbestellwert definiert; die Frage 'was kann ich noch hinzufügen, um die Mindestmenge zu erreichen' wird ständig manuell beantwortet.
- Wenn eine SKU ihren Bestellpunkt unterschreitet, wird bestellt — aber 'was noch vom selben Lieferanten' wird je Fall entschieden, manchmal vergessen, manchmal überbestellt.
- Bestand-in-Tagen schwankt stark zwischen SKUs: manche bleiben 90 Tage, manche 20 Tage — welche SKUs den Mittelwert verzerren, ist nicht transparent.
- Für eine neue Filial- oder Lagereröffnung ist 'wie viele Bestellzyklen pro Woche, wie viele LKW' eine offene Frage ohne numerische Antwort.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Wähle eine Basisperiode (z. B. alle 2 Wochen einen Auftrag an den Lieferanten), dann für jede SKU einen Multiplikator — fährt sie jedes Mal mit (×1), jedes zweite Mal (×2) oder jedes vierte Mal (×4) — so werden LKW/Zoll/Vertrag einmal bezahlt und der Bestand bläht nicht durch Übersendung auf.
In der Operations-Research-Literatur (Disziplin, die Mathematik und Computer für Geschäftsentscheidungen einsetzt) heißt das Problem Joint Replenishment Problem (JRP — gemeinsame Bestellauffüllung). Das Grundmodell stammt aus den 1970er-Jahren unter deterministischer Nachfrage + festen geteilten Rüstkosten, mit späteren Übersichtsarbeiten ausgereift. Stochastische Erweiterungen liegen als Can-Order-Politik vor. Lösung in drei Phasen:
1. Modellierung. Eingaben: SKU-Liste je Lieferant, mittlere tägliche Nachfrage und Nachfragevarianz je SKU, Stück-Lagerhaltungskosten, Minor-Setup je SKU (Fixkosten nur wenn SKU enthalten, z.B. SKU-spezifische Etikettierung, Qualitätskontrolle), lieferantenebenes Major-Setup — ein LKW-Transport, eine Zollanmeldung, ein Lieferanten-Bestell-Setup, unabhängig von der SKU-Anzahl bezahlt. Außerdem: Lieferanten-MOQ — Minimum Order Quantity, Lieferzeit und Lieferzeit-Varianz, Haltbarkeit/Stapelrestriktionen, Nachfragekorrelationen. Zielfunktion: Gesamtkosten (geteiltes Setup × Frequenz) + (Minor-Setup je SKU × Frequenz) + (Lagerhaltung je SKU) minimal.
2. Lösung mit Solver. Deterministisches JRP: drei klassische Ansätze: (a) RAND-Algorithmus — iterative Suche der Basisperiode T mit Berechnung optimaler ganzzahliger Multiplikatoren pro Iteration; schnell, 1-3% sub-optimal. (b) Zweier-Potenz-Integer-Ratio-Politik — Multiplikatoren nur als Zweierpotenzen (1, 2, 4, 8, …); theoretische Garantie mindestens 98% Optimum, 100% planbar. (c) Indirect Grouping (IG) vs Direct Grouping — SKUs werden zuerst in 2-3 Gruppen (Kernfrequenz hoch + mittel + selten) partitioniert. Stochastisches JRP: Can-Order-Politik: zwei Schwellen je SKU — s (Muss-Bestellung) und c (Kann-Bestellung, s < c < S); fällt eine SKU auf s, werden alle aktuell unter c liegenden SKUs als Mitläufer aufgenommen. Periodische Review (R, S_i) und Simulation-Optimization (Hunderte Nachfrageszenarien testen, beste Politik wählen) für große Instanzen. Kleine Instanzen (10-30 SKUs) lassen sich als einzelnes MIP (Mixed-Integer Linear Programming — Optimierung mit teils 0/1-, teils stetigen Variablen) lösen.
3. Feldintegration. Ausgabe in drei Schichten: (a) gemeinsamer Bestellkalender (wöchentlich oder zweiwöchentlich — je Lieferant, Basisperiode T), (b) SKU-Multiplikator-Tabelle (m_i — bestellt jede SKU jedes T, jedes 2T oder jedes 4T; mit Zweierpotenzen sind die Teilnahmewochen deterministisch), (c) tägliche Bestellliste (im aktuellen Bestellfenster: welche SKUs, in welcher Menge). T und m_i werden bei Vertragsverlängerung neu berechnet. Quartalsbesprechung: Ist-vs-Plan LKW-Anzahl, MOQ-Verletzungen, Lagerumschlag, JRP-Einsparungsbericht.
Alternativen
Unabhängige (s,S) pro SKU + manuelle Zusatzbestellung
KostenlosKeine Lizenz (in bestehender Lagersoftware)
Für wen geeignet: Kleiner Händler, 20-50 SKUs, 1-2 geteilte Lieferanten
- + Bestehende Lagersoftware unterstützt typischerweise (s,S)
- + Disponenten-Erfahrung treibt 'noch eine SKU vom gleichen Lieferanten' Entscheidung
- + Keine Investitionskosten
- − Geteilte Rüstkosten werden nicht optimiert
- − MOQ-Verletzung manuell überwacht
- − Mit wachsender SKU-Zahl wird die Entscheidung 'welche andere SKU vom Lieferanten' immer härter
- − Kapazitätsplanung (LKW-Anzahl, Zollanmeldungen) schwach
Lokales Lager-/ERP-Modul mit lieferanten-basierter Gruppierung
Enterprise200K-800K TRY Lizenz + 60K-250K TRY/Jahr Wartung (regionaler KMU-Markt)
Für wen geeignet: Mittlerer Händler oder Distributor (50-300 SKUs, 2-10 Hauptlieferanten)
- + Lokale Vorschriften- und Zollintegration
- + Lieferanten-gruppierte Bestelloberfläche
- + Lokale Sprache und Support
- − JRP-Optimierungsmodul fehlt meist — nur manuelle Gruppierung
- − Zweier-Potenz-Politik selten unterstützt
- − Stochastisches JRP (Can-Order) in lokaler Software meist nicht vorhanden
Internationale Supply-Planning-Software
Enterprise600K-3M TRY Lizenz + 200K-700K TRY/Jahr Wartung
Für wen geeignet: Großer Händler oder Kettendistributor (300-3.000 SKUs, 10+ Hauptlieferanten)
- + JRP / Multi-Item-Replenishment-Modul reif — RAND, Zweier-Potenz, Can-Order
- + Stochastische Nachfrage und variable Lieferzeit modelliert
- + Multi-Echelon integriert
- + Lieferanten-MOQ, Preisbrüche, Volumenrabatte integriert
- − Hohe Lizenz + 9-15 Monate Rollout
- − Regionale Zoll-/Regulierungs-Anpassung verlängert Projekt
- − Breites Schulungsprogramm
Open-Source-Solver + eigenes JRP-Modul
Open SourceLizenz frei; interne Entwicklung 16-32 Wochen oder 600K-1,5M TRY Beratung
Für wen geeignet: Kette mit Daten-/OR-Team, Integration in bestehendes ERP
- + Keine Lizenzgebühr
- + Gemeinsame-Auffüllungs-Methoden (Basisperioden-Suche, Politik mit ganzzahligen Vielfachen — Zweierpotenzen, Zwei-Schwellen-stochastische Politik) gut auf Open-Source-Solver abgebildet
- + Stochastische Erweiterungen via Simulation-Optimization
- − Eigene OR- und ERP-Integrationsexpertise erforderlich
- − Lieferanten-MOQ, Preisbrüche, Volumenrabatte sind Sonderentwicklung
- − Vom akademischen Prototyp zum Feldsystem 6-12 Monate extra
Empfehlung
Im Gespräch fragen
- Welcher Ansatz liegt dem gemeinsamen-Auffüllungs-Modul zugrunde — Basisperioden-Suche, Politik mit ganzzahligen Vielfachen (jedes SKU mit 1-, 2-, 4-, 8-fachem der Basisperiode), Zwei-Schwellen-stochastische Politik, exakte Mathematik-Programmierung oder nur lieferantenbasierte manuelle Gruppierung?
- Wird deterministisches JRP (feste Nachfrage) oder stochastisches JRP (Zufallsnachfrage + Sicherheitsbestand) unterstützt? Ist die Nachfragevarianz ein SKU-Parameter?
- Wird die Politik mit ganzzahligen Vielfachen (jedes SKU mit 1, 2, 4, 8 fachem der Basisperiode) unterstützt? Ist der Multiplikator pro SKU als Tabelle sichtbar?
- Wie wird Lieferanten-MOQ (Gesamtwert oder Volumen) im Bestellzyklus angewendet — harter Constraint oder weicher? Werden Auffüll-SKU-Vorschläge automatisch erzeugt?
- Sind Major-Setup (LKW, Zoll, Lieferanten-Setup) und Minor-Setup (SKU-spezifisch) als getrennte Parameter modelliert? Lässt sich Major-Setup pro Lieferant einstellen?
- Können Nachfragekorrelationen (SKUs substituieren sich) im Modell berücksichtigt werden?
- Ist die Lieferzeit-Varianz ein SKU-Parameter? Wie wird geplant, wenn früh- und spät-eintreffende SKUs in denselben Zyklus fallen?
- Bei Vertragsende: in welchem Standardformat lassen sich Bestellzyklus-Historie, Lieferanten-SKU-Zuordnung, MOQ- und Frachtdaten exportieren?
Technische Details
Editor’s note
Umgangssprachlich heißt dieses Problem “Lieferantenbestellungen bündeln”, “LKW füllen” oder “gemeinsamer Bestelltag”. In der Literatur ist es das Joint Replenishment Problem (JRP) — eine seit den 1970er-Jahren entwickelte klassische OR-Familie.
Anders als (s,S) für eine SKU (Problem #004), Wagner-Whitin für Single-SKU Multi-Periode-Losgrößen (Problem #016) oder Newsvendor für Single-SKU Einzelperiode (Problem #011) geht es im JRP um N SKUs, die ein Major-Setup teilen. Geteilte Major-Setup-Kosten (LKW, Zoll, Vertrag) werden über die SKUs verteilt.
Am häufigsten übersehener Punkt: Zweier-Potenz-Politiken. In der Praxis hat jede SKU ihre eigene Periode; werden die Perioden frei gewählt, wird der Bestellkalender chaotisch. Die akademische Erkenntnis: bleiben die Perioden als Zweierpotenz-Vielfache der Basisperiode T (T, 2T, 4T, 8T, …), liegt die Lösung innerhalb von 2% des Optimums und ist im Feld planbar — jede SKU erscheint garantiert zu ganzzahligen T-Vielfachen auf der Bestellliste, LKW-Füllung ist vorhersehbar. Das Prinzip geht über JRP hinaus in One-Warehouse-Multi-Retailer und breitere Multi-Echelon-Koordination.
Zweiter übersehener Punkt: deterministisch vs stochastisch. Das klassische Modell setzt konstante Nachfrage voraus; echte Einzelhandelsnachfrage ist zufällig. Die stochastische Erweiterung ist die Can-Order-Politik: löst eine SKU den Reorder-Point aus, werden alle SKUs aktuell unter dem Can-Order-Schwellenwert (s < c < S) als Mitläufer in die gemeinsame Bestellung aufgenommen.
Schritt-für-Schritt — für den KMU
Phase 1 — Erst messen, dann planen. Mindestens 12 Monate Daten je Lieferant: welche SKUs gemeinsam in welcher Menge, LKW-Füllgrad, SKUs pro Zollanmeldung, Wochenumsatz und -varianz je SKU, geplant/ist Lieferzeit, MOQ-Wert und Verletzungszahl. Nachfragekorrelationen: welche SKUs steigen gemeinsam, welche substituieren.
Phase 2 — Wissenskapital extrahieren. Lieferant-SKU-Matrix (je Lieferant: aktive SKU-Zahl, geteilte Major-Setup-Kosten, mittlere Bestellfrequenz, MOQ-Regel). Innerhalb-Lieferant-ABC: welche SKUs hochwertig (jede T), mittel (jede 2T), niedrig (jede 4T). Major vs Minor Setup trennen.
Phase 3 — Pilot. 8-12 Wochen. Für eine Lieferantenmenge (z.B. die 1-2 SKU-stärksten Hauptlieferanten) Basisperiode T (z.B. 2 Wochen) fixieren. Zweier-Potenz-Multiplikator m_i je SKU berechnen. Parallel zur bisherigen unabhängigen (s,S) laufen lassen. Erfolgskriterien schriftlich vorab: LKW-Anzahl -10% min, Gesamt-Bestell- und Lagerkosten -5% min, MOQ-Verletzungen -50%.
Phase 4 — Rollout. 9-15 Monate Ausweitung auf alle Hauptlieferanten. Stochastische Erweiterung optional. Quartalsbesprechung: LKW-Füllgrad, MOQ-Compliance, Lagerumschlag, T- und m_i-Updates bei Vertragsverlängerung.
Risiken — was schiefgehen kann
- Unmodellierte Nachfragekorrelation bricht den Plan. Substituieren sich zwei SKUs, sind die unter Unabhängigkeit berechneten T und m_i im Feld falsch. Korrelationsmatrix alle 6 Monate rekalibrieren.
- Weiche MOQ-Modellierung. Akademisches JRP modelliert MOQ selten; werden ‘Auffüll-SKU’-Vorschläge nicht automatisch erzeugt, gerät der Betrieb in Zwangs-Beifügungen oder bezahlt hohe Kleinmengen-Aufschläge. MOQ muss harter Constraint sein.
- Unberücksichtigte Zollanmeldungs-Bündelung. Eine Zollanmeldung ist relevanter Teil des Major-Setup; der gemeinsame Zyklus muss eine korrekte Anmeldung (HS-Code-Kompatibilität, eine Erklärung mit SKU-Liste) erzeugen. Vor Vertragsverlängerung prüfen.
- Einzellieferanten-Lock-in. Konzentriert sich das JRP-Optimum auf einen Hauptlieferanten, schwächt eine Preiserhöhung oder Lieferverzug dort den Betrieb. Auf Politikebene Multi-Lieferanten-Regel (jede SKU mindestens zwei genehmigte Quellen) einsetzen."
Technische Sicht auf die Lösung
| Ansatz | Skala | Lösungszeit | Optimum garantiert? |
|---|---|---|---|
| Manuell + Tabellenkalkulation | Klein, 20-50 SKUs | Minuten | Nein, 60-75% |
| RAND | Mittel, 50-200 SKUs, deterministisch | Minuten | 97-99% sub-optimal |
| Zweier-Potenz-Integer-Ratio-Politik | Mittel-Groß, 100-500 SKUs | Minuten-Stunden | Mind. 98% optimal |
| Indirect Grouping (IG) heuristisch | Mittel-Groß | Minuten | Gute praktische Qualität |
| Can-Order-Politik | Stochastisch, 50-500 SKUs | Minuten (Simulation) | Nein, gute Qualität |
| MIP — Einzelperiode | Klein, unter 30 SKUs | Minuten-Stunden | Ja (innerhalb Bound) |
| Simulation-Optimization | Groß + stochastisch | Stunden | Nein, gute Qualität |
Zielfunktion:
- Ziel 1 — Gesamtkosten minimal: Klassisches JRP; cash-sensible Betriebe.
- Ziel 2 — LKW-Anzahl minimal: Logistik-Engpass-Betriebe.
- Ziel 3 — Kosten unter Service-Level-Constraint: Kundenorientiert.
- Ziel 4 — Lagerumschlag maximal: Umlaufkapital-Engpass.
Mehrfachziel: gewichtete Summe oder hierarchisch.
Akademische Quellen
Im sources-Block des Frontmatters dieser Seite gelistet.
Quellen
- Goyal, S. K. (1973). Determination of economic packaging frequency of items jointly replenished. Management Science, 21(4), 436-443.
- Goyal, S. K. und Satir, A. T. (1989). Joint replenishment inventory control: deterministic and stochastic models. European Journal of Operational Research, 38(1), 2-13.
- Khouja, M. und Goyal, S. (2008). A review of the joint replenishment problem literature: 1989-2005. European Journal of Operational Research, 186(1), 1-16.
- Roundy, R. (1985). 98%-effective integer-ratio lot-sizing for one-warehouse multi-retailer systems. Management Science, 31(11), 1416-1430.
- Atkins, D. R. und Iyogun, P. O. (1988). Periodic versus ‘can-order’ policies for coordinated multi-item inventory systems. Management Science, 34(6), 791-796.
- YÖK Tez Merkezi — Stichwörter: ‘ortak siparis’, ‘joint replenishment’ — 15+ Arbeiten aus TR-Akademie. tez.yok.gov.tr
Glossar
- Joint Replenishment Problem
- Operations-Research-Problem zur Koordinierung der Bestellfrequenzen von N SKUs, die geteilte Lieferanten-Rüstkosten (LKW-Transport, Zollanmeldung, Bestell-Setup) teilen, mit dem Ziel der Gesamtkostenminimierung (Setup plus Lagerhaltung).
- Power-of-Two Policy
- In Mehrprodukt-Bestandssystemen mit geteilten Rüstkosten garantiert die Beschränkung der Bestellperiode jedes Produkts auf Zweierpotenz-Vielfache einer Basisperiode T (T, 2T, 4T, ...) eine Lösung innerhalb von 2% des wahren Optimums und ist im Feld planbar (Roundy 1985).
- MIP
- Optimierungsmodell, bei dem ein Teil der Entscheidungsvariablen ganzzahlig sein muss (z. B. Anzahl LKW, Anzahl Schichten).
- EOQ
- Die klassische Bestandsformel für die wirtschaftlichste Bestellmenge bei einem Lieferanten.
Ähnliche Probleme
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.