Für eine Fast-Fashion-Einzelhandelskette mit Saisonkollektion, eine Frischwarenkette oder einen Einzelhändler mit kurzer Haltbarkeit: die monotone Preisreduktion über die Verkaufssaison zum Bestandsabbau — wann und mit welchem Prozentsatz. Akademisch: Markdown Pricing — Smith-Achabal (1998), Bitran-Mondschein (1997), Caro-Gallien (2012).
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Wir sind eine Fast-Fashion-Kette mit Saisonkollektionen und 200-1.000 SKUs; jede Saison (Sommer/Winter) kommt eine neue Kollektion, nach 4-12 Wochen müssen wir den Restbestand abverkaufen — wir nutzen eine '10% jede Woche dazu'-Regel und wissen nicht, wie weit wir vom Optimum entfernt sind.
- Wir betreiben eine 30-100-Filialen-Bekleidungs-/Schuh-/Accessoires-Kette; Saisonende-Restbestand wird zu 20-35% Dead Stock, zu Restwertpreisen verkauft oder gespendet.
- Wir sind eine Frischwarenkette (Obst-Gemüse, Bäckerei, Metzger, Fertiggerichte); tägliche Artikel müssen kurz vor Haltbarkeitsende abverkauft werden — '30% Reduktion nach 18 Uhr' ist regelbasiert; welche SKU zu welcher Stunde mit welcher Reduktion abverkauft wird, wird nicht analysiert.
- Wir sind ein E-Commerce-Händler; modesensible SKU-Preise können täglich aktualisiert werden — aber 'welcher Preis an welchem Tag' wird vom Planer intuitiv gesetzt, Preiselastizität nicht quantifiziert.
- Mitten in der Saison öffnete ein Wettbewerber plötzlich 40% Reduktion; wir reagierten mit 30%, aber welche SKU mit welchem Prozentsatz optimal — kamen wir zu spät oder zu früh — können wir nicht messen.
- Die Geschäftsführung sorgt sich: 'tiefe Rabatte erodieren die Premium-Wahrnehmung'; aber 'wie tief ist der akzeptable Dead-Stock-Boden am Saisonende' ist nicht numerisch beantwortet.
- Bei jedem Saisonabschluss 'wie hoch ist die tatsächliche Bruttomarge dieser Saison' ist intuitiv — eine Simulation 'wäre das Markdown-Timing optimal gewesen, hätten wir wie viel mehr verdient' existiert nicht.
- Wir hängen an einer Einzelanbieter-Einzelhandels-Preisplattform; ein 'Markdown-Optimierungsmodul' ist enthalten, aber welcher akademische Ansatz (Smith-Achabal, Bitran-Mondschein, Bayesian) verwendet wird, ist nicht transparent.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Schätze zu Saisonstart pro SKU die Preiselastizität der Nachfrage (wie stark hebt 1% Rabatt die Nachfrage); wähle für die verbleibenden Wochen pro Woche den Preis per dynamischer Programmierung (Rückwärtsinduktion — vom Ende zum Anfang) — Gesamtprofit (inkl. Restwert am Saisonende) maximiert unter einer markenschützenden Maximal-Rabatt-Obergrenze.
In der Operations-Research-Literatur (Disziplin, die Mathematik und Computer für Geschäftsentscheidungen einsetzt) und Einzelhandelspreis-Literatur heißt dieses Problem Markdown Pricing (Abschriftsplanung) oder Dynamic Pricing for Perishables. Die akademischen Grundlagen wurden Ende der 1990er / Anfang der 2000er gelegt: deterministische dynamische Programmierung, Poisson-Nachfrage-stochastisches DP, umfassende Übersichten und reale Piloten bei Fast-Fashion-Händlern. Lösung in drei Stufen:
1. Modellierung — Saisonkalender + Nachfrage-Preis-Kurve + Monotonie-Bedingung. Eingaben: (a) Saisonkalender — Start (z.B. Sommerkollektion März, Winter September), Ende (4-12 Wochen später), wöchentliche oder tägliche Entscheidungspunkte, (b) SKU-Daten — Anfangsbestand, Vollpreis, Kosten, Kategorie (modesensibel/Basic, saisonspezifisch/dauerhaft, händlerexklusiv/Marken), (c) Nachfrage-Preis-Kurve — erwartete wöchentliche Nachfrage bei Vollpreis + Preiselastizität (1% Preissenkung erhöht Nachfrage um wie viel %); aus Vor-Saison-Daten (mind. 4-8 Saisons) via Regression oder Analogie geschätzt, (d) Saisonende-Restwert — Restwert / Spende / Entsorgungskosten, (e) Bedingungen — Markdown-Stufe (z.B. 10/20/30/40/50%-Panel), Maximalrabatt-Cap zum Imageschutz (z.B. ≤50%), monotones Markdown (Preis sinkt, springt nicht zurück — der Kernunterschied zum Revenue Management), Mindestpreis. Entscheidungsvariablen: pro SKU × pro Woche, Markdown-Prozentsatz aus dem Panel. Ziel: maximiere Saisongewinn = Σ (Preis − Kosten) × Absatz + Saisonende-Restwert.
2. Lösung — Smith-Achabal deterministisch, Bitran-Mondschein stochastisch, Bayesian + Thompson sampling. Smith-Achabal (1998) deterministische DP — Nachfragekurve deterministisch, Rückwärtsinduktion berechnet den optimalen Preis pro Woche; einfach und schnell, manuell rechenbar bei Einzel-SKU-Einzel-Filiale. Bitran-Mondschein (1997) stochastische DP — Nachfrage Poisson, Preise aktualisieren wöchentlich; mittelgroß (50-300 SKUs) in Minuten lösbar. Multi-Produkt-MIP — Kannibalisierungseffekte (Reduktion bei SKU X trifft auch Absatz SKU Y); Saisonkalender × SKU-Panel × Markdown-Panel als MIP, kommerzieller oder ausgereifter Open-Source-Solver löst in Minuten-Stunden (200-1.000 SKU). Bayesian Dynamic Pricing + Thompson sampling — Elastizität unsicher, Bayesian-Updates mit Wochenverkäufen, Thompson sampling balanciert Exploration-Exploitation; moderner Ansatz für E-Commerce-Tagespreisstellung; Caro-Gallien (2012) angewendet im Fast-Fashion-Pilot. Heuristik + Simulation — einfache Regel + Simulationstests, nicht akademisch optimal, aber implementierungseinfach. Saisonende-Disposition — Outlet / Spende / Entsorgung / Carry-over als Restwert-Eingabe.
3. Feldintegration — Preispanel + Genehmigungsfluss + Saisonende-Kalibrierung. Output vierschichtig: (a) wöchentliches Preisempfehlungs-Panel — pro SKU × Woche, empfohlener Preis, erwarteter Absatz, erwarteter Saisonende-Bestand, Margenbeitrag, (b) Markdown-Kalender-Visualisierung — Gantt-ähnlich: welche SKU mit welchem Rabatt in welcher Woche; Saisonbeginn genehmigt, bei Abweichungen revidiert, (c) Wettbewerbspreis-Tracker-Bericht — täglich/wöchentlich, Signal-Schwelle löst Empfehlungsrevision aus, (d) Saisonende-Performance + Kalibrierung — Ist vs. Plan, Elastizitätsabweichung, Dead-Stock-Quote, Bruttomarge; dieser Bericht aktualisiert das Nächst-Saison-Modell. Obere Integration: PIM, POS, E-Commerce-Plattform, WMS, Kategoriemanager-Genehmigungsfluss. Genehmigungsfluss ist kritisch: Empfehlungen werden nicht automatisch angewendet, der Kategoriemanager genehmigt (insbesondere über X% Veränderung); Markenpositionierung bleibt menschliche Entscheidung. Saisonende-Ausschuss (4× jährlich): Ist vs. Plan, Dead Stock, Elastizitätskalibrierung, Erkenntnisse fürs nächste Modell.
Alternativen
Manuell + Tabellenkalkulation-Markdown-Regel
KostenlosNull Lizenz
Für wen geeignet: Kleiner Händler (Einzelfiliale, <100 SKU/Saison), einfache Kollektion
- + Null Softwarekosten
- + Felderfahrung des Kategoriemanagers im Vordergrund
- + Einzelregel (z.B. 10% Wo 4, 20% Wo 6, 30% Wo 8) schnell angewendet
- + Kurzer Genehmigungszyklus
- − Über 100 SKUs keine SKU-Zeit-Preis-Kurve manuell möglich
- − Preiselastizität nicht geschätzt, nur intuitiv
- − Dead-Stock 20-35% — optimal -20-30%, aber nicht gemessen
- − Wettbewerbspreis-Tracking verzögert — manuelle Touren / Online-Scans
- − Saisonende-Kalibrierung nicht schriftlich
Open-Source-Solver + eigenes Markdown-Modell
Open SourceLizenz frei; 12-24 Wochen interner Aufbau oder 500K-1,5M TRY Beratung
Für wen geeignet: Mittelgroßer Händler mit Technikteam, PIM/POS-Integration
- + Keine Lizenzkosten
- + Deterministische und stochastische Markdown-Pläne sowie bayes'sches Dynamic Pricing sind in der Open-Source-Literatur etabliert
- + Elastizitätsmodell auf eigenen Daten kalibriert
- + Multi-Produkt-Kannibalisierung erweiterbar
- + Offener Code — Transparenz prüfbar
- − Inhouse OR + Data Science + Integration nötig
- − Vom akademischen Prototyp zur Produktion 6-12 Monate
- − Genehmigungsfluss + UI eigenständig zu bauen
- − Wartung beim Händler
Einzelhandels-Preisplattform mit Markdown-Modul
Enterprise400K-2M TRY Lizenz + 150K-600K TRY/Jahr Wartung (TR-Marktbeobachtung)
Für wen geeignet: Mittel-große Einzelhandelskette (30-150 Filialen, 500-3.000 SKU/Saison), PIM/POS/E-Commerce integriert
- + Markdown-Modul bereit (akademische Bibliotheken inside)
- + PIM + POS + E-Commerce + WMS integriert
- + Genehmigungsfluss + Wettbewerbspreis-Tracker integriert
- + Operationale Unterstützung + Schulung
- + Lokalsprachige Oberfläche
- − Welcher akademische Ansatz verwendet wird, nicht immer transparent
- − Elastizitätsmodell oft Blackbox — verhandelbar
- − Hohe Lizenz + lange (9-15 Monate) Einführung
- − Lokal-Regulationsanpassung verlängert
- − Einzelanbieter-Lock-in-Risiko
Internationale Einzelhandels-OR-Plattform + eigenes Markdown-Modell
Enterprise1-4M EUR Lizenz + 300K-1M EUR/Jahr Wartung
Für wen geeignet: Große Kette (150+ Filialen, 3.000+ SKU/Saison, multinational + E-Commerce + Multi-Marken)
- + Deterministische Markdown-DP + stochastische Markdown-DP + bayes'sches Dynamic Pricing + Explorations-Verwertungs-Stichprobenverfahren integriert
- + Reifes Multi-Produkt-Kannibalisierungsmodul
- + Mehrkanal-Koordination
- + Reiches Wettbewerbspreis-Scrape + Signal-Modul
- + Transparente Methodik — Margen- und Dead-Stock-Gewinnzahlen unabhängig überprüfbar
- − Hohe Lizenz + lange (12-24 Monate) Einführung
- − Anpassung an Lokal-Regulation verlängert
- − OR + Integrationsteams nötig
- − Breite Scope — bei mittlerer Größe überdimensioniert
Empfehlung
Im Gespräch fragen
- Was läuft im Markdown-Optimierungsmodul tatsächlich — ein deterministisches dynamisches Programm, ein stochastisches dynamisches Programm mit Poisson-Nachfrage, bayes'sches Lernen mit Explorations-Verwertungs-Stichproben, ein Multi-Produkt-MIP oder eine heuristische/regelbasierte Engine? Ist die gewählte Variante in der Spezifikation dokumentiert?
- Wie wird Preiselastizität geschätzt — Vor-Saison-Regression, Analogie ähnlicher Produkte, oder Nutzereingabe? Wie wird der Schätzfehler berichtet?
- Wie ist die Monotonie-Bedingung (Preis fällt, springt nicht zurück) im Modell ausgedrückt? Sind Rebound-Ausnahmen (Kampagne endet) unterstützt?
- Ist Multi-Produkt-Kannibalisierung modelliert oder werden SKUs unabhängig gelöst?
- Ist der Imageschutz-Maximalrabatt-Cap (z.B. ≤50%) unterstützt? Wie wird der Dead-Stock-Akzeptanz-Boden unter dem Cap gesetzt?
- Gibt es einen Wettbewerbspreis-Tracker — automatisch täglich/wöchentlich integriert oder manuell? Signal-getriggerte Empfehlungsrevisionen?
- Wie kann eine Pilotphase mit echten Daten (12-16 Wochen inklusive Saisonende) gegen die bisherige manuelle Regel die Einsparung darstellen — Marge +X%, Dead Stock -X%, Clearance +X%?
- Endet der Vertrag, in welchem Standardformat lassen sich Markdown-Historie, Elastizitätskalibrierung, Saisonende-Performance, Wettbewerbssignal-Archiv exportieren?
Technische Details
Anmerkung der Redaktion
Dieses Problem heißt umgangssprachlich “Saisonende-Reduktion”, “Outlet-Preis”, “Clearance” oder “Lagerräumung”. Der akademische Name ist Markdown Pricing oder Dynamic Pricing for Perishables; klassische Referenzen sind Smith-Achabal (1998) deterministisch und Bitran-Mondschein (1997) stochastisch. Moderne Übersicht: Elmaghraby-Keskinocak (2003); kanonisches Buch: Talluri-van Ryzin (2004); berühmtes Anwendungspapier: Caro-Gallien (2012) — realer Pilot bei einem Fast-Fashion-Händler.
Unterschied zu #006 Revenue Management: RM setzt Preise für kapazitätsfeste + zeitverderbliche Produkte (Flugsitze, Hotelzimmer, Veranstaltungstickets) dynamisch auf-ab; Kapazität verfällt nicht am Saisonende, sondern setzt sich täglich zurück. Markdown setzt Preise für bestandsgebundene + saisongebundene Produkte monoton fallend; Bestand setzt sich nicht zurück, Überschuss wird Dead Stock. Beide Probleme stehen im selben RM-Buch nebeneinander, aber ihre Mathematik unterscheidet sich.
Unterschied zu #011 Newsvendor: Newsvendor ist die Einzelperioden-Bestellmengen-vor-der-Saison-Entscheidung; Markdown ist die Innerhalb-Saison-Preisentscheidung. Sie laufen sequentiell.
Unterschied zu #017 Assortment Planning: Assortment Planning entscheidet ‘welche SKU im Regal’ (Saisonbeginn); Markdown ‘mit welchem Preis die gelisteten SKUs verkauft werden’ (innerhalb Saison).
Im Feld am häufigsten übersprungener Punkt: Preiselastizität-Schätzung. Akademische Markdown-Modelle nehmen Preiselastizität als Eingabe; Praktiker rechnen sie nicht aus, sie nutzen Intuition. Caro-Gallien (2012): Elastizitätsschätzung + dynamisches Optimum hoben Clearance-Marge um 5-8% über die Regel hinaus. Elastizität kategoriebasiert (modesensible Produkte hoch, Basics niedrig), SKU- oder Segment-basiert schätzbar; aus Vor-Saison-Regression oder Analogie. Ohne gemessenen Schätzfehler sieht der Algorithmus optimal aus, gibt aber falsche Empfehlungen; Saisonende-Kalibrierung ist Pflicht.
Zweiter Punkt: Bedeutung der Monotonie-Bedingung. Markdown-Preise sinken monoton (springen nicht zurück); diese Bedingung folgt aus dem Wartenverhalten der Kunden — wer ‘der Preis fällt später’ erwartet, wartet. Rebound-Ausnahmen (Kampagne endet) existieren, aber die akademische Grundformulierung nimmt Monotonie an — das ist der mathematische Kernunterschied zum RM.
Dritter Punkt: Multi-Produkt-Kannibalisierung. Reduktion einer SKU beeinflusst Absatz anderer SKUs derselben Kategorie. Unabhängig gelöst sind Gesamtgewinnvorhersagen falsch. Modellierung via Multi-Produkt-MIP oder Cross-Elastizitäts-Matrix.
Vierter Punkt: Markenimage-Bedingung. Tiefe Rabatte erodieren Premium-Wahrnehmung; akademische Modelle drücken das als Maximalrabatt-Cap (z.B. ≤50%) aus. Unter dem Cap ist eine bestimmte Dead-Stock-Fraktion akzeptabel; über dem Cap Outlet-Transfer oder Spende.
Schritt-für-Schritt-Roadmap — für KMU
Stufe 1 — Erst messen, dann planen. Mindestens 4-8 Saisons Vor-Daten: pro SKU wöchentlicher Absatz, Wochenpreis, Saisonende-Restbestand, Disposition, Kosten. Kategorietaxonomie aufgebaut. Wettbewerbspreis-Datenfluss eingerichtet; falls nicht, wöchentliche manuelle Runden.
Stufe 2 — Preiselastizität schätzen. Vor-Saison-Regression auf Kategorie-Ebene. Modesensibel: -2 bis -4; Basic: -0,5 bis -1,5. Schätzfehler (R² oder MAPE) berichten. Wissenskapital: Kategorie × Markdown-Prozentsatz × Wochenmatrix.
Stufe 3 — Pilot. 12-16 Wochen (mit einem Saisonende). 50-100 SKUs in einer Kategorie laufen mit Smith-Achabal-Empfehlung parallel zur manuellen Regel. Schriftliche Erfolgskriterien: Marge +5%, Dead Stock -15%, Clearance +20% minimum.
Stufe 4 — Roll-out. 12-18 Monate bis voller SKU-Scope + Multi-Produkt-Kannibalisierung + Wettbewerbssignal + E-Commerce. Saisonende-Ausschuss vierteljährlich.
Risiken — was schief gehen kann
Preiselastizitäts-Schätzfehler. Falsch geschätzte Elastizität → algorithmisch falsches Optimum. Lösung: Saisonende-Kalibrierung, kategoriespezifisch, R² > 0,6 Mindestschwelle.
Wettbewerbspreis-Verzögerung. 1-2 Wochen verspätete Reaktion → Algorithmus interpretiert ‘Nachfrage schwach’ und schlägt tiefere Reduktion vor. Lösung: tägliches Scrape, signal-getriggerte Revision, Kategoriemanager-Schnellgenehmigung.
Markenimage-Erosion. Optimum-Markdown räumt vollständig, fordert 60-70% — Premium-Image über 1-2 Saisons erodiert. Lösung: Maximalrabatt-Cap (≤50%), Über-Cap-Artikel an Outlet/Spende.
Einzelanbieter-Lock-in. Ohne Klausel ‘jährlicher Standardformat-Export der Markdown-Historie, Elastizitätskalibrierung, Saisonende-Daten, Wettbewerbssignal-Archiv’ kostet ein Anbieterwechsel das Saison-übergreifende Kalibrierungsgedächtnis.
Technischer Blick auf die Lösungsmethoden
| Ansatz | Typische Größe | Lösungszeit | Garantiertes Optimum? |
|---|---|---|---|
| Manuelle Regel (‘10% pro Woche’) | Klein (<100 SKU) | sofort | Nein, 50-70% Optimum |
| Smith-Achabal deterministische DP | Mittel (100-500 SKU) | Sekunden-Minuten | Ja (unter deterministischer Nachfrage) |
| Bitran-Mondschein stochastische DP (Poisson) | Mittel (100-500 SKU) | Minuten | Ja (unter Poisson-Annahme) |
| Multi-Produkt-MIP (Kannibalisierung) | Mittel-groß (200-1.000 SKU) | Minuten-Stunden | Ja (innerhalb Schranke) |
| Bayesian Dynamic Pricing + Thompson sampling | E-Commerce täglich | kontinuierlich | Nein, regret-bound garantiert |
| Heuristik + Simulation | Jede Größe | Sekunden-Minuten | Nein, praktische Qualität |
Zielfunktion-Wahl:
- Ziel 1 — Max Saisongewinn: Klassisch.
- Ziel 2 — Max Bruttomarge-Prozentsatz: Premium-Image-Fokus.
- Ziel 3 — Min Dead Stock: Wenn Saisonende-Restbestand akzeptabel niedrig.
- Ziel 4 — Mehrkriteriell (Gewinn + Image + Dead Stock): Pareto-Front oder gewichtete Summe.
Markdown-Varianten — feldabhängig wählen: klassisch Smith-Achabal; stochastisch Bitran-Mondschein; Multi-Produkt; Multi-Filiale; Online E-Commerce; Promotion-basiert; Markdown + Saisonende-Disposition; Markdown + Bestandsumverteilung.
Akademische Quellen
Im Frontmatter unter sources aufgelistet. Smith und Achabal (1998) und Bitran und Mondschein (1997) in Management Science — die zwei grundlegenden Markdown-Pricing-Referenzen; Elmaghraby und Keskinocak (2003) umfassende Übersicht; Talluri und van Ryzin (2004) kanonisches Buch; Caro und Gallien (2012) in Operations Research — realer Pilot bei einem Fast-Fashion-Händler, sehr berühmt in der OR-Anwendungsliteratur.
Quellen
- Smith, S. A. und Achabal, D. D. (1998). Clearance pricing and inventory policies for retail chains. Management Science, 44(3), 285-300. Empirische Grundlagenarbeit zum Markdown Pricing in US-Großhandelsketten.
- Bitran, G. R. und Mondschein, S. V. (1997). Periodic pricing of seasonal products in retailing. Management Science, 43(1), 64-79. Stochastische DP mit Poisson-Nachfrage.
- Elmaghraby, W. und Keskinocak, P. (2003). Dynamic pricing in the presence of inventory considerations: Research overview, current practices, and future directions. Management Science, 49(10), 1287-1309. Umfassende Übersicht.
- Talluri, K. T. und van Ryzin, G. J. (2004). The Theory and Practice of Revenue Management. Springer. Kanonisches RM-Buch (inkl. Markdown-Kapitel).
- Caro, F. und Gallien, J. (2012). Clearance pricing optimization for a fast-fashion retailer. Operations Research, 60(6), 1404-1422. Realer Pilot + Roll-out bei einem Fast-Fashion-Händler — sehr berühmt in der OR-Anwendungsliteratur.
- YÖK Hochschulrats-Thesenzentrum — Schlagwörter ‘markdown’, ‘sezon-sonu fiyatlama’, ‘dynamic pricing’ — 15+ Thesen aus der TR-Akademie. tez.yok.gov.tr
Glossar
- Markdown Pricing
- Einzelhandels-OR-Praxis, die für ein saisonales oder verderbliches Produkt über den Verkaufshorizont einen typisch monoton fallenden Preisverlauf setzt, um Marge und Dead-Stock-Risiko auszubalancieren.
- Dynamic Pricing for Perishables
- Erweiterte OR-Klasse von Preisproblemen, bei denen der Artikelwert mit der Zeit sinkt (frische Lebensmittel, Mode, Elektronik mit neuen Generationen, Hotelzimmer nach Anreisetag) und die Preise sich anpassen müssen — monoton fallend oder auf-ab.
- Revenue Management
- Dynamische Preisgestaltung für fixe, verderbliche Kapazitäten (Hotelzimmer, Flugsitze, Eventtickets) auf Basis der Nachfrage.
- Newsvendor
- Klassisches einperiodisches Bestandsmodell, das die optimale Bestellmenge für Verderbliche aus der Balance von Verderb- und Stockout-Kosten liefert.
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.
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.