Das Paradox: Voll und trotzdem leer
Ein volles Lager schließt eine Fehlmenge bei einem Kernartikel nicht aus. Entscheidend ist nicht nur der gesamte Lagerwert, sondern ob Menge, Ort und Zeitpunkt zum tatsächlichen Bedarf passen.
Im Fachgroßhandel können Überbestände bei Langsamdrehern und Fehlmengen bei wichtigen Artikeln gleichzeitig auftreten.
Das Problem ist nicht fehlende Sorgfalt. Bei breiten Sortimenten lassen sich nicht alle Artikel täglich mit derselben Tiefe prüfen. Statische Bestellpunkte reagieren zudem nicht von selbst auf veränderte Nachfrage oder Lieferzeiten.
Ein Forschungsprojekt des Fraunhofer IIS untersucht dafür Prognosemodelle und Bestellstrategien speziell für die Bestandsplanung im Großhandel.
Warum das passiert: Drei Ursachen
1. Statische Sicherheitsbestände in einer dynamischen Welt
Ein Bestellpunktverfahren löst bei einem definierten Schwellenwert einen Bestellvorschlag aus. Das kann bei stabiler Nachfrage sinnvoll sein, bildet Veränderungen aber nur ab, wenn die Parameter gepflegt werden.
Im Fachgroßhandel können verschiedene Einflüsse diese Annahmen verändern:
- Saisonalität: Heiztechnik im Herbst, Sanitär im Frühjahr, Klimatechnik im Sommer
- Regulatorische Effekte: GEG-Fristen, Förderprogramme, E-Rechnungspflicht
- Projektgeschäft: Beispielhaft zieht ein Großprojekt 200 Stück eines Artikels ab, für den zuvor 5 Stück pro Woche angesetzt wurden
Ein unveränderter Sicherheitsbestand bildet solche Einflüsse nur über vorab gepflegte Parameter ab. Verändern sich Nachfrage oder Lieferzeit, kann der Puffer zu hoch oder zu niedrig liegen.
2. Disposition nach Erfahrung statt nach Daten
Eine mögliche Ausgangslage ist eine stark erfahrungsbasierte Disposition. Saison, Lieferantenbesonderheiten und Schnelldreher werden dann durch einzelne Mitarbeitende bewertet.
Fehlen dokumentierte Regeln und Vertretung, entstehen bei Abwesenheit offene Fragen:
- Was passiert im Urlaub?
- Was passiert, wenn er in Rente geht?
- Was passiert, wenn sich das Sortiment durch Wärmepumpen und neue Produktkategorien verändert?
Erfahrungswissen ist wertvoll. Damit es für Vertretung und Einarbeitung nutzbar bleibt, sollten Begründungen und Sonderregeln dokumentiert werden.
Erfahrungswissen bleibt entscheidend. Eine Ausnahmeliste soll dieses Wissen auf die Artikel lenken, bei denen sich Nachfrage, Lieferzeit oder Bestandsrisiko auffällig verändern.
3. Keine Frühwarnung bei Trendänderungen
Beispiel: Der wöchentliche Abverkauf eines Artikels weicht plötzlich deutlich von seiner bisherigen Historie ab. Ursache können ein Förderprogramm, eine Normänderung, ein Projekt oder die Marktlage sein.
Ob das ERP eine solche Veränderung sichtbar macht, hängt von Auswertung, Parametern und Konfiguration ab. Fehlt eine passende Warnung, kann die Abweichung erst bei der manuellen Prüfung auffallen.
Was KI hier anders macht
KI-gestützte Disposition kann statische Regeln um Mustererkennung ergänzen. Drei mögliche Bausteine:
Nachfrageprognose auf Artikelebene
Ein Prognosemodell kann eine ausreichend lange Verkaufshistorie analysieren und dabei prüfen:
- Saisonale Muster (Heizperiode, Bausaison)
- Trends (steigende oder fallende Nachfrage)
- Ausreißer (einmalige Großbestellungen vs. echter Nachfrageanstieg)
Wie lang die Historie sein muss und wie oft neu gerechnet wird, hängt von Saisonalität, Datenmenge und Entscheidungstakt ab. Diese Parameter gehören in die Validierung.
Dynamische Sicherheitsbestände
Statt eines festen Sicherheitsbestands kann das Modell einen veränderlichen Puffer vorschlagen. Der Disponent prüft, ob Saison, Lieferzeit, Mindestmenge und strategische Bedeutung fachlich richtig berücksichtigt sind.
Ausnahmeliste statt Komplettsortiment
Der Disponent erhält eine priorisierte Ausnahmeliste, zum Beispiel für:
- Neue Artikel ohne ausreichende Historie
- Artikel mit ungewöhnlichen Nachfrageänderungen
- Lieferengpässe bei kritischen Artikeln
- Positionen, bei denen der Bestellvorschlag die Mindestbestellmenge überschreitet
Bestellvorschläge werden im ERP bereitgestellt. Welche Vorschläge automatisch weiterlaufen dürfen und welche eine Freigabe brauchen, wird durch fachliche Regeln bestimmt.
Ergebnisse mit eigenen Kennzahlen belegen
Vergleichen Sie für eine Pilotwarengruppe Lagerwert, Lieferfähigkeit, Fehlmengen, Notbestellungen und Abschreibungen mit der bisherigen Disposition. Nur wenn dieselbe Artikelgruppe über einen geeigneten Zeitraum betrachtet wird, lässt sich die Wirkung belastbar einordnen.
Wann eine Pilotprüfung sinnvoll sein kann
KI-Disposition ist kein Allheilmittel. Eine Pilotprüfung kann sinnvoll sein, wenn mehrere dieser Punkte zutreffen:
- Breites Sortiment: Viele Artikel können nicht mit derselben Aufmerksamkeit geprüft werden
- Saisonale Schwankungen: Heizung, Klima, Bausaison, Förderprogramme
- Relevante Kapitalbindung: Der erwartete Nutzen muss die Kosten von Einführung und Betrieb tragen
- Dispositions-Know-how an wenigen Personen gebunden: Personalrisiko
- Fehlmengen bei Kernartikeln trotz vollem Lager: Das klassische Paradox
Ein sinnvoller Einstieg ist eine Pilotwarengruppe mit messbarer Kapitalbindung und ausreichender Historie. Ein Validierungsfenster von 8 bis 12 Wochen kann erste Unterschiede zeigen, muss bei saisonalen Artikeln aber gegebenenfalls verlängert werden.
Fazit: Disposition braucht Daten, nicht nur Erfahrung
Erfahrungswissen bleibt für Ausnahmen und Freigaben erforderlich. KI-gestützte Disposition kann Auffälligkeiten priorisieren und Vorschläge liefern, deren Qualität sich anhand der eigenen Bestandsdaten prüfen lässt.
Wenn Sie das Dispositions-Paradox aus Ihrem eigenen Lager kennen: Zeigen Sie uns Ihren Artikelstamm. Wir schätzen gemeinsam ein, wo der größte Hebel liegt.
Geschäftsführer und Berater für den technischen Fachgroßhandel