Wo statische Meldebestände im SHK-Großhandel an Grenzen stoßen
Ein statischer Meldebestand kann in einer Saison zu hoch und in einer anderen zu niedrig liegen. Gerade bei Heiztechnik, Klima und projektbezogenen Komponenten verändern Nachfrage und Lieferzeit die sinnvolle Bestellmenge.
Statische Meldebestände bilden saisonale Schwankungen und wechselnde Lieferzeiten nur ab, wenn ihre Parameter regelmäßig geprüft werden. Wie viel Aufwand diese Pflege bei einem breiten Sortiment im SHK-Fachgroßhandel erzeugt, lässt sich über Änderungen, Prüfzeit und Ausnahmen messen.
Erheben Sie Lagerwert, Lieferfähigkeit, Fehlmengen und Notbestellungen für dieselbe Warengruppe. So wird sichtbar, ob ein niedrigerer Bestand tatsächlich mit der gewünschten Versorgungssicherheit vereinbar ist.
Wie prädiktive Bestandsplanung funktioniert
Der Grundgedanke: Statt eines dauerhaft festen Schwellenwerts berechnet ein Modell einen veränderlichen Meldebestand. Häufigkeit und Granularität der Berechnung richten sich nach Datenlage und Entscheidungstakt.
Fraunhofer IML beschreibt für die dynamische Bestandsplanung, wie Modelle Nachfrageverläufe und Wiederbeschaffungszeiten in die Bestandskalkulation einbeziehen.
Was in die Berechnung einfließt:
- Historische Abverkaufsdaten: Nicht nur Durchschnittswerte, sondern Muster auf Wochen- und Tagesebene
- Saisonale Nachfragekurven: Wärmepumpen im Herbst, Klimageräte im Frühjahr, Sanitärartikel ganzjährig
- Aktuelle Lieferzeiten: Bestätigte Daten von Herstellern und Speditionen mit erkennbarem Datenstand
- Offene Bestellungen und Wareneingänge: Was ist bereits unterwegs?
- Externe Signale: Wetterprognosen, Förderprogramme, regulatorische Änderungen wie das GEG
- Lieferantenperformance: Wie zuverlässig liefert ein bestimmter Hersteller tatsächlich?
Wenn aktuelle Lieferzeiten oder freigegebene externe Signale als Daten vorliegen, kann das Modell sie in einen neuen Vorschlag einbeziehen. Ob eine Wetterprognose oder ein Förderprogramm für die jeweilige Artikelgruppe wirklich aussagekräftig ist, muss im Rückvergleich geprüft werden.
Das Modell kann technisch komplex sein. Für die Disposition muss das Ergebnis trotzdem als nachvollziehbarer Vorschlag mit Datenstand, Annahmen und Ausnahmen erscheinen. Ob sich dadurch die tägliche Prüfzeit verändert, gehört in die Messung.
Statisch und dynamisch: ein Modellbeispiel
Das folgende Rechenmuster ist kein Kundenfall und keine Ergebniszusage.
Angenommen, der feste Meldebestand einer Warengruppe liegt ganzjährig bei 8 Stück. Die historische Nachfrage beträgt in ruhigen Monaten 2 bis 3 Stück und in der Hauptsaison 15 bis 20 Stück pro Monat.
Ein dynamischer Vorschlag könnte diese Saisonkurve berücksichtigen. Ob er besser arbeitet, zeigt ein Rückvergleich mit den tatsächlichen Abverkäufen, Lieferzeiten und Fehlmengen.
Die Zahlen dienen nur als Annahmen für den Test. Ein sinnvoller Meldebestand muss zusätzlich Sicherheitsbestand, Wiederbeschaffungszeit, Mindestmenge und gewünschte Lieferfähigkeit berücksichtigen.
Die besonderen Herausforderungen im SHK-Sortiment
Für die Disposition im SHK-Großhandel sind drei Faktoren besonders zu prüfen.
Erstens: die Sortimentsbreite. Schnelldreher, projektbezogene Artikel und selten benötigte Varianten folgen unterschiedlichen Mustern. Eine einheitliche Dispositionslogik wird dieser Vielfalt nicht gerecht.
Zweitens: die Saisonalität. Die Nachfrage nach Heizungstechnik kann anderen Mustern folgen als die nach Sanitärprodukten oder Installationsmaterial. Ob eine Saisonkurve trägt, muss deshalb auf Ebene der gewählten Artikelgruppe geprüft werden.
Drittens: regulatorische Einflüsse. Förderprogramme und gesetzliche Vorgaben wie das Gebäudeenergiegesetz können Kaufentscheidungen beeinflussen. Solche Signale gehören nur dann in ein Modell, wenn ihr Bezug zur Artikelgruppe nachvollziehbar getestet wird.
Was Sie für die Umsetzung brauchen
Die Grundlage bilden Abverkaufshistorien, Lieferzeiten, Bestellmengen und Bestandsdaten aus dem ERP. Vor dem Start muss geklärt werden, welche Felder vollständig sind und wie Sonderfälle dokumentiert werden.
Ein möglicher Weg zur KI-gestützten Disposition sieht so aus:
- Datenaudit: Welche Daten sind vorhanden, wie sauber sind sie, wo gibt es Lücken?
- Artikelklassifikation: Segmentierung nach Umschlagshäufigkeit, Marge und strategischer Bedeutung
- Pilotphase: Start mit einer klar abgegrenzten und ausreichend häufig bewegten Artikelgruppe
- Validierung: Vergleich der KI-Prognosen mit der bisherigen Disposition über 8 bis 12 Wochen
- Ausweitung: Schrittweise Prüfung weiterer geeigneter Artikelgruppen
- Fortlaufende Prüfung: Prognosefehler, Fehlmengen und Lagerwert regelmäßig vergleichen
Wichtig: Der Mensch bleibt in der Schleife
Prädiktive Bestandsplanung ersetzt keine Disponenten. Sie kann zusätzliche Vorschläge und Hinweise liefern. Erfahrene Mitarbeiter bewerten weiterhin Ausnahmen wie angekündigte Großprojekte, Lieferantenausfälle oder regionale Besonderheiten. Ob die Kombination die bisherige Planung verbessert, zeigt nur der Rückvergleich mit denselben Kennzahlen.
Was prädiktive Disposition konkret belegen muss
Messen Sie für dieselbe Pilotgruppe mindestens Lagerwert, Lieferfähigkeit, Fehlmengen, Notbestellungen, Abschreibungen und manuellen Prüfaufwand. Eine Verbesserung bei nur einer Kennzahl reicht nicht, wenn sich eine andere verschlechtert.
Modellrechnung, keine Ergebniszusage: Bei einem angenommenen Lagerwert von 15 Millionen Euro entspricht ein Prozent Bestandswert 150.000 Euro. Eine rechnerische Reduktion darf aber nicht pauschal als Gewinn behandelt werden. Entscheidend sind Zahlungswirkung, Sicherheitsbestand, Lieferfähigkeit und die Kosten des neuen Verfahrens.
Wie Sie solche Annahmen mit eigenen Werten prüfen, zeigt unser Beitrag zu datengetriebenen Entscheidungen.
Fazit: Kleine Schritte, messbare Wirkung
Sie müssen nicht das gesamte Sortiment auf einmal umstellen. Starten Sie mit einer abgegrenzten Pilotgruppe, messen Sie die Ergebnisse und weiten Sie den Ansatz nur aus, wenn Prognose und Ausnahmen im Tagesgeschäft tragen.
Wenn Sie wissen möchten, wie prädiktive Bestandsplanung in Ihrem Unternehmen geprüft werden kann, sprechen Sie mit uns. Wir grenzen Ausgangswerte, Pilotgruppe und Messgrößen gemeinsam mit Ihnen ein. Mehr zu unserem Ansatz für datengetriebenes Wachstum finden Sie auf unserer Leistungsseite.
Geschäftsführer und Berater für den technischen Fachgroßhandel