KI-Bestandsmanagement: Bedarf planen, Bestände senken

KI im Bestandsmanagement wirkt dort, wo Disponenten an Grenzen stoßen: bei tausenden Artikeln, schwankender Nachfrage und Sicherheitszuschlägen, die eher aus Erfahrung als aus Daten entstehen. Ki bestandsmanagement senkt Bestände und Fehlmengen zugleich, wenn zwei Schritte sauber getrennt werden: eine artikelgenaue Bedarfsprognose mit Unsicherheitsbandbreite und eine anschließende Optimierung, die daraus unter Berücksichtigung von Wiederbeschaffungszeit, Servicegrad und Logistikkosten konkrete Bestellmengen ableitet.

In Anbieter- und Forschungsberichten tauchen Bestandsreduktionen von 10 bis 30 Prozent auf. Solche Werte stammen aus konkreten Projekten mit guter Datenlage und lassen sich nicht pauschal auf jedes Sortiment übertragen. In unserer Beratungspraxis bei der Kontor Gruppe entscheidet meist die Qualität der Stamm- und Bewegungsdaten darüber, wie viel davon im eigenen Lager ankommt.

Mit dem folgenden Entscheidungsrahmen können Sie einschätzen, welche Artikel und Prozesse sich eignen, welche Freigabegrenzen sinnvoll sind und wie Sie den Nutzen belastbar messen.

Das Wichtigste in Kürze:

• KI-Prognose und Bestelloptimierung sind zwei getrennte Schritte mit eigenen Stellhebeln.
• Routinebestellungen lassen sich automatisieren, Ausnahmen und Sonderfälle bleiben beim Menschen.
• Ein Pilot mit Basismessung und festen Kennzahlen zeigt, ob sich der Aufwand lohnt.

KI verbessert die Disposition, indem sie Prognose und Bestellentscheidung in zwei aufeinander aufbauenden Stufen berechnet. Das Fraunhofer SCS beschreibt diesen Ansatz als zweistufiges Framework: Zuerst erstellt ein Prognosemodell Szenarien für den künftigen Bedarf, die neben Absatzhistorie auch Treiber wie Saison, Aktionen oder Preisänderungen einbeziehen. Danach berechnet ein stochastisches Optimierungsmodell (es rechnet mit Wahrscheinlichkeiten statt mit einem einzigen Prognosewert) die Bestellmenge für den Planungshorizont und bezieht Lieferzeiten und Logistikkosten ein.

Der Unterschied zur klassischen Disposition liegt im Umgang mit Unsicherheit:

Schritt	Klassisch	KI-gestützt
Prognose	Gleitender Mittelwert je Artikel	Lernendes Modell über viele Zeitreihen und Einflussfaktoren
Unsicherheit	Pauschaler Sicherheitszuschlag	Bandbreite bzw. Szenarien je Artikel
Sicherheitsbestand	Reichweiten-Faustregel	Abgeleitet aus Prognosefehler und Zielservicegrad
Bestellmenge	Feste Losgröße, Bestellpunkt	Optimiert nach Kosten, Wiederbeschaffungszeit, Mindestmengen

Für die Praxis heißt das: Eine bessere Prognose allein senkt noch keinen Bestand. Erst wenn der Sicherheitsbestand aus dem tatsächlichen Prognosefehler berechnet wird, sinkt die Kapitalbindung bei schnell drehenden, gut prognostizierbaren Artikeln, während sporadische Artikel bewusst mehr Puffer erhalten. Fraunhofer-Partner berichten auf diesem Weg von 10 bis 30 Prozent geringeren Lagerhaltungskosten.

Welche Aufgaben lassen sich automatisieren – und wo liegen Grenzen?

Automatisieren lassen sich vor allem wiederkehrende Entscheidungen mit stabiler Datenlage: Bestellvorschläge für A- und B-Artikel mit regelmäßigem Absatz, die laufende Anpassung von Sicherheitsbeständen, Warnungen bei auffälligen Abweichungen zwischen Prognose und Abverkauf sowie die Überwachung von Lieferantentermintreue. Auch standortübergreifende Umlagerungsvorschläge gehören dazu.

Bewährt hat sich das Prinzip der Ausnahmesteuerung. Das System bestellt innerhalb definierter Freigabegrenzen selbstständig, etwa bis zu einem Bestellwert oder einer maximalen Abweichung vom Vorperiodenwert. Alles darüber landet zur Prüfung beim Disponenten.

Grenzen zeigen sich an diesen Stellen:

• Neuartikel und Auslaufartikel: Ohne Historie bleibt die Prognose schwach; Analogieartikel und Vertriebswissen sind nötig.
• Sporadischer Bedarf: Ersatzteile oder Projektware mit seltenen, großen Abrufen sind schwer zu modellieren.
• Strukturbrüche: Lieferantenausfälle, neue Großkunden oder Preisschocks kennt kein Modell vorab.
• Strategische Entscheidungen: Vorratskäufe bei erwarteten Preiserhöhungen oder Allokationsfragen bleiben Managementaufgabe.

Manche Anbieter nennen bis zu 75 Prozent weniger manuellen Dispositionsaufwand. Wir halten solche Werte nur dann für erreichbar, wenn die Freigaberegeln klar dokumentiert sind und die Disponenten den Vorschlägen nach einer Einlaufphase vertrauen.

Wie lassen sich Nutzen, Kosten und Wirtschaftlichkeit bewerten?

Die Wirtschaftlichkeit bewerten Sie über fünf Kennzahlen, die vor dem Projekt als Ausgangswert erfasst werden: Lieferfähigkeit bzw. Servicegrad, Anzahl und Dauer der Fehlbestände, durchschnittlicher Bestand, Kapitalbindung und Dispositionsaufwand in Stunden pro Woche.

Harter Nutzen entsteht vor allem aus freigesetztem Kapital (gebundenes Kapital mal Kapitalkostensatz), geringeren Lager- und Verschrottungskosten sowie vermiedenen Umsatzverlusten durch Fehlbestände. Eingesparte Dispositionszeit zählt nur, wenn sie erkennbar anders genutzt wird, zum Beispiel für Lieferantenverhandlungen oder Sortimentspflege. Sonst bleibt sie eine Scheinersparnis.

Auf der Kostenseite gehören neben Lizenz und Infrastruktur auch diese Blöcke in die Rechnung:

Kostenblock	Charakter
Datenaufbereitung und Stammdatenpflege	Einmalig, oft größter Posten
ERP-/WMS-Integration und Tests	Einmalig
Modellpflege, Monitoring, Support	Laufend
Schulung und Prozessanpassung	Einmalig und laufend

Rechnen Sie mit Bandbreiten. Ein Szenario mit 5, eines mit 15 und eines mit 25 Prozent Bestandsreduktion zeigt, ab welchem Punkt sich das Vorhaben trägt. Externe Angaben von bis zu 30 Prozent eignen sich als Obergrenze, nicht als Planwert.

Wie gelingt die Einführung mit passenden Daten und Systemen?

Die Einführung gelingt, wenn zuerst die Datenbasis für einen begrenzten Artikelbereich geprüft wird und die KI-Vorschläge direkt im ERP oder WMS erscheinen. Insellösungen neben dem Tagesgeschäft scheitern in unserer Erfahrung fast immer an fehlender Nutzung.

Prüfen Sie für die Pilotartikel vier Kriterien:

• Vollständigkeit: Liegen mindestens zwei Jahre Absatzhistorie, Wiederbeschaffungszeiten und Mindestbestellmengen vor?
• Konsistenz: Sind Einheiten, Artikelnummern und Lieferantenzuordnungen systemübergreifend einheitlich?
• Aktualität: Werden Wareneingänge und Entnahmen zeitnah gebucht?
• Genauigkeit: Stimmt der Buchbestand mit der Inventur überein? Sind Fehlbestandstage als verlorener Bedarf erkennbar?

Der letzte Punkt wird häufig übersehen: Wenn ein Artikel nicht verfügbar war, zeigt die Historie zu wenig Absatz. Das Modell lernt dann einen zu niedrigen Bedarf.

Technisch braucht es eine Schnittstelle, die Bestände, offene Bestellungen und Absätze täglich liefert und Bestellvorschläge zurückschreibt. Legen Sie außerdem fest, wer Datenregeln verantwortet, wer Vorschläge freigibt und wer Abweichungen meldet. Für Ihr Team sind kurze Schulungen sinnvoll, die zeigen, wie die Prognosebandbreite zu lesen ist.

Mit einem messbaren Pilotprojekt zur besseren Bestandssteuerung

Ein Pilotprojekt über acht bis zwölf Wochen mit einer klar abgegrenzten Artikelgruppe liefert die verlässlichste Entscheidungsgrundlage. Bewährt hat sich ein Ausschnitt von einigen hundert Artikeln mit regelmäßigem Absatz und spürbarer Kapitalbindung.

Das Vorgehen in Kürze:

1. Hypothese formulieren, etwa: Der Durchschnittsbestand der Gruppe sinkt um zehn Prozent bei gleichem Servicegrad.
2. Ausgangswerte der fünf Kennzahlen für mindestens drei Monate erfassen.
3. Freigabegrenzen festlegen und eine Vergleichsgruppe klassisch weiter disponieren.
4. Wöchentlich Prognosefehler, Fehlbestände und Übersteuerungen durch Disponenten auswerten.
5. Am Enddatum nach vorab definierten Kriterien über Ausweitung, Anpassung oder Abbruch entscheiden.

Damit verbinden Sie die Kernpunkte: Prognose und Optimierung getrennt bewerten, Routinen automatisieren und Ausnahmen beim Menschen lassen, Nutzen in Bandbreiten rechnen und Datenqualität vor der Modellauswahl klären. Die Übersteuerungsquote der Disponenten ist dabei ein früher Indikator: Sinkt sie im Pilotverlauf deutlich, sind die Vorschläge im Alltag angekommen.