Absatz- und Lagerprognose aus Verkaufsdaten
Zu viel Lager bindet Geld, zu wenig Lager kostet Aufträge. Eine KI-gestützte Prognose kann helfen — wenn sie als Entscheidungshilfe und nicht als Orakel verstanden wird.
Ausgangslage
Ein Ersatzteilhändler mit 22 Mitarbeitenden bestellte viele Artikel nach Erfahrung. Das funktionierte bei Klassikern gut, aber schlecht bei saisonalen Produkten, neuen Lieferzeiten und Aktionsware. Kapital lag in Langsamdrehern, während gefragte Teile ausverkauft waren.
Umsetzung
Verkaufsdaten der letzten Jahre, Lieferzeiten, Mindestbestellmengen und Kalenderinformationen wurden zusammengeführt. Die Prognose erzeugt wöchentliche Bestellvorschläge mit Begründung: Trend, Saison, Sicherheitsbestand und offene Aufträge. Werkzeuge können von Tabellenmodellen bis zu Plattformen wie AWS, Microsoft Azure oder Google Cloud reichen.
- Artikel werden in A/B/C-Klassen getrennt.
- Ausreißer wie Sonderaktionen werden markiert.
- Lieferzeit und Mindestmenge fließen ein.
- Einkauf entscheidet, System schlägt vor.
Technik
| Datenquelle | Beitrag | Risiko |
|---|---|---|
| Verkäufe | Nachfragemuster | alte Fehler werden übernommen |
| Lieferanten | Lieferzeit und Mindestmenge | unzuverlässige Angaben |
| Kalender | Saisons und Feiertage | nicht jede Branche saisonal |
Nutzen
Der Händler reduzierte Blindbestellungen und erkannte früher, welche Artikel kritisch werden. Besonders hilfreich war die Transparenz: Der Einkauf sah, warum ein Vorschlag kam, statt nur eine Zahl zu bekommen.
Kostenrahmen
Ein erster Prototyp mit CSV-Exporten kann wenige tausend Euro kosten. Eine direkte ERP-Integration, Dashboard und automatische Bestellvorschläge liegen höher. Bestehende Systeme wie SAP, Sage oder weclapp sollten zuerst geprüft werden.
Stolperfallen
- Neue Artikel ohne Historie brauchen Regeln, keine Statistik.
- Corona-, Krisen- oder Aktionsjahre verzerren Daten.
- Lieferantenprobleme kann KI nicht wegprognostizieren.
- Ein Dashboard ohne Einkaufsroutine bleibt Dekoration.
Praxisablauf im Einkauf
Jeden Montag erhält der Einkauf eine Liste mit Artikeln, bei denen in den nächsten Wochen Engpässe oder Überbestände drohen. Die Liste enthält nicht nur eine Bestellmenge, sondern eine Begründung: durchschnittlicher Absatz, Saisoneffekt, aktuelle Lieferzeit, offener Kundenauftrag und Sicherheitsbestand. Dadurch kann ein erfahrener Einkäufer den Vorschlag schnell plausibilisieren.
Für A-Artikel wurden engere Regeln definiert, weil Fehlmengen direkt Umsatz kosten. C-Artikel werden seltener betrachtet, damit das System nicht unnötig viele kleine Vorschläge produziert. Sonderaktionen, Projektaufträge und Einmalverkäufe müssen markiert werden; sonst lernt das Modell aus Ereignissen, die sich nicht wiederholen. Genau hier bleibt menschliches Wissen entscheidend.
Erfolgsmessung
Gemessen wurden Lieferfähigkeit, Lagerwert, Abschriften, Eilbestellungen und manuell überstimmte Vorschläge. Eine hohe Überstimmungsquote ist kein Scheitern, sondern ein Hinweis: Entweder fehlen Daten oder die Regeln passen nicht. Nach einigen Wochen wurden Warengruppen getrennt betrachtet, weil Verbrauchsmaterial, Ersatzteile und Saisonware sehr unterschiedliche Logiken haben.
Einführung ohne Risiko
Der Pilot lief zunächst parallel zum normalen Einkauf. Niemand musste sofort nach KI bestellen. Erst als Vorschläge nachvollziehbar waren, wurden sie in die wöchentliche Einkaufsroutine übernommen. Dieser konservative Start senkte Widerstand und verhinderte teure Fehlentscheidungen.
Einführungsplan in vier Wochen
Bewährt hat sich ein kurzer, kontrollierter Start statt eines großen Rollouts. In Woche eins werden Ziel, Grenzen und Verantwortliche festgelegt: Was darf die KI tun, was bleibt zwingend beim Menschen, welche Daten dürfen genutzt werden? In Woche zwei folgt ein Test mit echten, aber überschaubaren Fällen. Dabei werden nicht nur Erfolgserlebnisse gesammelt, sondern ausdrücklich Fehler gesucht. Diese Fehlerliste ist wertvoll, weil sie zeigt, welche Regeln, Vorlagen oder Daten noch fehlen.
In Woche drei arbeitet ein kleines Team im Parallelbetrieb. Die bisherige Arbeitsweise bleibt bestehen, die KI liefert zusätzlich Vorschläge. So sieht man, ob die Unterstützung wirklich Zeit spart oder nur neue Prüfaufgaben erzeugt. In Woche vier entscheidet der Betrieb anhand einfacher Kennzahlen: weniger Suchzeit, schnellere Bearbeitung, weniger Rückfragen, bessere Dokumentation oder höhere Abschlussquote. Erst wenn diese Wirkung sichtbar ist, lohnt die Ausweitung.
Rollen und Verantwortlichkeiten
Ein praktisches KMU-Projekt braucht keine große KI-Abteilung, aber klare Rollen. Eine fachliche Person definiert, was richtig ist. Eine organisatorische Person achtet auf Abläufe, Freigaben und Schulung. Eine technische Person oder ein Dienstleister kümmert sich um Schnittstellen, Zugänge und Protokollierung. Ohne diese Trennung entstehen typische Probleme: Technik baut etwas Beeindruckendes, das fachlich nicht passt; Fachleute wünschen sich etwas, das im Alltag niemand pflegt; die Geschäftsführung erwartet Automatisierung, bekommt aber nur ein weiteres Tool.
Wichtig ist außerdem eine einfache Stop-Regel: Wenn die KI unsicher ist, wenn Daten fehlen oder wenn eine Entscheidung rechtliche, finanzielle oder sicherheitsrelevante Folgen hat, muss ein Mensch übernehmen. Diese Regel klingt banal, verhindert aber viele überzogene Erwartungen.
Wann sich der Start nicht lohnt
Ein Projekt sollte verschoben werden, wenn die Grunddaten ungepflegt sind, niemand fachlich prüfen kann oder nur ein einmaliger Engpass gelöst werden soll. KI verstärkt vorhandene Prozesse. Sind diese chaotisch, ist zuerst Ordnung im Ablauf günstiger als ein neues System.
Fazit
Lagerprognosen lohnen sich, wenn historische Daten vorhanden sind und der Einkauf regelmäßig entscheidet. Starten Sie mit 100 wichtigen Artikeln, nicht mit dem gesamten Sortiment. Ergänzend: Produktdaten-Projekt und Studien & Forschung.