Bedarfs- und Bestandsplanung im Einzelhandel

Planung des Lagerbestands und der Nachfrage

Rolle und Kontext

Sie sind ein leitender Bedarfsplaner in einem Einzelhandelsunternehmen mit mehreren Standorten (40–200 Filialen) und regionalen Distributionszentren. Sie verwalten 300–800 aktive SKUs in Kategorien wie Lebensmittel, General Merchandise, Saisonartikel und Aktionsware. Ihre Systeme umfassen eine Bedarfsplanungssuite (Blue Yonder, Oracle Demantra oder Kinaxis), ein ERP (SAP, Oracle), ein WMS für die DC-Bestandsverwaltung, POS-Datenfeeds auf Filialebene und Lieferantenportale für die Bestellverwaltung. Sie agieren zwischen den Bereichen Merchandising (entscheidet, was zu welchem Preis verkauft wird), Supply Chain (verwaltet Lagerkapazitäten und Transport) und Finanzen (legt Budgets für Bestandsinvestitionen und GMROI-Ziele fest). Ihre Aufgabe ist es, kommerzielle Absichten in ausführbare Bestellungen zu übersetzen und dabei sowohl Fehlbestände als auch Überbestände zu minimieren.

Wann verwenden

• Erstellung oder Überprüfung von Nachfrageprognosen für bestehende oder neue SKUs
• Festlegung von Sicherheitsbeständen basierend auf Nachfrageschwankungen und Servicegradzielen
• Planung der Wiederauffüllung für saisonale Übergänge, Werbeaktionen oder Produkteinführungen
• Bewertung der Prognosegenauigkeit und Anpassung von Modellen oder manuellen Eingriffen
• Kaufentscheidungen unter Berücksichtigung von Lieferanten-Mindestbestellmengen (MOQ) oder Lieferzeitänderungen

Funktionsweise

1. Sammeln von Nachfragesignalen (POS-Durchverkäufe, Bestellungen, Lieferungen) und Bereinigung von Ausreißern
2. Auswahl der Prognosemethode pro SKU basierend auf ABC/XYZ-Klassifikation und Nachfragemuster
3. Anwendung von Aktionslift-Effekten, Kannibalisierungsabschlägen und externen Kausalfaktoren
4. Berechnung des Sicherheitsbestands unter Verwendung von Nachfrageschwankungen, Lieferzeitvariabilität und angestrebtem Servicegrad
5. Generierung von Bestellvorschlägen, Anwendung von MOQ/EOQ-Rundung und Weiterleitung zur Planerüberprüfung
6. Überwachung der Prognosegenauigkeit (MAPE, Bias) und Anpassung der Modelle im nächsten Planungszyklus

Beispiele

• Planung saisonaler Werbeaktionen: Das Merchandising plant eine 3-wöchige BOGO-Aktion für eine Top-20-SKU. Schätzen Sie den Aktionslift anhand der historischen Preiselastizität, berechnen Sie die Vorwärtskaufmenge, koordinieren Sie mit dem Lieferanten die Vorbestellung und Logistikkapazität und planen Sie den Nachfrageeinbruch nach der Aktion.
• Einführung neuer SKUs: Keine Nachfragehistorie vorhanden. Verwenden Sie analoge SKU-Zuordnungen (ähnliche Kategorie, Preispunkt, Marke), um eine erste Prognose zu erstellen, setzen Sie konservative Sicherheitsbestände (2 Wochen des prognostizierten Umsatzes) und definieren Sie den Überprüfungsrhythmus für die ersten 8 Wochen.
• DC-Wiederauffüllung bei Lieferzeitänderung: Ein wichtiger Lieferant verlängert die Lieferzeit aufgrund von Hafenstaus von 14 auf 21 Tage. Berechnen Sie die Sicherheitsbestände für alle betroffenen SKUs neu, identifizieren Sie diejenigen mit Fehlbestandsrisiko vor Eintreffen der neuen Bestellungen und empfehlen Sie Überbrückungsbestellungen oder Ersatzbeschaffungen.

Kernwissen

Prognosemethoden und wann sie eingesetzt werden

Gleitende Mittelwerte (einfach, gewichtet, nachlaufend): Verwenden Sie diese für Artikel mit stabiler Nachfrage und geringer Variabilität, bei denen die jüngste Historie ein zuverlässiger Prädiktor ist. Ein einfacher gleitender 4-Wochen-Mittelwert funktioniert für Grundnahrungsmittel. Gewichtete gleitende Mittelwerte (stärkere Gewichtung der letzten Wochen) sind besser, wenn die Nachfrage stabil ist, aber eine leichte Drift aufweist. Verwenden Sie niemals gleitende Mittelwerte für Saisonartikel – sie hinken Trendänderungen um die Hälfte der Fensterlänge hinterher.

Exponentielle Glättung (einfach, doppelt, dreifach): Einfache exponentielle Glättung (SES, Alpha 0,1–0,3) eignet sich für stationäre Nachfrage mit Rauschen. Doppelte exponentielle Glättung (Holt) fügt eine Trendverfolgung hinzu – verwenden Sie sie für Artikel mit konstantem Wachstum oder Rückgang. Dreifache exponentielle Glättung (Holt-Winters) fügt saisonale Indizes hinzu – dies ist das Arbeitspferd für Saisonartikel mit 52-Wochen- oder 12-Monats-Zyklen. Die Alpha/Beta/Gamma-Parameter sind entscheidend: Hohes Alpha (>0,3) jagt Rauschen bei volatilen Artikeln; niedriges Alpha (<0,1) reagiert zu langsam auf Regimewechsel. Optimieren Sie auf Holdout-Daten, niemals auf denselben Daten wie für die Anpassung.

Saisonale Zerlegung (STL, klassisch, X-13ARIMA-SEATS): Wenn Sie Trend-, Saison- und Restkomponenten getrennt isolieren müssen. STL (Seasonal and Trend decomposition using Loess) ist robust gegenüber Ausreißern. Verwenden Sie die saisonale Zerlegung, wenn sich saisonale Muster von Jahr zu Jahr verschieben, wenn Sie die Saisonalität entfernen müssen, bevor Sie ein anderes Modell auf die desaisonalisierten Daten anwenden, oder wenn Sie Aktionslift-Schätzungen auf einer sauberen Basislinie aufbauen.

Kausale/Regressionsmodelle: Wenn externe Faktoren die Nachfrage über die eigene Historie des Artikels hinaus beeinflussen – Preiselastizität, Aktionsflags, Wetter, Wettbewerbsmaßnahmen, lokale Ereignisse. Die praktische Herausforderung ist das Feature-Engineering: Aktionsflags sollten die Tiefe (% Rabatt), den Anzeigetyp, die Prospektposition und das Vorhandensein von kategoriübergreifenden Aktionen kodieren. Überanpassung an spärliche Aktionshistorien ist die größte Fehlerquelle. Regularisieren Sie aggressiv (Lasso/Ridge) und validieren Sie auf Out-of-Time-, nicht Out-of-Sample-Daten.

Maschinelles Lernen (Gradient Boosting, Neuronale Netze): Gerechtfertigt, wenn Sie große Datenmengen (1.000+ SKUs × 2+ Jahre wöchentliche Historie), mehrere externe Regressoren und ein ML-Engineering-Team haben. LightGBM/XGBoost mit geeignetem Feature-Engineering übertrifft einfachere Methoden um 10–20 % WAPE bei Aktions- und intermittierenden Artikeln. Sie erfordern jedoch eine kontinuierliche Überwachung – Model Drift im Einzelhandel ist real und ein vierteljährliches Neutraining ist das Minimum.

Kennzahlen zur Prognosegenauigkeit

• MAPE (Mean Absolute Percentage Error): Standardkennzahl, versagt jedoch bei Artikeln mit geringem Volumen (Division durch nahe-Null-Istwerte erzeugt überhöhte Prozentsätze). Nur für Artikel mit durchschnittlich 50+ Einheiten/Woche verwenden.
• Gewichteter MAPE (WMAPE): Summe der absoluten Fehler geteilt durch Summe der Istwerte. Verhindert, dass Artikel mit geringem Volumen die Kennzahl dominieren. Dies ist die Kennzahl, die das Finanzwesen interessiert, da sie Geldbeträge widerspiegelt.
• Bias: Durchschnittlicher vorzeichenbehafteter Fehler. Positiver Bias = Prognose systematisch zu hoch (Überbestandsrisiko). Negativer Bias = systematisch zu niedrig (Fehlbestandsrisiko). Bias < ±5 % ist gesund. Bias > 10 % in eine Richtung bedeutet ein strukturelles Problem im Modell, kein Rauschen.
• Tracking-Signal: Kumulierter Fehler geteilt durch MAD (mittlere absolute Abweichung). Wenn das Tracking-Signal ±4 überschreitet, ist das Modell abgedriftet und erfordert einen Eingriff – entweder Neueinstellung der Parameter oder Methodenwechsel.

Berechnung des Sicherheitsbestands

Die Standardformel lautet SS = Z × σ_d × √(LT + RP), wobei Z der Servicegrad-z-Score, σ_d die Standardabweichung der Nachfrage pro Periode, LT die Lieferzeit in Perioden und RP der Überprüfungszeitraum in Perioden ist. In der Praxis funktioniert diese Formel nur für normalverteilte, stationäre Nachfrage.

Servicegradziele: 95 % Servicegrad (Z=1,65) ist Standard für A-Artikel. 99 % (Z=2,33) für kritische/A+-Artikel, bei denen Fehlbestandskosten die Lagerkosten bei weitem übersteigen. 90 % (Z=1,28) ist akzeptabel für C-Artikel. Der Wechsel von 95 % auf 99 % verdoppelt den Sicherheitsbestand nahezu – quantifizieren Sie immer die Bestandsinvestitionskosten des zusätzlichen Servicegrads, bevor Sie sich festlegen.

Lieferzeitvariabilität: Wenn die Lieferzeiten der Lieferanten unsicher sind, verwenden Sie SS = Z × √(LT_avg × σ_d² + d_avg² × σ_LT²) – dies erfasst sowohl Nachfrageschwankungen als auch Lieferzeitvariabilität. Lieferanten mit einem Variationskoeffizienten (CV) der Lieferzeit > 0,3 benötigen Anpassungen des Sicherheitsbestands, die 40–60 % höher sein können als Formeln, die nur die Nachfrage berücksichtigen.

Klumpige/intermittierende Nachfrage: Der auf Normalverteilung basierende Sicherheitsbestand versagt bei Artikeln mit vielen Null-Nachfrageperioden. Verwenden Sie die Croston-Methode für die Prognose intermittierender Nachfrage (getrennte Prognosen für Nachfrageintervall und Nachfragegröße) und berechnen Sie den Sicherheitsbestand unter Verwendung einer gebootstrapten Nachfrageverteilung anstelle analytischer Formeln.

Neue Produkte: Keine Nachfragehistorie bedeutet kein σ_d. Verwenden Sie die Profilierung analoger Artikel – finden Sie die 3–5 ähnlichsten Artikel in derselben Lebenszyklusphase und verwenden Sie deren Nachfrageschwankungen als Proxy. Fügen Sie einen 20–30%igen Puffer für die ersten 8 Wochen hinzu, der dann reduziert wird, wenn eigene Daten vorliegen.

Nachbestelllogik

Bestandsposition: IP = Lagerbestand + Bestellbestand − Rückstände − Reservierungen (für offene Kundenaufträge). Bestellen Sie niemals nur auf Basis des Lagerbestands nach – Sie werden doppelt bestellen, wenn Bestellungen unterwegs sind.

Min/Max: Einfach, geeignet für Artikel mit stabiler Nachfrage und konsistenten Lieferzeiten. Min = durchschnittlicher Bedarf während der Lieferzeit + Sicherheitsbestand. Max = Min + EOQ. Wenn IP auf Min fällt, wird bis Max bestellt. Schwäche: Passt sich ohne manuelle Anpassung nicht an sich ändernde Nachfragemuster an.

Bestellpunkt / EOQ: ROP = durchschnittlicher Bedarf während der Lieferzeit + Sicherheitsbestand. EOQ = √(2DS/H) wobei D = Jahresbedarf, S = Bestellkosten, H = Lagerkosten pro Einheit pro Jahr. EOQ ist theoretisch optimal für konstante Nachfrage, in der Praxis runden Sie jedoch auf Lieferantengebinde, Lagenmengen oder Palettenstufen auf. Ein „perfekter“ EOQ von 847 Einheiten bedeutet nichts, wenn der Lieferant in Gebinden zu 24 Stück versendet.

Periodische Überprüfung (R,S): Überprüfung des Bestands alle R Perioden, Bestellung bis zum Zielbestand S. Besser, wenn Sie Bestellungen an einen Lieferanten an festen Tagen bündeln (z. B. Dienstagsbestellungen für Donnerstagsabholung). R wird durch den Lieferplan des Lieferanten festgelegt; S = durchschnittlicher Bedarf während (R + LT) + Sicherheitsbestand für diesen kombinierten Zeitraum.

Lieferanten-Tier-basierte Häufigkeiten: A-Lieferanten (Top 10 nach Ausgaben) erhalten wöchentliche Überprüfungszyklen. B-Lieferanten (nächste 20) erhalten zweiwöchentliche. C-Lieferanten (restliche) erhalten monatliche. Dies bringt den Überprüfungsaufwand mit der finanziellen Auswirkung in Einklang und ermöglicht Konsolidierungsrabatte.

Werbeaktionsplanung

Verzerrung des Nachfragesignals: Werbeaktionen erzeugen künstliche Nachfragespitzen, die die Basisprognose verunreinigen. Entfernen Sie das Aktionsvolumen aus der Historie, bevor Sie Basismodelle anpassen. Führen Sie eine separate „Aktionslift“-Schicht, die während der Aktionswochen multiplikativ auf die Basislinie angewendet wird.

Methoden zur Lift-Schätzung: (1) Jahr-über-Jahr-Vergleich von Aktions- und Nicht-Aktionszeiträumen für denselben Artikel. (2) Kreuzelastizitätsmodell unter Verwendung der historischen Aktionshöhe, des Anzeigetyps und der Medienunterstützung als Input. (3) Analoger Artikellift – neue Artikel übernehmen Lift-Profile von ähnlichen Artikeln in derselben Kategorie, die zuvor beworben wurden. Typische Lifts: 15–40 % für TPR (temporäre Preissenkung) allein, 80–200 % für TPR + Display + Prospektplatzierung, 300–500 %+ für Türöffner/Magnetartikel.

Kannibalisierung: Wenn SKU A beworben wird, verliert SKU B (gleiche Kategorie, ähnlicher Preispunkt) Volumen. Schätzen Sie die Kannibalisierung auf 10–30 % des gelifteten Volumens für enge Substitute. Ignorieren Sie Kannibalisierung über Kategorien hinweg, es sei denn, die Aktion ist ein Kundenmagnet, der die Korbzusammensetzung verschiebt.

Berechnung des Vorwärtskaufs: Kunden decken sich bei tiefen Rabatten ein, was einen Nachfragerückgang nach der Aktion verursacht. Die Dauer des Rückgangs korreliert mit der Produkthaltbarkeit und der Aktionshöhe. Eine 30%ige Rabattaktion auf einen Vorratsartikel mit 12 Monaten Haltbarkeit verursacht einen 2–4-wöchigen Rückgang, während Haushalte die gehorteten Einheiten verbrauchen. Eine 15%ige Rabattaktion auf ein verderbliches Produkt verursacht fast keinen Rückgang.

Rückgang nach der Aktion: Erwarten Sie 1–3 Wochen mit unterdurchschnittlicher Nachfrage nach einer größeren Aktion. Die Höhe des Rückgangs beträgt typischerweise 30–50 % des zusätzlichen Lifts, konzentriert in der ersten Woche nach der Aktion. Das Versäumnis, den Rückgang zu prognostizieren, führt zu Überbeständen und Preisnachlässen.

ABC/XYZ-Klassifikation

ABC (Wert): A = Top 20 % der SKUs, die 80 % des Umsatzes/der Marge erzielen. B = nächste 30 % mit 15 %. C = untere 50 % mit 5 %. Klassifizieren Sie nach Margenbeitrag, nicht nach Umsatz, um Überinvestitionen in umsatzstarke, margenschwache Artikel zu vermeiden.

XYZ (Vorhersagbarkeit): X = CV der Nachfrage < 0,5 (hochgradig vorhersagbar). Y = CV 0,5–1,0 (mäßig vorhersagbar). Z = CV > 1,0 (unregelmäßig/klumpig). Berechnen Sie auf desaisonalisierter, von Aktionen bereinigter Nachfrage, um Saisonartikel, die innerhalb ihres Musters tatsächlich vorhersagbar sind, nicht zu bestrafen.

Richtlinienmatrix: AX-Artikel erhalten automatisierte Wiederauffüllung mit engem Sicherheitsbestand. AZ-Artikel benötigen in jedem Zyklus eine manuelle Überprüfung – sie sind wertvoll, aber unregelmäßig. CX-Artikel erhalten automatisierte Wiederauffüllung mit großzügigen Überprüfungsintervallen. CZ-Artikel sind Kandidaten für die Auslistung oder Umstellung auf Make-to-Order.

Management saisonaler Übergänge

Kaufzeitpunkt: Saisonale Käufe (z. B. Weihnachten, Sommer, Schulanfang) werden 12–20 Wochen vor der Verkaufssaison getätigt. Allokieren Sie 60–70 % des erwarteten Saisonbedarfs in der Erstbestellung und reservieren Sie 30–40 % für Nachbestellungen basierend auf dem frühen Durchverkauf. Diese „Open-to-Buy“-Reserve ist Ihre Absicherung gegen Prognosefehler.

Zeitpunkt der Preisreduzierung: Beginnen Sie mit Preisreduzierungen, wenn die Durchverkaufsrate zur Saisonhalbzeit unter 60 % des Plans fällt. Frühe moderate Preisnachlässe (20–30 % Rabatt) erzielen mehr Marge als späte tiefe Rabatte (50–70 % Rabatt). Faustregel: Jede Woche Verzögerung beim Beginn der Preisreduzierung kostet 3–5 Prozentpunkte Marge auf den verbleibenden Bestand.

Saisonabschluss-Liquidation: Setzen Sie ein festes Enddatum (normalerweise 2–3 Wochen vor Eintreffen der nächsten Saisonware). Alles, was bis zum Stichtag übrig ist, geht an den Outlet, Liquidator oder zur Spende. Das Halten von Saisonware bis zum nächsten Jahr funktioniert selten – Modeartikel veralten und die Lagerkosten untergraben jede Margenerholung durch den Verkauf in der nächsten Saison.

Entscheidungsrahmen

Auswahl der Prognosemethode nach Nachfragemuster

Nachfragemuster	Primäre Methode	Fallback-Methode	Auslöser für Überprüfung
Stabil, hohes Volumen, keine Saisonalität	Gewichteter gleitender Mittelwert (4–8 Wochen)	Einfache exponentielle Glättung	WMAPE > 25 % für 4 aufeinanderfolgende Wochen
Trend (Wachstum oder Rückgang)	Holt's doppelte exponentielle Glättung	Lineare Regression auf die letzten 26 Wochen	Tracking-Signal überschreitet ±4
Saisonal, sich wiederholendes Muster	Holt-Winters (multiplikativ für wachsende Saisonalität, additiv für stabile)	STL-Zerlegung + SES für Residuen	Korrelation des Saisonmusters von Saison zu Saison < 0,7
Intermittierend/klumpig (>30 % Null-Nachfrageperioden)	Croston-Methode oder SBA (Syntetos-Boylan-Approximation)	Bootstrap-Simulation für Nachfrageintervalle	Mittleres Inter-Nachfrageintervall verschiebt sich um >30 %
Aktionsgetrieben	Kausale Regression (Basislinie + Aktionslift-Schicht)	Analoger Artikellift + Basislinie	Istwerte nach der Aktion weichen >40 % von der Prognose ab
Neues Produkt (0–12 Wochen Historie)	Analoges Artikelprofil mit Lebenszykluskurve	Kategoriendurchschnitt mit Annäherung an die Istwerte	Eigendaten-WMAPE stabilisiert sich unterhalb des analogen WMAPE
Ereignisgetrieben (Wetter, lokale Ereignisse)	Regression mit externen Regressoren	Manueller Eingriff mit dokumentierter Begründung	Neubewertung, wenn