# Bestandsoptimierung im Einzelhandel: Ein praktischer Leitfaden

> Lernen Sie Bestandsoptimierung im Einzelhandel kennen – von zentralen Kennzahlen und Prognosen bis hin zu Sicherheitsbeständen und einem 30-Tage-Pilotprojekt. Erfahren Sie, wie ELECTE dabei helfen kann.

Source: https://www.electe.net/de/beitrag/inventory-optimization-for-retail

Site guide: https://www.electe.net/de/llms.txt

Ein Kunde fragt nach einer Jacke, die laut System auf Lager ist, doch Ihr Team findet sie nicht. Währenddessen liegt eine andere Größe unberührt im Lager und wartet auf eine Preisreduzierung.

Das ist eine veranschaulichende Situation, keine Fallstudie eines Händlers. Sie fasst die tägliche Herausforderung hinter der **Bestandsoptimierung im Einzelhandel** zusammen: Einkaufs-, Nachschub- und Zuteilungsentscheidungen zu treffen, wenn Ihre Aufzeichnungen und die Kundennachfrage nicht immer übereinstimmen.

Die Antwort besteht nicht einfach darin, weniger zu kaufen oder genauer zu prognostizieren. Sie brauchen verlässliche Bestandsdaten, klare Servicevorgaben und eine Möglichkeit, das durch bessere Verfügbarkeit erzielte Geld mit den Kosten der zusätzlichen Lagerhaltung zu vergleichen. Sonst kann ein beeindruckendes Dashboard eine teure Betriebsstrategie verschleiern.

Sie müssen nicht mit einem komplizierten Modell beginnen. Starten Sie damit, zu prüfen, was physisch verfügbar ist, sich auf die Bedeutung jeder Kennzahl zu einigen und eine überschaubare Änderung zu testen. Von dort aus werden Prognosen und Sicherheitsbestandsberechnungen zu nützlichen Entscheidungshilfen statt zu Zahlen, die Ihr Team blind hinnehmen muss.

## Warum Bestandsoptimierung über den Gewinn im Einzelhandel entscheidet

Bessere Transparenz kann sowohl Kosten als auch Umsatz verändern. In seiner **RFID-Analyse für den Einzelhandel 2021** berichtete McKinsey von Verbesserungen der Bestandsgenauigkeit um **mehr als 25 %**, Reduzierungen der bestandsbezogenen Arbeitsstunden um **10–15 %** und Steigerungen des Vollpreis-Abverkaufs um **1–3,5 %**, mit einem potenziellen Umsatzwachstum von **bis zu 5 %** durch verbessertes Stockout-Management und geringeren Schwund, basierend auf der Auswertung von RFID-Implementierungen.

Dies sind berichtete Ergebnisse aus Implementierungen, keine Versprechen für Ihr Geschäft. Sie zeigen, warum Verfügbarkeit und Datengenauigkeit neben den Einkaufskosten Beachtung verdienen.

**Bestandsoptimierung** bedeutet, das richtige Produkt zur richtigen Zeit am richtigen Ort bereitzustellen, ohne unnötig Kapital zu binden. Denken Sie an Ihre Vorratskammer zu Hause: Zu wenig Lebensmittel stören das Abendessen, aber zu viel einzukaufen lässt Zutaten hinter neueren Käufen verderben.

### Die Kosten, die Sie ausbalancieren

- **Stockout-Kosten:** Sie verpassen einen Verkauf, enttäuschen einen Kunden oder zahlen, um eine Bestellung nachträglich zu erfüllen.
- **Lagerhaltungskosten:** Sie finanzieren Lagerung, Kapitalbindung, Handling und Schwund, während Produkte warten.
- **Abschriftskosten:** Sie opfern Marge, um veraltete, saisonale oder unerwünschte Bestände abzubauen.

Der Ausgangszustand ist entscheidend. Eine [Studie des University of Arkansas RFID Research Center](https://news.uark.edu/articles/11238/rfid-improves-inventory-accuracy-university-of-arkansas-study-finds) fand heraus, dass herkömmliche Systeme nur bei **35 % der Artikel** genaue Bestandsinformationen lieferten, und schätzte, dass ungenaue Bestandsdaten den Gewinn um **etwa 10 %** mindern können.

### Erst zählen, dann berechnen

Zeigt Ihr System Bestand an, der physisch nicht verfügbar ist, verschieben Sie möglicherweise den Nachschub. Unterschätzt es den verfügbaren Bestand, kaufen Sie womöglich Produkte, die Sie bereits haben.

> Eine ausgeklügelte Nachbestellungsberechnung bleibt eine schlechte Entscheidung, wenn sie von einem falschen Bestandszählwert ausgeht.

Eine sinnvolle Vorgehensweise umfasst Datenbereitschaft, verlässliche Kennzahlen, Prognosen, Sicherheitsbestände, Sortiments- und Promotionsplanung sowie abschließend ein **30-Tage-Pilotprojekt**. Jeder Schritt sollte die nächste Entscheidung verbessern, nicht nur einen weiteren Bericht erzeugen.

## Zentrale Bestandskennzahlen und was jede davon aussagt

Eine Vorratskammer zu Hause zeigt das Problem im Kleinen. Das Zählen von Dosen verrät, was im Regal steht, sagt aber nichts darüber aus, ob die Mahlzeiten gesichert sind, wie schnell Grundnahrungsmittel ausgehen oder welche Artikel abgelaufen sind, bevor sie jemand gegessen hat. Einzelhandelskennzahlen trennen diese Fragen bewusst voneinander, und jede beantwortet nur ihre eigene Frage.

KennzahlBerechnungWas sie aussagtLagerumschlagHerstellungskosten des Umsatzes ÷ durchschnittlicher Lagerbestand zu KostenWie oft sich der Bestand in einem Zeitraum verkauftLagerreichweite in Tagen(Durchschnittlicher Lagerbestand ÷ Herstellungskosten des Umsatzes) × Tage im ZeitraumWie lange Kapital im Regal gebunden ist, bevor der Bestand sich verkauftLieferquoteBei Erstbestellung gelieferte Einheiten ÷ bestellte EinheitenAnteil der Kundennachfrage, der sofort aus dem Bestand bedient wirdFehlbestandsquoteNicht verfügbare SKU-Standort-Tage ÷ SKU-Standort-Tage insgesamtWie oft Kunden auf nicht verfügbare Produkte stoßenSchwundquote(Buchbestand − physischer Bestand) ÷ UmsatzErfasste Verluste durch Diebstahl, Beschädigung und ErfassungsfehlerBruttomarge im Verhältnis zur LagerinvestitionBruttomarge ÷ durchschnittlicher Lagerbestand zu KostenErwirtschaftete Bruttomarge je investiertem Euro im Lager

Diese **zentralen Lagerkennzahlen für den Einzelhandel** beantworten unterschiedliche Fragen. Der Umschlag verfolgt die Bewegung, die Lieferquote die unmittelbare Servicequalität, und die Bruttomarge im Verhältnis zur Lagerinvestition verknüpft das im Bestand gebundene Geld mit der damit erwirtschafteten Marge. Nebeneinander betrachtet, verhindern sie, dass eine starke Zahl in einer Spalte eine schwache Zahl in einer anderen verdeckt.

Achten Sie auf konsistente Einheiten. Bewerten Sie für die Lagerreichweite in Tagen den durchschnittlichen Lagerbestand zu Kosten, da der Nenner die Herstellungskosten des Umsatzes sind; rechnen Sie für den Schwund die Differenz zwischen Buch- und physischem Bestand zunächst in einen Geldwert um, bevor Sie durch den monetären Umsatz dividieren.

### Die Definitionen operationalisieren

Eine **SKU** ist eine konkrete Produktvariante, etwa eine Jacke in einer bestimmten Größe und Farbe. Ein SKU-Standort-Tag ist diese Variante an einem Standort an einem Tag – das macht Fehlbestandsvergleiche fairer als das bloße Zählen leerer Regale. Ein leeres Regal kann eine Rückstandsbestellung, eine Lieferung unterwegs oder eine zur Prüfung anstehende Rücksendung verbergen, und jede Ursache erfordert eine andere Lösung.

Einigen Sie sich auf Ihre Berichtsregeln, bevor Sie Ergebnisse vergleichen:

- **Verfügbarkeit:** Legen Sie fest, ob reservierte, beschädigte und gesperrte Waren als verfügbar zählen.
- **Nachfrage:** Erfassen Sie nicht erfüllte Bestellungen und bekannte entgangene Verkäufe getrennt von abgeschlossenen Verkäufen.
- **Zeitrahmen:** Verwenden Sie für Vergleiche denselben Zeitraum und dieselbe Methode der Lagerbewertung.
- **Zuständigkeit:** Benennen Sie jemanden, der unerklärte Veränderungen der Kennzahlen untersucht.

Rechnen Sie die Umschlagsformel zunächst in einer Tabelle durch, damit die Eingabewerte sichtbar bleiben. Nutzen Sie dann den [Lagerumschlagsrechner](https://tools.electe.net/inventory-turnover-calculator) zur Gegenprobe und betrachten Sie das Ergebnis zusammen mit Verfügbarkeit und Marge.

### Belohnen Sie nicht die falsche Verbesserung

Angenommen, eine beliebte Jacke verkauft sich sofort, sobald eine Lieferung eintrifft, und ist dann bis zur nächsten Lieferung nicht verfügbar. Ihr Umschlag mag stark aussehen, obwohl Kunden wiederholt gehen, ohne zu kaufen.

Eine geringere Lagerreichweite in Tagen kann auf schlankere Abläufe hindeuten oder auf einen schlicht zu knappen Bestand – keine einzelne Kennzahl unterscheidet diese beiden Fälle. Der sicherere Blick gilt dem gesamten wirtschaftlichen Wert für denselben Zeitraum: erwirtschaftete Marge, durch Fehlbestände verlorene Verkäufe und getragene Lagerhaltungskosten. Eine Kategorie kann beim Umschlag gewinnen und dennoch Geld verlieren, sobald die Tage mit leeren Regalen eingepreist werden.

Vergleichen Sie Kategorien und Standorte getrennt voneinander und nutzen Sie anschließend Ihr **erstes Quartal als Basislinie**, nachdem Sie die Bestandszahlen abgeglichen haben. Halten Sie diese Basislinie fest, damit spätere Änderungen den Ausgangspunkt nicht verwischen, und vermerken Sie Aktionen, Schließungen oder Lieferantenstörungen, die die Vergleichbarkeit beeinträchtigen. Betrachten Sie jeden externen Vergleichswert als Ausgangsfrage und lassen Sie Ihre eigene abgeglichene Basislinie die Antwort liefern.

## Datenbasis und Technologie-Stack, die Sie benötigen

Eine **Einzelhandelsumfrage aus dem Jahr 2025** ergab, dass sich **59 % der Einzelhändler** für die Bedarfsprognose und -verwaltung auf mehrere isolierte Tools, Tabellenkalkulationen oder manuelle Prozesse verließen; nur **27 %** gaben an, über ein System zu verfügen, das Kassen-, Bestands- und Finanzdaten integriert, so die [Priority-Einzelhandelsumfrage](https://www.priority-software.com/wp-content/uploads/2025/05/survey-report-priority-1386-designed-final.pdf).

Das ist ein praktischer Grund, der Datenbereitschaft Priorität einzuräumen. Wenn eine Retoure den E-Commerce-Bestand aktualisiert, aber nicht die Lagerverfügbarkeit, löst ein ausgefeilteres Nachfragemodell die Diskrepanz nicht auf.

### Vom Erfassen bis zur Umsetzung aufbauen

1. **Datenquellen:** Erfassen Sie Kassentransaktionen, Lagerbewegungen, E-Commerce-Bestellungen, Retouren, Lieferantendurchlaufzeiten, Aktionskalender und relevante Wetterdaten. Unterscheiden Sie beispielsweise zwischen einer retournierten Jacke, die auf Prüfung wartet, und einer, die verkaufsbereit ist.
2. **Stammdaten:** Verwenden Sie systemübergreifend eine einheitliche SKU-Kennung und Standortkennung. Ein Lagercode und ein E-Commerce-Produktname müssen derselben verkaufsfähigen Variante zugeordnet sein.
3. **Analytik:** Wenden Sie Prognosen, Sicherheitsbestandsberechnungen und Anomalieerkennung auf abgeglichene Datensätze an. Ein plötzlicher Bestandsrückgang sollte eine Untersuchung auslösen, bevor er als Nachfrage interpretiert wird.
4. **Umsetzung:** Setzen Sie genehmigte Empfehlungen in Bestellungen, Warnmeldungen und Filialaufgaben um. Benennen Sie die Person, die für die Bearbeitung jeder Ausnahme verantwortlich ist.

### Einigen Sie sich darauf, welcher Datensatz maßgeblich ist

Benennen Sie eine **maßgebliche Quelle für jedes Feld**. Die Kasse kann für abgeschlossene Filialverkäufe maßgeblich sein, während eine verifizierte Bestandszählung den Lagerbestand zum Zeitpunkt der Zählung bestimmt, angepasst um nachfolgende Bewegungen.

Gleichen Sie Unterschiede wöchentlich ab und untersuchen Sie bedeutende Ausnahmen zeitnaher. Überschreiben Sie Diskrepanzen nicht spurlos: Bewahren Sie Anpassung, Grund, Zeitstempel und verantwortliche Person auf, damit Ihr Team wiederkehrende Wareneingangs- oder Synchronisationsfehler erkennen kann.

Die Fehlerrichtung ist entscheidend. Eine [Studie der University of Arkansas zu Bloomingdale's-Filialen](https://news.uark.edu/articles/14256/new-study-shows-rfid-significantly-improves-item-level-inventory-accuracy) maß die Transparenz über **13 Wochen** hinweg und berichtete Simulationsergebnisse mit einer **Reduzierung des Unterbestands um 21 %** und einer **Reduzierung des Überbestands um 6 %**. In der Terminologie dieser Studie bedeutete Unterbestand, dass die Aufzeichnungen den physischen Bestand überstiegen, während Überbestand bedeutete, dass die Aufzeichnungen ihn unterschätzten.

> **Vertrauensschwelle:** Geben Sie eine Prognose für die automatisierte Wiederbeschaffung erst frei, wenn Kennungen übereinstimmen, Datenfeeds aktuell sind und unerklärte Bestandsbewegungen geklärt oder ausdrücklich genehmigt wurden.

Automatisierte Warnmeldungen helfen nur, wenn sich Ihr Team über deren Bedeutung und Reaktion einig ist. Beschränken Sie den Zugriff auf Betriebsdaten, entfernen Sie unnötige Kundenkennungen und dokumentieren Sie angemessene Aufbewahrungs- und Weitergaberegeln.

## Auswahl eines Ansatzes zur Bedarfsprognose

AnsatzBeispieltechnikenBenötigte DatenAm besten geeignet fürWesentliche EinschränkungStatistischGleitender Durchschnitt, exponentielle Glättung, ARIMAEtwa zwei Jahre Verkaufshistorie pro SKU als Planungsrichtwert, kein allgemeingültiges MinimumStabile Artikel mit hohem VolumenEinfache Versionen berücksichtigen Preis-, Promotions- und Wettereffekte nicht explizitMaschinelles LernenRandom Forest, Gradient BoostingVerkaufsdaten plus viele Merkmale über zahlreiche SKUsGroße Sortimente mit komplexen MusternErfordert saubere Daten, Monitoring und eine kostenbasierte BewertungKausale RegressionRegression mit Variablen für Preis, Promotion, Wetter und KalenderVerkaufsdaten plus Einflussfaktoren auf SKU-Standort-Tag-EbeneProdukte mit Promotions-, Saison- und WetterabhängigkeitHängt von zuverlässigen Einflussfaktoren und ausreichend relevanter Historie ab

**Der Vergleich der Prognoseansätze** sollte anhand der Entscheidungen beurteilt werden, die sie unterstützen. Eine Prognose für eine Lieferantenbestellung muss zum Dispositionshorizont passen, nicht nur die Verkäufe von morgen gut vorhersagen.

Der Richtwert zur Historie in der Tabelle ist keine Zulässigkeitsregel. Ein gleitender Durchschnitt kann mit kürzeren Historien arbeiten, während saisonale Modelle genügend relevante Beobachtungen benötigen, um wiederkehrende Muster von ungewöhnlichen Ereignissen zu unterscheiden.

### Was höhere Genauigkeit verbergen kann

Eine [Studie zu maschinellem Lernen in der Disposition auf Basis des öffentlichen M5-Walmart-Datensatzes](https://ojs.scipub.de/index.php/RRAL/article/view/9045) verglich einen **gleitenden Durchschnitt über sieben Tage** mit einem Random Forest für die **100 umsatzstärksten Lebensmittel-SKUs** in Walmarts **CA\_1-Filiale**. Im Rahmen eines **28-tägigen Out-of-Sample-Tests** sank der gewichtete absolute prozentuale Fehler von **39,82 % auf 35,03 %**, und die simulierte Fehlbestandsquote fiel von **3,04 % auf 2,43 %**.

Dennoch verursachte die Random-Forest-Strategie unter den Basisannahmen **leicht höhere Gesamtkosten**, da sie mehr Bestand vorhielt. Die Studie stellte fest, dass die Strategie wirtschaftlich attraktiv wurde, sobald die Kosten für Fehlbestände stiegen oder die Lagerhaltungskosten sanken.

Dieses Ergebnis ist kein Argument gegen maschinelles Lernen. Es ist ein Argument dagegen, eine Dispositionsstrategie allein anhand des Prognosefehlers auszuwählen.

### Die Entscheidung testen, nicht nur die Vorhersage

Erstellen Sie zunächst eine einfache statistische Basislinie und testen Sie Alternativen anschließend anhand späterer Beobachtungen, die den Modellen noch nicht bekannt waren. Halten Sie die Dispositionsregeln und Kostenannahmen vergleichbar, damit Sie die Ursache einer Veränderung erkennen können.

- **Horizont abgleichen:** Testen Sie die Nachfrage über den Zeitraum, den Ihre Einkaufsentscheidung abdecken muss.
- **Verzerrung prüfen:** Anhaltende Unter- und Überschätzung erfordern unterschiedliche Reaktionen.
- **Geschäftskosten einbeziehen:** Vergleichen Sie Lagerhaltungs-, Fehlbestands- und Abschreibungskosten für jede Strategie.
- **Überschreibungen protokollieren:** Halten Sie fest, warum ein Planer eine Prognose angepasst hat und ob die Anpassung geholfen hat.

Für Produkte ohne etablierte Historie sollten Sie [Prognosemethoden für Produkteinführungen vergleichen](https://www.electe.net/post/demand-forecasting-for-new-products), anstatt fehlende Verkaufshistorie mit fehlender Nachfrage gleichzusetzen.

Ein hybrider Ansatz kann eine statistische Basislinie beibehalten und zugleich Modellsignale sowie dokumentierte Planeranpassungen hinzufügen. Halten Sie diese Anpassungen nachvollziehbar – sonst wissen Sie nicht, ob das Modell oder der Eingriff das Ergebnis bewirkt hat.

## Sicherheitsbestand und Meldebestand einfach erklärt

Betrachten Sie eine **beispielhafte Berechnung**, kein Ergebnis eines Händlers. Angenommen wird eine durchschnittliche Tagesnachfrage von **40 Einheiten**, eine Standardabweichung der Tagesnachfrage von **10 Einheiten** und eine feste Lieferzeit des Lieferanten von **7 Tagen**.

Die Standardabweichung beschreibt, wie stark der tägliche Bedarf um seinen Mittelwert schwankt. **Sicherheitsbestand** ist der zusätzliche Puffer, den Sie gegen Unsicherheit vorhalten, während der **Meldebestand** Ihnen sagt, wann Sie die nächste Bestellung auslösen sollten.

### Die Berechnung im Detail

Bei unabhängigem täglichem Bedarf, fester Lieferzeit und einer annähernd normalverteilten Bedarfsverteilung während der Lieferzeit gilt:

**Sicherheitsbestand = z × Standardabweichung des täglichen Bedarfs × √Lieferzeit**

Der **z-Wert** ist der Servicefaktor, der zu Ihrem gewählten Lieferbereitschaftsziel gehört. Bei einem beispielhaften **Lieferbereitschaftsgrad von 95%** verwenden Sie etwa **1,645**:

**Sicherheitsbestand = 1,645 × 10 × √7 ≈ 44 Einheiten**

Als Nächstes muss der erwartete Bedarf während der Wartezeit auf die Lieferung abgedeckt werden:

**Meldebestand = durchschnittlicher täglicher Bedarf × Lieferzeit + Sicherheitsbestand**

**Meldebestand = 40 × 7 + 44 = 324 Einheiten**

Lösen Sie die Bestellung anhand der **Bestandsposition** aus, also dem verfügbaren Lagerbestand zuzüglich bestätigter eingehender Ware abzüglich offener Bedarfsverpflichtungen. Verlässt man sich allein auf den Lagerbestand, können doppelte Bestellungen entstehen, wenn bereits eine Lieferung unterwegs ist.

### Was ein höheres Servicelevel kostet

Die folgenden Werte basieren auf denselben hypothetischen Eingabewerten, wobei die Puffer auf ganze Einheiten aufgerundet wurden.

Servicelevelz-WertSicherheitsbestand (Einheiten)Meldebestand (Einheiten)90%1,2823431495%1,6454432499%2,32662342

Der Wechsel von **95% auf 99%** erhöht den Puffer in diesem Beispiel um **18 Einheiten**. Ob sich das lohnt, hängt von der Marge des Produkts, den Folgen eines Fehlbestands und dem Risiko von Alterung oder Abschriften ab.

**Der Lieferbereitschaftsgrad ist nicht die Servicegrad-Quote.** Er beschreibt die Wahrscheinlichkeit, während eines Nachschubzyklus keinen Fehlbestand zu haben, nicht den Anteil der nachgefragten Einheiten, die Sie sofort liefern können.

### Wissen, wann die Abkürzung nicht mehr funktioniert

Variable Lieferzeiten, korrelierter Bedarf, Promotionen und Saisonalität erfordern eine umfassendere Berechnung. Eine [Studie zum Sicherheitsbestand im Einzelhandel mit kausalen Nachfragemodellen](https://econpapers.repec.org/article/eeeproeco/v_3a140_3ay_3a2012_3ai_3a2_3ap_3a637-645.htm) spricht dafür, externe Einflussfaktoren einzubeziehen und Puffer unter expliziten Servicevorgaben festzulegen.

Wählen Sie das Unsicherheitsquantil, indem Sie die Folgen eines Fehlbestands gegen Lager- und Abschriftsrisiken abwägen. Wenden Sie nicht auf jedes Produkt einen festen Prozentsatz des Bedarfs an, besonders wenn sich der Bedarf stark ändert.

> **Auslöser zur Neukalibrierung:** Überprüfen Sie den Puffer, wenn sich Prognosefehler, Lieferzeiten der Lieferanten oder die Reaktion auf Promotionen wesentlich ändern.

## Wie Sortiment und Promotionen Ihre Bestandsplanung verändern

SegmentNachfragemusterBestandspolitikAXHoher Wert, gleichmäßige NachfrageKontinuierliche Überprüfung, knapper Sicherheitsbestand, häufige kleine BestellungenAYHoher Wert, schwankende NachfrageKausale Prognose, höherer Sicherheitsbestand, wo gerechtfertigt, wöchentliche ÜberprüfungCZNiedriger Wert, unregelmäßige NachfragePeriodische Überprüfung, reduziertes Sortiment oder, wo möglich, Fertigung auf BestellungAktions-SKUsSpitzenartig, mit möglichem Einbruch nach der AktionAktionsspezifische Prognose, vorab aufgebauter Bestand, geplante Reduzierung nach der Aktion

Nutzen Sie diese **Bestandspolitik nach Produktsegment** als Ausgangsrahmen, nicht als automatische Einkaufsregel. Lieferantenmindestmengen, Haltbarkeit und Lieferzuverlässigkeit können die beste Politik innerhalb eines Segments verändern.

Die **ABC-XYZ-Segmentierung** kombiniert die kommerzielle Bedeutung mit der Nachfragevariabilität. ABC stuft Produkte nach Umsatz- oder Margenbeitrag ein; XYZ unterscheidet gleichmäßige Nachfrage von zunehmend schwankender oder unregelmäßiger Nachfrage.

### Die gesamte Nachschubpolitik steuern

Eine [empirische Simulation des Einzelhandelsnachschubs](https://pure.tue.nl/ws/files/3037826/639675.pdf) ergab, dass eine **Efficient-Full-Service-Strategie** den durchschnittlichen Lagerbestand um **22 %** senkte und die Bearbeitung von Bestellpositionen um **17 %** reduzierte, bei gleichbleibendem Ziel-Servicegrad für Kunden.

Dieses Ergebnis hing von der betrieblichen Politik und dem Nachfrageprofil der Studie ab. Es handelt sich nicht um ein universelles Reduktionsziel oder einen Beleg dafür, dass jeder Einzelhändler seine Puffer um denselben Betrag kürzen sollte.

Die nützliche Lehre daraus ist, Bestellhäufigkeit, Lieferbündelung, Nachschubzeitpunkt und Sicherheitsbestand aufeinander abzustimmen. Häufige kleine Bestellungen können sich für einen gleichmäßigen Verkaufsschlager eignen, aber nicht, wenn Mindestbestellmengen oder Lieferkosten sie unwirtschaftlich machen.

### Das Ende einer Aktion vor ihrem Start planen

Eine Aktionsprognose sollte die gewöhnliche Nachfrage vom erwarteten Aktionseffekt unterscheiden. Prüfen Sie, ob Kunden Käufe vorziehen oder von einem anderen Produkt Ihres Sortiments wechseln könnten.

- **Vor dem Start:** Liefertermine, Filialzuteilungen und den letzten sinnvollen Nachschubtermin bestätigen.
- **Während der Aktion:** Die tatsächliche Reaktion mit der Aktionsprognose vergleichen und Verfügbarkeitsengpässe untersuchen.
- **Nach der Aktion:** Bestellungen gezielt reduzieren und den vereinbarten Transfer-, Rückhalte- oder Abwertungsplan umsetzen.

Um [Margen bei Einzelhandelsaktionen zu schützen](https://www.electe.net/post/promotion-optimization-in-retail), bewerten Sie die Aktion nach Erfüllungskosten und verbleibendem Bestandsrisiko, nicht nur nach dem Umsatzanstieg.

Überprüfen Sie das Sortiment jedes Quartal. Stellen Sie Randprodukte infrage, die Platz und Kapital binden, ohne ausreichende Marge oder eine klare Rolle für den Kunden zu bieten, und behalten Sie strategisch wichtige Artikel, wenn ihr Beitrag über den direkten Umsatz hinausgeht.

## Einen 30-Tage-Bestandspiloten durchführen und den Gesamtwert bewerten

Ein 30-Tage-Pilot funktioniert wie das Neuordnen eines Vorratsregals, bevor man sich auf eine neue Einkaufsroutine für die gesamte Küche festlegt. Man beobachtet, was ausgeht, was unberührt liegen bleibt und was die neue Routine wirklich einspart, und entscheidet dann, ob man sie überall einführt.

Führen Sie den Piloten mit **20 bis 50 SKUs** in einer Kategorie durch, die Sie zuverlässig zählen und überwachen können. Wählen Sie vergleichbaren Kontrollbestand aus und halten Sie Preisgestaltung, Aktionen und Betriebsbedingungen so ähnlich wie praktisch möglich.

Ein kurzer Pilot testet die Umsetzung und zeigt frühe Zielkonflikte auf. Er kann keine langfristige saisonale Leistung belegen, insbesondere wenn die Lieferzeiten der Lieferanten über das Testfenster hinausreichen.

### Einem kontrollierten Betriebsplan folgen

1. **Tag 1–7:** Prüfen Sie die Datensätze und gleichen Sie den Pilotbestand filial- und lagerübergreifend ab. Lösen Sie Identifikatoren auf und dokumentieren Sie Anpassungsregeln. Sauberere Datensätze bringen in dieser Phase oft mehr für die Genauigkeit als ein ausgefeilterer Algorithmus später.
2. **Tag 8–14:** Legen Sie Basiswerte für Lieferbereitschaftsgrad, Fehlmengenquote, Reichweite in Tagen, Umschlagshäufigkeit und Schwund fest, basierend auf abgeglichenen historischen Daten, soweit verfügbar.
3. **Tag 15–21:** Segmentieren Sie Produkte und vergleichen Sie eine statistische Basislösung mit einer kausalen oder maschinell lernenden Alternative mittels Backtesting oder Simulation.
4. **Tag 22–30:** Wenden Sie die genehmigten Service-Ziele und Bestellpunkte an und vergleichen Sie dann die frühen Ergebnisse mit der Kontrollgruppe. Setzen Sie die Beobachtung fort, falls der Nachschubzyklus noch nicht abgeschlossen ist.

Bewerten Sie **Bestandsoptimierung im Einzelhandel** anhand des gesamten wirtschaftlichen Wertes: zurückgewonnene Marge abzüglich zusätzlicher Lagerhaltungs-, Abschreibungs-, Fehlmengen- und Expressfrachtkosten. Betrachten Sie das Working Capital separat, damit Sie die Bestandsinvestition und deren Finanzierungskosten nicht doppelt erfassen.

FallstrickWarnsignalLösungPrognosen auf Basis ungenauer BestandszahlenPhantombestand und plötzliche PrognosefehlerBestände abgleichen und eine maßgebliche Quelle festlegenEin einheitlicher Sicherheitsbestandsprozentsatz für alle SKUsÜberbestand bei langsam drehenden Artikeln und Engpässe bei schnell drehendenPuffer nach Segment und Service-Ziel festlegenWerbeaktions- und Wettereffekte ignorierenÜberschussbestand nach Events und SaisonspitzenRelevante Zeiträume kennzeichnen und kausale Merkmale nutzenModelle ausschließlich anhand des Prognosefehlers beurteilenGeringerer Fehler, aber höhere BestandskostenFehlmengen-, Lagerhaltungs- und Abschreibungskosten gemeinsam bewertenNur einen einzelnen KPI minimierenGeringerer Bestand, aber mehr EilfrachtGesamten wirtschaftlichen Wert verfolgenKeine Neukalibrierung nach ÄnderungenSteigende Fehler nach Lieferanten- oder NachfrageverschiebungenNeubewertung auslösen, wenn sich die Betriebsbedingungen ändern

ELECTE, eine KI-gestützte Plattform für Finanzprognosen für wachsende Unternehmen, deckt Prognosen, automatisierte Berichte sowie Dashboards und KPIs ab und bietet unter anderem einen kostenlosen Bestellpunkt-Rechner unter seinen kostenlosen Tools. Die Plattform wendet sechs Prognosemethoden auf Ihre Daten an, bewertet sie gegeneinander und wählt die genaueste aus. Die meisten Nutzer sind in weniger als 5 Minuten einsatzbereit, wobei die KI die Daten sofort nach dem Verbinden der Buchhaltungssoftware oder dem Hochladen einer Datei analysiert und erste Prognosen erstellt. Die schnelle Einrichtung entbindet Sie dennoch nicht von Abgleich und kostenbasierter Bewertung der Richtlinie.

### Wichtige Erkenntnisse

- **Bestände zuerst korrigieren:** Schaffen Sie eine verlässliche Ausgangsbestandsposition, bevor Sie ein Modell anfassen.
- **Konsistent vergleichen:** Verwenden Sie einheitliche Definitionen und vergleichbare Berichtszeiträume.
- **Nach Wirtschaftlichkeit auswählen:** Testen Sie Prognoseverbesserungen gegen die Betriebskosten.
- **Puffer differenzieren:** Passen Sie den Schutz an Produktrisiko und Servicebedarf an.
- **Das Gesamtergebnis bewerten:** Beziehen Sie Eilsendungen, Preisabschläge und Kapitalbindung mit ein.

Schließen Sie den Piloten mit einer direkten Frage ab: **Hat sich der gesamte wirtschaftliche Wert verbessert?** Behalten, passen Sie an oder verwerfen Sie die Richtlinie basierend auf dieser Antwort.

---

ELECTE bietet Prognosen und automatisierte Berichte, mit denen Sie Nachschubentscheidungen bewerten können, ohne ständig Tabellenkalkulationen neu aufzubauen. Testen Sie den kostenlosen Bestellpunkt-Rechner bei [ELECTE](https://www.electe.net) anhand der Bestandsdaten Ihres Pilotprojekts, und nutzen Sie den kostenlosen ROI-Rechner, um den Wertnachweis für eine breitere Einführung zu erstellen.