KI-Sicherheitsbestand: Puffer dynamisch berechnen

TL;DR

Statische Sicherheitsbestände nach der klassischen Formel (Verbrauch × Wiederbeschaffungszeit × Sicherheitsfaktor) versagen bei schwankender Nachfrage. KI-Modelle berechnen den optimalen Puffer täglich neu — basierend auf Absatzprognose, Lieferantenzuverlässigkeit und Saisonalität. Mittelständler senken ihren Lagerwert um 18–25 % ohne Lieferfähigkeitsverlust. Bei €2 Mio. Lagerwert sind das €360.000–500.000 freigesetztes Kapital.

Warum statische Sicherheitsbestände Geld verbrennen

Die meisten Mittelständler berechnen ihren Sicherheitsbestand einmal pro Quartal — oder gar nicht. Stattdessen pflegt der Disponent einen Erfahrungswert im ERP. Das Problem:

• Überbevorrratung bei 40 % der Artikel → gebundenes Kapital, Lagerplatz, Abschreibungen
• Unterbevorrratung bei 15 % der Artikel → Fehlmengen, Eilbestellungen, Produktionsstillstand
• Keine Reaktion auf Veränderungen → Lieferantenwechsel, Nachfragespitzen, saisonale Effekte
• €12.000–18.000 Kapitalbindungskosten pro €100.000 zu hohem Bestand (Zins + Lager + Schwund)

Ein Großhändler für Elektromaterial mit 12.000 Artikeln hatte €3,2 Mio. Lagerwert — davon €680.000 in Artikeln, die seit 12 Monaten nicht mehr bestellt wurden. Gleichzeitig 4,8 % Fehlmengenquote bei A-Artikeln.

Klassisch vs. KI: Die Berechnungsmethoden

Klassische Formel

Sicherheitsbestand = z × σ_d × √LT + z × d̄ × σ_LT

Wobei:

• z = Sicherheitsfaktor (z. B. 1,65 für 95 % Servicegrad)
• σ_d = Standardabweichung der Nachfrage
• LT = Wiederbeschaffungszeit
• d̄ = Durchschnittlicher Tagesbedarf
• σ_LT = Standardabweichung der Lieferzeit

Problem: Die Formel nimmt normalverteilte Nachfrage an — in der Praxis ist die Nachfrage bei 60 % der Artikel nicht normalverteilt (intermittierend, saisonal, trendgesteuert).

KI-basierte Berechnung

# KI-Modell für dynamischen Sicherheitsbestand
eingabedaten:
  nachfrage:
    - "Tägliche Abverkäufe (24 Monate)"
    - "Offene Kundenaufträge"
    - "Saisonindizes"
    - "Promotions-Kalender"

  lieferant:
    - "Tatsächliche Lieferzeiten (12 Monate)"
    - "Liefertreue-Quote"
    - "Aktuelle Bestellstatus"
    - "Lieferanten-Risikoindex"

  extern:
    - "Branchenindex (ifo)"
    - "Rohstoffpreise"
    - "Wetterdaten (bei saisonalen Produkten)"

modell:
  typ: "LightGBM + Quantile Regression"
  update: "Täglich um 05:00 Uhr"
  ausgabe: "Sicherheitsbestand pro Artikel pro Tag"

servicegrad_ziel: 97.5%

Der entscheidende Unterschied: Die KI berechnet nicht einen Mittelwert, sondern das 97,5-Prozent-Quantil der Nachfrageverteilung — und zwar unter Berücksichtigung aller Einflussfaktoren. Das Ergebnis ist ein Sicherheitsbestand, der sich täglich an die aktuelle Situation anpasst.

Praxisbeispiel: Technischer Großhandel in Bayern

Ein Großhändler für Befestigungstechnik (124 Mitarbeiter, 14.500 Artikel, 3 Lagerstandorte) hat die KI-basierte Bestandsoptimierung eingeführt:

Ausgangslage:

• Lagerwert: €4,1 Mio.
• Servicegrad: 94,2 % (Ziel: 97 %)
• Fehlmengenkosten: €186.000/Jahr (Eilbestellungen, Sondertransporte)
• Disposition: 3 Mitarbeiter, 70 % der Zeit manuell
• Abschreibungen (Ladenhüter): €92.000/Jahr

Umsetzung (12 Wochen):

1. Woche 1–3: Datenexport aus SAP (Bestände, Warenbewegungen, Bestellhistorie)
2. Woche 4–6: Feature Engineering und Modelltraining
3. Woche 7–9: Parallelbetrieb (KI-Empfehlung neben manueller Disposition)
4. Woche 10–12: Umstellung auf KI-gesteuerte Disposition mit manueller Freigabe

Ergebnisse nach 9 Monaten:

Implementierung: Schritt für Schritt

Datenqualität prüfen

Bevor Sie ein Modell trainieren, prüfen Sie:

• Bestandsgenauigkeit: Inventurdifferenz <2 %? Sonst erst WMS-Prozesse verbessern
• Warenbewegungen: Lückenlose Buchungen für mindestens 12 Monate
• Lieferzeiten: Tatsächliche (nicht Plan-) Lieferzeiten erfasst?
• Saisonmuster: Mindestens 2 Jahreszyklen an Daten vorhanden?

Modellauswahl

# Empfohlene Modelle nach Artikeltyp
a_artikel_stetig:
  modell: "LightGBM Quantile Regression"
  features: "Nachfrage, Saison, Lieferzeit, Trend"
  update: "täglich"

b_artikel_intermittierend:
  modell: "Croston-Methode + ML-Korrektur"
  features: "Nachfrageintervall, Bestellmenge, Lieferzeit"
  update: "wöchentlich"

c_artikel_sporadisch:
  modell: "Bootstrapping (empirische Verteilung)"
  features: "Historische Nachfrage (36 Monate)"
  update: "monatlich"

neuartikel_ohne_historie:
  modell: "Ähnlichkeitsbasiert (Cluster-Zuordnung)"
  features: "Warengruppe, Preis, Lieferant"
  update: "wöchentlich bis Historie aufgebaut"

ERP-Integration

Die KI-Empfehlung wird als Dispositionsvorschlag ins ERP geschrieben:

• SAP: Über RFC/BAPI in MD04 (Bestandsübersicht) oder direkt als Bestellanforderung
• proALPHA: REST-API für Dispositionsparameter
• Microsoft Dynamics: Power Automate Connector
• Sage: CSV-Import für Bestellparameter

Typische Einsparpotenziale nach Branche

Kosten der Einführung

Für die Budgetplanung empfehlen wir den Artikel KI-Kosten für Unternehmen. Die ROI-Berechnung mit Excel-Vorlage erleichtert die Entscheidungsvorlage für die Geschäftsführung. Grundlagen beschreibt der Komplettleitfaden KI für Unternehmen.

FAQ

Brauche ich ein Data Warehouse für die KI-Bestandsoptimierung?

Nicht zwingend. Für den Start reicht ein täglicher CSV-Export aus dem ERP. Ab 20.000 Artikeln empfiehlt sich eine Datenbank (PostgreSQL) für effizientes Feature Engineering.

Wie reagiert das System auf plötzliche Nachfrageschübe?

Das Modell erkennt Trendbrüche innerhalb von 3–5 Tagen und passt den Sicherheitsbestand nach oben an. Für bekannte Events (Messen, Saisonstart) können Sie Promotions-Kalender hinterlegen.

Kann die KI auch Bestellmengen und -zeitpunkte optimieren?

Ja. Der dynamische Sicherheitsbestand ist die Basis. Darauf aufbauend berechnet das System optimale Bestellmengen (unter Berücksichtigung von Mengenrabatten und Mindestbestellwerten) und Bestellzeitpunkte.

Was passiert bei Lieferantenausfällen?

Das Modell erhöht den Sicherheitsbestand automatisch, wenn die Lieferzuverlässigkeit eines Lieferanten sinkt. Bei kritischen Artikeln können Sie alternative Lieferanten mit eigenen Parametern hinterlegen.

Funktioniert das auch für Artikel mit sehr unregelmäßiger Nachfrage?

Ja. Für intermittierende Nachfrage (Ersatzteile, Sonderanfertigungen) nutzt das System Croston- oder Bootstrapping-Methoden statt klassischer Normalverteilungsannahmen.