Bestandsoptimierung

Jedes Unternehmen, das Waren verkauft, muss diese Waren irgendwo lagern. Dabei entsteht ein Zielkonflikt. Liegt zu wenig im Lager, sind Produkte ausverkauft und Kunden kaufen woanders. Liegt zu viel im Lager, ist Geld in Ware gebunden, die niemand abholt. Bestandsoptimierung ist die Suche nach der richtigen Menge zwischen diesen beiden Fehlern. Heute übernehmen das meist Computerprogramme, die aus vergangenen Verkaufszahlen die künftige Nachfrage schätzen.

Warum totes Kapital im Regal wehtut

Ware im Lager ist bezahltes Geld, das nicht arbeitet. Ein Händler, der für 10 Millionen Euro Produkte eingekauft hat, kann dieses Geld nicht gleichzeitig für Werbung oder neue Filialen ausgeben. Dazu kommen laufende Kosten: Miete für die Halle, Personal, Versicherung, Heizung. Fachleute rechnen oft mit 15 bis 25 Prozent des Warenwerts pro Jahr, nur fürs Herumliegen.

Bei manchen Produkten ist der Schaden noch größer. Lebensmittel verderben, Medikamente laufen ab, Smartphones sind nach einem Jahr veraltet und lassen sich nur noch mit Rabatt verkaufen. In der Modebranche gilt eine Kollektion nach einer Saison als fast wertlos. Solche Abschreibungen tauchen direkt im Gewinn eines Unternehmens auf.

Der umgekehrte Fehler kostet allerdings ebenfalls. Wer online etwas bestellen will und die Meldung „nicht verfügbar“ sieht, wechselt selten zurück. Ein leeres Regal kostet also nicht nur diesen einen Verkauf, sondern womöglich den Kunden dauerhaft. Genau deshalb ist Bestandsoptimierung eine Abwägung und nie eine simple Sparübung.

Von der Nachfrageprognose zur Bestellmenge

Am Anfang steht immer eine Vorhersage. Die Software schaut sich an, wie oft ein Artikel in den letzten Monaten verkauft wurde, und sucht nach Mustern. Sonnencreme verkauft sich im Juli anders als im Januar, Schokolade steigt vor Ostern. Solche wiederkehrenden Schwankungen nennt man Saisonalität, und Algorithmen erkennen sie zuverlässig in den Daten.

Moderne Systeme nutzen zusätzlich Faktoren, die ein Mensch schwer im Kopf behält. Wetterprognosen, Feiertage, geplante Rabattaktionen, Preise der Konkurrenz oder sogar Suchanfragen im Internet fließen ein. Verfahren des maschinellen Lernens, also Programme, die Zusammenhänge selbst aus Daten ableiten, kombinieren diese Signale. Das Ergebnis ist keine feste Zahl, sondern eine Spanne mit Wahrscheinlichkeiten.

Aus dieser Spanne wird dann eine Entscheidung. Zwei Größen sind dabei zentral: der Sicherheitsbestand als Puffer gegen Überraschungen und der Meldebestand, bei dem automatisch nachbestellt wird. Wichtig ist auch die Lieferzeit — dauert eine Lieferung aus Asien sechs Wochen, muss man sechs Wochen vorausdenken. Je unsicherer die Prognose und je länger die Lieferzeit, desto größer der nötige Puffer.

Wo Bestände über Quartalszahlen entscheiden

Im Alltag merkt man Bestandsoptimierung vor allem daran, dass sie funktioniert. Der Supermarkt hat morgens frische Brötchen und wirft abends wenig weg. Ein Onlineshop zeigt an, dass nur noch drei Stück verfügbar sind. Hinter beidem steckt Software, die permanent Mengen berechnet und Bestellungen auslöst.

In Wirtschaftsnachrichten taucht das Thema regelmäßig auf, meist wenn etwas schiefgelaufen ist. Formulierungen wie „hohe Lagerbestände belasten die Marge“ oder „Abschreibungen auf Vorräte“ bedeuten: Das Unternehmen hat zu viel eingekauft und muss die Ware billiger loswerden. Anleger achten dafür auf die Kennzahl Lagerumschlag, also wie oft der Bestand pro Jahr komplett verkauft wird.

Ein verbreiteter Irrtum ist, dass ein möglichst kleines Lager immer das Beste sei. Die Lieferengpässe ab 2020 haben das Gegenteil gezeigt: Firmen ohne Puffer standen still, weil ein einziges Bauteil fehlte. Seitdem planen viele bewusst größere Reserven für kritische Teile ein. Bestandsoptimierung heißt deshalb nicht Minimierung, sondern eine bewusste Abwägung zwischen Kosten und Risiko.