Zwei Szenarien, die jeder E-Commerce-Verantwortliche kennt: Das eine Produkt ist seit drei Wochen ausverkauft, die Kunden springen zur Konkurrenz, und der Lieferant braucht noch zehn Tage. Das andere Produkt steht seit sechs Monaten im Lager, bindet Kapital und wird langsam zum Abschreibungskandidaten. Beide Probleme haben dieselbe Ursache — eine Bestandsplanung, die auf Vergangenheitsdaten und Bauchgefühl basiert, statt auf systematischer Prognose.

Laut dem EHI Retail Institute binden deutsche Online-Händler durchschnittlich 25-35 % ihres Betriebskapitals im Warenbestand. Gleichzeitig beziffert eine Studie des IFH Köln den Umsatzverlust durch Out-of-Stock-Situationen auf 3-5 % des Jahresumsatzes. Für einen mittelständischen Shop mit 5 Millionen Euro Umsatz bedeutet das: bis zu 175.000 Euro entgangener Umsatz pro Jahr — weil die falsche Ware im Lager lag.

KI-gestützte Nachfrageprognosen versprechen nicht, dieses Problem vollständig zu lösen — Nachfrage bleibt unsicher. Aber sie können die Prognosegenauigkeit erheblich verbessern und damit den Bestand näher an das Optimum bringen: genug, um lieferfähig zu sein, aber nicht mehr als nötig.

Warum Excel-Tabellen und ERP-Standardfunktionen nicht mehr reichen

Die meisten KMU-Online-Shops planen ihren Bestand mit einer Mischung aus ERP-Mindestbeständen, manuellen Nachbestelllisten und der Erfahrung des Einkäufers. Das funktioniert, solange das Sortiment überschaubar ist und die Nachfrage stabil bleibt.

In der Praxis gibt es aber Faktoren, die ein Mensch mit einer Tabelle kaum systematisch berücksichtigen kann:

• Saisonalität — nicht nur offensichtliche (Winterjacken im Oktober), sondern auch subtile Muster wie höhere Nachfrage nach bestimmten Produkten rund um Gehaltszyklen oder Brückentage.

• Wechselwirkungen zwischen Produkten — wenn Produkt A ausverkauft ist, steigt die Nachfrage nach dem ähnlichen Produkt B. Oder: wenn ein Topseller promotet wird, ziehen Zubehörartikel mit.

• Externe Einflüsse — Wetter, Feiertage in verschiedenen Bundesländern, Marketingkampagnen der Konkurrenz oder virale Social-Media-Trends, die plötzlich die Nachfrage nach bestimmten Produkten vervielfachen.

• Lieferanten-Dynamik — unterschiedliche Lieferzeiten, Mindestbestellmengen und Mengenstaffeln pro Lieferant machen die optimale Bestellstrategie zu einem kombinatorischen Problem.

KI-Modelle können diese Faktoren gleichzeitig berücksichtigen — nicht perfekt, aber besser als jede manuelle Schätzung bei mehr als 200-300 Artikeln.

Drei KI-Hebel für bessere Bestandsplanung

1. Nachfrageprognose (Demand Forecasting)

Der Kern jeder KI-gestützten Bestandsoptimierung: ein Modell, das aus historischen Verkaufsdaten, Saisonmustern und externen Signalen die zukünftige Nachfrage pro Artikel prognostiziert. Je nach Komplexität reicht das von einfachen Zeitreihenmodellen (Prophet von Meta, exponentielles Glätten) bis zu Machine-Learning-Ansätzen, die dutzende Features gleichzeitig berücksichtigen.

Für den Einstieg im KMU-Kontext empfiehlt sich ein pragmatischer Ansatz: Exportieren Sie 12-24 Monate Verkaufsdaten pro Artikel (Datum, Menge, Umsatz), füttern Sie diese in ein Forecasting-Tool und vergleichen Sie die Prognose mit der tatsächlichen Nachfrage der letzten drei Monate. Wenn das Modell besser liegt als Ihre aktuelle Methode — und das tut es in der Regel — haben Sie einen belastbaren Ausgangspunkt.

Tools: Google BigQuery ML (Demand Forecasting als vorgefertigtes Modell), Amazon Forecast, oder — für Teams mit Python-Kenntnissen — die Open-Source-Bibliothek Nixtla/TimeGPT, die Zeitreihenprognosen mit LLM-Technologie erstellt. Die Kosten sind überschaubar: BigQuery ML berechnet nach verarbeiteten Daten, bei einem typischen KMU-Sortiment liegen die monatlichen Kosten unter 50 Euro.

2. Automatische Nachbestellpunkte und Sicherheitsbestände

Die Nachfrageprognose allein reicht nicht — sie muss in konkrete Bestellentscheidungen übersetzt werden. Dafür braucht es pro Artikel einen Nachbestellpunkt (bei welchem Bestand wird nachbestellt?) und einen Sicherheitsbestand (Puffer für Nachfrageschwankungen und Lieferverzögerungen).

KI kann beide dynamisch berechnen: Ein Artikel mit stabiler Nachfrage und zuverlässigem Lieferanten braucht weniger Sicherheitsbestand als einer mit stark schwankender Nachfrage und unzuverlässiger Lieferkette. Die meisten ERP-Systeme arbeiten hier mit festen Werten, die einmal gesetzt und selten aktualisiert werden — das führt systematisch zu Über- oder Unterbeständen.

Praxis-Tipp: Berechnen Sie für Ihre Top-100-Artikel den optimalen Sicherheitsbestand auf Basis der tatsächlichen Nachfrageschwankung (Standardabweichung der täglichen Verkäufe × Lieferzeit in Tagen × gewünschter Servicegrad). Vergleichen Sie das Ergebnis mit Ihren aktuellen ERP-Mindestbeständen — die Differenz zeigt Ihnen, wo unnötig Kapital gebunden ist.

3. Ladenhüter-Erkennung und Sortimentsbereinigung

Der dritte Hebel ist weniger glamourös, aber finanziell oft der wirkungsvollste: systematisch erkennen, welche Produkte sich nicht mehr drehen. Jeder Artikel, der länger als seine durchschnittliche Umschlagdauer im Lager steht, verursacht Kosten — Lagerplatz, Kapitalbindung, Abwertungsrisiko.

KI kann hier über einfache Lagerumschlags-Metriken hinausgehen und Muster erkennen: Artikel, deren Nachfrage kontinuierlich sinkt (Trend erkennen, bevor der Bestand zum Problem wird), oder Artikel, die nur in Kombination mit anderen gekauft werden und allein keinen Absatz finden.

Die Handlungsoptionen für identifizierte Ladenhüter sind klar: Abverkauf durch Preisreduktion, Bündelung mit Topsellern, Rückgabe an den Lieferanten (wenn vertraglich möglich) oder — als letzte Option — Abschreibung. Je früher ein Ladenhüter erkannt wird, desto mehr Optionen bleiben.

Shopware und Magento: Wo die Bestandsoptimierung andockt

Shopware 6 bietet über die Admin API vollen Zugriff auf Bestands- und Verkaufsdaten. Ein typischer Workflow: Ein täglicher Export der Verkaufsdaten per API, Verarbeitung durch ein Prognosemodell, und Rückschreibung der empfohlenen Nachbestellpunkte ins ERP oder direkt in Shopware. Der Flow Builder kann automatische Alerts generieren, wenn ein Artikel unter den berechneten Sicherheitsbestand fällt. Erweiterungen wie Pickware ERP bieten zusätzliche Lagerverwaltungsfunktionen, die sich mit externen Prognosetools verbinden lassen.

Magento 2 (Adobe Commerce) hat mit dem Multi-Source Inventory (MSI) ein ausgereiftes Lagerverwaltungssystem. Über die REST API lassen sich Bestandsdaten exportieren und Mindestbestände pro Quelle und Artikel aktualisieren. Adobe Commerce bietet mit Adobe Sensei zusätzliche Predictive-Features für Bestandsplanung. Für die Open-Source-Variante stehen Erweiterungen wie Magestore oder Akeneo PIM zur Verfügung, die Bestandsdaten mit externen Systemen synchronisieren.

Zum Budget: Die Kosten für eine KI-gestützte Bestandsoptimierung im KMU-Kontext liegen erfahrungsgemäß zwischen 200 und 1.500 Euro monatlich — abhängig davon, ob man auf SaaS-Tools (z. B. Inventory Planner, Lokad) oder eine eigene Lösung mit Cloud-ML-Diensten setzt. Bei einem Warenlagerbestand von 500.000 Euro kann bereits eine Bestandsreduktion um 10 % eine Kapitaleinsparung von 50.000 Euro bedeuten.

In fünf Schritten zur KI-gestützten Bestandsplanung

1. Daten exportieren: Verkaufsdaten der letzten 12-24 Monate pro Artikel (Datum, Menge, Umsatz), aktuelle Lagerbestände, Einkaufspreise und Lieferzeiten pro Lieferant.

2. ABC-Analyse erstellen: Kategorisieren Sie Ihr Sortiment nach Umsatzanteil (A = Top 20 %, B = mittlere 30 %, C = untere 50 %). Die KI-Prognose lohnt sich am meisten für A- und B-Artikel. C-Artikel können mit einfacheren Regeln gesteuert werden.

3. Pilot mit A-Artikeln: Erstellen Sie Nachfrageprognosen für Ihre Top-50-Artikel und vergleichen Sie die empfohlenen Bestellmengen mit Ihrer aktuellen Praxis. Messen Sie nach 8-12 Wochen Lieferfähigkeit und Bestandshöhe.

4. Ladenhüter identifizieren: Parallel zur Prognose: Exportieren Sie Ihren Bestand und berechnen Sie die Lagerreichweite pro Artikel (Bestand geteilt durch durchschnittlichen Tagesabsatz). Alles über 180 Tage verdient eine kritische Prüfung.

5. Automatisieren: Wenn der Pilot funktioniert, automatisieren Sie den Zyklus: täglicher Datenexport, wöchentliche Prognose-Aktualisierung, automatische Alerts bei Unter- oder Überbestand.

Vom Lager als Kostenstelle zum Lager als Wettbewerbsvorteil

Bestandsplanung wird in den meisten Online-Shops als operatives Thema behandelt — Einkauf bestellt nach, Lager verwaltet, fertig. Wer sie stattdessen als strategisches Thema begreift, gewinnt gleich dreifach: weniger gebundenes Kapital, weniger verlorener Umsatz durch Ausverkäufe und weniger Abschreibungen auf Ladenhüter.

Der Einstieg muss nicht teuer oder komplex sein. Oft reicht eine ABC-Analyse, ein Forecasting-Tool für die Top-Artikel und ein monatlicher Review der Lagerreichweiten, um den ersten messbaren Effekt zu erzielen. Die KI übernimmt die Rechenarbeit — die strategischen Entscheidungen bleiben dort, wo sie hingehören: beim Team, das den Markt und die Kunden kennt.