Ausgangslage: Der doppelte Verlust durch Bauchgefühl-Disposition
Mittelständische Filialisten stehen unter wachsendem Margendruck: Online-Wettbewerb, gestiegene Energiekosten, Mindestlohn-Effekte auf die Personalkosten. Gleichzeitig verfügen viele Häuser noch über eine Bedarfsplanung, die auf Erfahrungswerten der Filialleiter und Vorjahresvergleichen basiert. Bei unserem Kunden, einem regionalen Filialhandel im Lebensmittel- und Drogeriebereich mit 45 Filialen, hat das zu einem doppelten Verlust geführt — über 800.000 Euro jährliche Abschreibungen auf der einen Seite, kalkulatorische Umsatzeinbußen durch Out-of-Stock-Situationen auf der anderen.
Die strukturelle Schwäche der manuellen Disposition liegt nicht in der Erfahrung der Filialleiter, sondern in ihrer kognitiven Grenze. Ein durchschnittliches Sortiment umfasst mehrere tausend SKUs. Saisonalität, Wetter, lokale Events und Promotional-Wirkungen lassen sich auf dieser Ebene nicht mehr im Kopf modellieren — selbst nicht von erfahrenen Köpfen.
Vorgehen: Vom historischen Vorjahr zum Echtzeit-Forecast
Wir haben das Projekt nicht als Software-Rollout, sondern als Veränderungsprojekt aufgesetzt. In Woche eins haben wir mit der Supply-Chain-Leitung die Schmerzpunkte priorisiert: Welche Warengruppen führen am häufigsten zu Abschreibungen, welche zu Out-of-Stock? Wo liegt das größte Volumen? Welche externen Effekte (Wetter, Schulferien, lokale Märkte) hat die manuelle Disposition systematisch übersehen?
Aus diesem Schmerzpunkt-Mapping ist ein Pilot mit drei Warengruppen entstanden — Frische, Aktionsware und promotional-getriebene Artikel. Nach acht Wochen lief die erste Prognose im Schatten-Modus mit, nach zwölf Wochen wurden die ersten Bestellvorschläge an die Filialleiter ausgespielt — mit Override-Option und Feedback-Loop.
Lösungsdetails: Drei Schichten zwischen Verkaufsdaten und Bestellvorschlag
Technisch besteht das System aus drei Schichten. Die unterste Schicht ist eine Daten-Pipeline in Azure Data Factory, die täglich Verkaufsdaten aus dem SAP-Warenwirtschaftssystem, Wetterdaten, lokale Veranstaltungskalender und Promotional-Kalender konsolidiert. Saubere Daten sind hier die Voraussetzung — historische Aktions- und Listungs-Wechsel mussten retrospektiv normalisiert werden.
Die zweite Schicht ist die Prognose-Engine in Azure Machine Learning. Pro Filiale und Artikel läuft ein Forecasting-Modell, das Saisonalität, Promotional-Lift, Wetter-Sensitivität und Kannibalisierungseffekte zwischen ähnlichen Artikeln berücksichtigt. Der Planungshorizont beträgt 14 Tage, der gemessene MAPE liegt artikelabhängig zwischen 8 und 18 Prozent.
Die dritte Schicht ist die operative Integration in Power BI. Bestellvorschläge fließen automatisch in das SAP-Bestellsystem, die Filialleiter sehen pro Artikel den Vorschlag, die zugrundeliegende Erwartungsmenge und einen Confidence-Range. Sie behalten die Override-Entscheidung — diese Overrides fließen als Feedback ins Modell zurück.
Ergebnisse-Vertiefung: Was die KPIs nicht zeigen
Die Headline-Kennzahlen — 35 Prozent weniger Überbestände, 97 Prozent On-Shelf-Availability, ROI in unter sechs Monaten — sind robust, aber sie zeigen nicht den eigentlichen Effekt. Zwei Sekundärwirkungen tauchen erst nach drei Quartalen auf.
Erstens: Die Filialleiter haben Zeit. Stunden, die früher in das Studium von Bestellempfehlungen und Rückfragen flossen, gehen heute in Kundeninteraktion und Personalführung. Die Mitarbeiterzufriedenheit ist messbar gestiegen. Zweitens: Das Einkaufsteam in der Zentrale verhandelt besser. Wer den eigenen Bedarf 14 Tage im Voraus auf Artikelebene kennt, kann Volumen-Tranchen und Promotion-Slots gezielter mit Lieferanten verhandeln.
Lessons Learned: Was wir beim nächsten Mal anders machen würden
Drei Erkenntnisse haben wir mitgenommen. Erstens: Daten-Hygiene ist die teuerste und unsichtbarste Vorarbeit. Drei der fünf Monate Projektdauer gingen in die retrospektive Normalisierung historischer Datenfehler — Aktions-Wechsel, Sortimentslistungen, Stammdaten-Brüche. Beim nächsten Projekt würden wir die Daten-Qualität bereits in der Angebotsphase erheben.
Zweitens: Filialleiter müssen früh am Bord sein. Wir haben den Pilot bewusst mit drei Filialen begonnen, deren Leiter offen für KI waren — das hat den Roll-out vereinfacht. Drittens: Das Modell ist nie fertig. Wetter-Sensitivitäten, Promotional-Effekte und Verbrauchermuster verändern sich — kontinuierliches Re-Training und Monitoring sind Betriebskosten, kein Projekt-Endzustand.
Übertragbarkeit: Vom Bedarfs-Tool zum Operating-Model
Was als Disposition-Hebel begann, hat sich zur Daten-Backbone für den gesamten Vertrieb entwickelt. Die gleichen Prognosen treiben heute die Personaleinsatzplanung in den Filialen, die Promotion-Planung mit Lieferanten und sogar die Standortwahl für neue Filialen.
Für mittelständische Handelsketten ist das eine neue Wettbewerbsdimension: Wer einmal in eine eigene Prognose-Plattform investiert, kann die Tiefe eines Discounter-Hauses mit der Sortimentsvielfalt des Mittelstands kombinieren — ohne die Skalen-Nachteile, die mittelständische Häuser bislang ausgebremst haben.