Blogartikel
Präzisere Bestellvorschläge: Wie Sie manuelle Nachbearbeitung vermeiden
Wenn Beschaffung und Produktion nicht mehr mit dem tatsächlichen Bedarf überein-stimmen, bergen künstlich erhöhte Bestellvorschläge Risiken, Lagerkapazität zu blockieren und Liquidität in totem Bestand zu binden. Sind sie zu niedrig, sinkt das Servicelevel und die Kundenzufriedenheit. Konsequente Datenpflege, strukturelle Anpassungen oder Software-gestützte Bedarfsplanung können helfen, diese Verzerrungen zu vermeiden.
Fehlende Genauigkeit in der Berechnung von Bestellvorschlägen führt in erster Linie zu Frustrationen und erhöhtem Zeitaufwand für Disponenten, die sich mit der manuellen Korrektur befassen müssen. Die wirtschaftlichen Folgen für Unternehmen sind aber deutlich weitreichender als nur der erhöhte Personaleinsatz: Kapitalbindungen, Fehlmengen und Zeitverlust.
Die Gründe für ungenaue Berechnungen lassen sich dabei selten an einer einzelnen Stellschraube festmachen. Sie reichen von stark operativ geprägten Handlungsfeldern wie der Optimierung von ERP-Systemen bis hin zu systemischen Schwächen wie der abteilungsübergreifenden Abstimmung. In diesem Beitrag wollen wir uns dem Problem aus unterschiedlichen Perspektiven nähern und Hilfestellung zur Bewältigung dieser Herausforderungen leisten.
Die operativen Ursachen für ungenaue Bestellvorschläge
Um laufenden Nachbesserungen vorzubeugen und dauerhaft stabile Prognosen zu erreichen, kann ein verstärkter Fokus auf die Datenpflege, durchdachte Strukturen in ERP-Systemen oder die bessere Berücksichtigung von saisonalen und Einmaleffekten helfen.
Veraltete oder fehlerhafte Stammdaten
Datenqualität und die darauf basierende Planungsqualität zählen zu den häufigsten operativen Schwachstellen die mittelständischen Unternehmen im DACH-Raum für sich selbst identifizieren, wie die Triple Transformation Studie des BVL bereits 2024 belegt.
Stammdaten, die im ERP-System dauerhaft gespeicherte Datenbasis zu Artikeln, Lieferanten oder Lagerorten bildet die Grundlage Ihrer Bestellvorschläge. Aber sind Daten wie Mindestbestellmengen, Lieferzeiten oder Maßeinheiten falsch gepflegt oder veraltet wirkt sich das nachhaltig auf Bestellvorschläge aus. Weist ein im System eingetragener Lieferant beispielsweise eine Wiederbeschaffungszeit, also die Zeitspanne zwischen Bestellung und Wareneingang, von 14 Tagen auf, tatsächlich liefert er aber seit einem Jahr innerhalb von 7 Tagen, wird der Bestellvorschlag zu früh ausgelöst und der Bestand läuft über.
Falsch kalibrierte Dispositionsparameter
Neben fehlerhaften Stammdaten finden sich Fehler oft auch in den verwendeten Dispositionsparametern. Sind Melde- und Sicherheitsbestand falsch kalibriert, kann sich dies schnell in hohem Fehlmengenrisiko, oder im anderen Extrem, in hoher Kapitalbindung niederschlagen. Oft liegen die Gründe für fehlerhafte Kalibrierung an der fehlenden Pflege der Parameter. Werden sie einmal, während der Einführung eines ERP-Systems, gesetzt und nicht regelmäßig überprüft kann nicht auf Änderungen in Nachfragemustern, Lieferantenperformance oder Anpassungen am Sortiment reagiert werden.
Saisonalitäten und Sondereffekte in der Bedarfsplanung
Auch wenn Stammdaten gepflegt und Dispositionsparameter aktuell sind, können gängige Praktiken, die in ERP-Systemen für Prognosen angewendet werden, Bestellvorschläge verzerren. Die wohl gängigste Methode für Vorhersagen ist die Verwendung von einfachen gleitenden Durchschnittswerten. Soll die Nachfrage eines Produkts für den kommenden Monat prognostiziert werden, wird einfach auf einen Durchschnittswert der, beispielsweise, letzten drei Monate zurückgegriffen. Während dieses Modell für das laufende Geschäft stabile Daten liefern kann, werden Sondereffekte oder Saisonalitäten kaum berücksichtigt. Saisonalitäten verschwinden und Anomalien wie Aktionen, Neuprodukteinführungen oder einmalige Großbestellungen können die Datenbasis so sehr verzerren, dass Bestellvorschläge laufend überhöht sind.
Bessere Bestellvorschläge durch optimierte Strukturen
Während es sich bei den oben beschriebenen Ursachen um operative Herausforderungen handelt, die Disponenten Zeit und Nerven kosten, sind es oft tieferliegende Probleme auf organisatorischer Ebene, die es zu beheben gilt. Der fehlende Informationsfluss zwischen Abteilungen und nicht vorhandene oder unklar definierte S&OP-Prozesse können hier ebenso negativen Einfluss auf Prognosegenauigkeit nehmen wie die Wahl der falschen Prognosemodelle. Daher gilt es nicht nur die operativen Symptome zu behandeln, sondern grundlegende Probleme auf der Planungsebene zu lösen.
Sind die Daten vollständig?
Die besten Dispositionsmodelle können keine guten Vorschläge liefern, wenn die zugrundeliegende Datenbasis unvollständig oder inkonsistent ist. Daten werden damit nicht nur zur Grundlage von Prozessen sondern, wie es das Fraunhofer IML in seinem Bericht „Bedeutung von Daten im Zeitalter der Digitalisierung“ folgerichtig betont, zum Prozessbefähiger. Fehlende Verkaufshistorie, nicht gebuchte Retouren, unvollständige Stücklisten oder falsche Artikelklassifikationen werden dabei schnell zu blinden Flecken in der Disposition und fließen nicht mehr in Prognosen und Bestellvorschläge ein. Oft zeigt sich dabei, dass es nicht nur die fehlende Pflege von Daten und Kalibrierung der relevanten Parameter sind, die den Unterschied für genaue Vorhersagen machen, sondern enge Abstimmung aller Beteiligten und die Auswahl von Modellen und Technologien, die auf die eigenen Bedürfnisse abgestimmt sind.
Fehlende Abstimmung zwischen allen Beteiligten
Plant der Vertrieb eine Herbstaktion, die Disposition erhält die Information aber erst eine Woche vor Aktionstermin wird deutlich, dass Abteilungen ohne gemeinsamen Planungsrhythmus aneinander vorbeiarbeiten. Um bessere Abstimmung zu erreichen kann die Einführung eines gut strukturierten S&OP Prozesses, also der regelmäßigen, formalisierten Abstimmung zwischen Vertrieb, Einkauf und Produktion, helfen. Diese wirkt internen Informationssilos entgegen und Hinweisen zu bevorstehenden Aktionen, Großaufträgen und Sortimentsänderungen werden an die richtigen Schnittstellen im Unternehmen weitergegeben. So hebt auch die Studie „Supply Chain Planning 2026“ der renommierten Boston Consulting Group hervor, dass Systeme und technische Hilfsmittel alleine nicht ausreichen, um die Qualität von Vorhersagen zu verbessern, wenn die grundlegenden Strukturen zum Austausch von Informationen im Unternehmen nicht vorhanden sind.
Nicht alle Artikel sind gleich zu behandeln
Sind vorhandene Daten vollständig und gut gepflegt, kann immer noch die Wahl des passenden Prognosemodells den Unterschied zwischen Erfolg und Misserfolg ausmachen. Ein gutes Beispiel hierfür ist die Anwendung von ABC-XYZ-Analysen zur Klassifizierung von Artikeln. Haben Artikel hohe Umsatzbedeutung (A) oder sind sie für das Unternehmen weniger wichtig (C)? Lässt sich der Absatz gut vorhersagen (X) oder handelt es sich um unregelmäßige, sporadische Absätze (Z)? Wird auf einen C/Z-Artikel mit geringer Bedeutung und unregelmäßigen Bedarf das gleiche Prognosemodell wie für einen A/X-Artikel mit hoher Bedeutung und stabilem Bedarf angewendet führt das unweigerlich zu entweder Überbeständen oder Fehlmengen.
Die bisher beschriebenen Fälle sind nur einige von möglichen Stolpersteinen bei der Erstellung valider Bestellvorschläge. Aber alle sind vermeidbar, wenn Daten, Prozesse und Technologie in Einklang gebracht werden.
Daten, Prozesse und Software: Wo Sie beginnen können
Kein Unternehmen wird eine einzelne Lösung finden, die alle Schwachstellen in der eigenen Bedarfsplanung eliminiert. Aber mit, teils einfachen, Anpassungen in den Bereichen Datenpflege, Prozessoptimierung und Technologie, am besten in dieser Reihenfolge, lassen sich gut messbare Fortschritte in der Verbesserung von Prognosequalität und Bestellvorschlägen erreichen.
Regelmäßige Pflege von Stammdaten und Parametern
Wie regelmäßig die Daten in ERP-Systemen kontrolliert und gepflegt werden können, ist stark von der Größe der vorhandenen Datensätze abhängig. Hoch spezialisierte Unternehmen mit kleinem Sortiment werden hier kaum vor Herausforderungen stehen. Gilt es aber hunderte oder tausende Artikel zu kontrollieren, werden Disponenten ohne klares Konzept zur Datenbereinigung schnell an ihre Grenzen geraten.
Ein möglicher Ansatz ist wieder die Anwendung der ABC-Analyse, da sie bereits festlegt, welche Artikel mehr oder weniger relevant für ein Unternehmen sind. Für A-Produkte können kürzere Wartungsintervalle, beispielsweise halbjährlich, festgelegt werden, während andere Artikel nur jährlich kontrolliert werden. Zudem ist es sinnvoll, Checklisten einzuführen, die klar definieren, was kontrolliert werden soll, um ein effizientes Abarbeiten der Artikel zu ermöglichen. Ist die Wiederbeschaffungszeit noch aktuell? Haben sich die Mindestbestellmengen verändert oder entspricht der Sicherheitsbestand nicht mehr dem aktuellen Verbrauchsverhalten?
Strukturierte S&OP Prozesse auch im Mittelstand
Strukturierte und regelmäßige Abstimmung zwischen Abteilungen ist nicht nur Großunternehmen vorbehalten. Besonders in mittelständischen Unternehmen fühlen sich Mitarbeiter, allein schon durch die räumliche Nähe, enger abgestimmt. Kurze Gespräche in der Kaffeeküche oder ein Austausch in der Mittagspause ersetzen aber selten dezidierte Planungsrunden, in denen alle relevanten Abteilungen präsent sind.
Die Einführung dieser Prozesse darf auch nicht als Großprojekt verstanden werden. Oft reicht es, monatlich eine Stunde für abteilungsübergreifende Abstimmungstreffen mit Vertrieb, Einkauf und Produktion zu reservieren, um bekannte Sondereffekte wie Großbestellungen oder Aktionen zeitgerecht an die Disposition zu kommunizieren. Auch können geteilte Dokumente helfen, allen Beteiligten Zugang zu wichtigen Informationen und laufenden Entwicklungen zu geben.
Software hilft: Aber erst wenn die Grundlagen stimmen
Stoßen ERP-Lösungen trotz gepflegter Daten und strukturiertem S&OP an ihre Grenzen, kann spezialisierte Software helfen, die Prognosegenauigkeit zu erhöhen und präzisere Bestellvorschläge zu generieren. Moderne Lösungen können automatisch das passende Prognosemodell je Artikelcharakter wählen, Parameter dynamisch anpassen oder frühzeitig Warnmeldungen bei Planabweichungen abgeben. Zudem können sich, insbesondere KI-basierte Anwendungen zur Absatzplanung, die die Grundlage für genaue Bestellvorschläge schaffen, deutlich besser an Sondereffekte wie Saisonalitäten, Aktionen oder Großbestellungen anpassen und nach entsprechenden Lernphasen genauere Prognosen liefern.
Aber: Technologie und der Einsatz von künstlicher Intelligenz allein löst das Planungsproblem nicht. Vor der erfolgreichen Einführung müssen Grundlagen geschaffen werden. Die Informationsflüsse zwischen Abteilungen müssen hergestellt werden und die Daten müssen aktuell und gepflegt sein. Nur so kann Software einen tatsächlichen Mehrwert und präzise Ergebnisse liefern.
Fazit: Schritt für Schritt die Prognosegenauigkeit verbessern
Die Qualität von Bestellvorschlägen lässt sich meist nicht über Nacht verbessern. Optimierungen sollten als Prozess verstanden werden, mit denen man sich Schritt für Schritt auseinandersetzen kann. Werden die Grundlagen in der Datenbasis geschaffen, kann über Prozessoptimierung nachgedacht werden. Sind die Prozesse funktional und gut abgestimmt, kann der Einsatz neuer Technologien diskutiert werden.
Ebenso gibt es für die unterschiedlichen Problemfelder selten eine einzige, langanhaltende Lösung. Viel mehr müssen alle Abschnitte der Lieferkette laufend auf Verbesserungen geprüft werden, um nachhaltigen Erfolg sicherzustellen.
Weiterführende Quellen:
FAQs
Welche wirtschaftlichen Konsequenzen hat eine ungenaue Bestellvorschlagsberechnung?
Die Folgen gehen weit über den erhöhten Zeitaufwand für manuelle Korrekturen hinaus. Zu hohe Bestellvorschläge blockieren Lagerkapazität und binden Liquidität in totem Bestand. Zu niedrige Bestellvorschläge senken das Servicelevel und gefährden die Kundenzufriedenheit. Hinzu kommen Kapitalkosten, Fehlmengen und der Personaleinsatz für laufende Nachkorrekturen.
Warum reicht es nicht, Stammdaten einmalig bei der ERP-Einführung zu hinterlegen?
Weil sich Lieferantenperformance, Sortiment und Nachfragemuster über die Zeit verändern und das System davon nichts weiß, solange niemand die Daten aktualisiert. Ein Beispiel: Ist im System eine Wiederbeschaffungszeit von 14 Tagen hinterlegt, liefert der Lieferant aber seit einem Jahr innerhalb von 7 Tagen, löst das ERP Bestellvorschläge systematisch zu früh aus und der Bestand läuft über. Dasselbe gilt für Mindestbestellmengen, Maßeinheiten und Sicherheitsbestände, die bei der Einführung einmalig gesetzt und seitdem nie überprüft wurden.
Warum verfälschen gleitende Durchschnittswerte die Bestellvorschläge bei saisonalen Artikeln?
Weil gleitende Durchschnittswerte ausschließlich auf den vergangenen Zeitraum zurückschauen und strukturell keine Sondereffekte oder Saisonalitäten berücksichtigen. Kurz vor einer Hochsaison liegt der Durchschnitt noch auf Normalverbrauchsniveau, der Vorschlag ist zu niedrig. Direkt danach sind die Spitzenwerte noch im Durchschnitt enthalten, der Vorschlag ist zu hoch. Einmalige Ereignisse wie Aktionen, Neuprodukteinführungen oder Großbestellungen verzerren die Datenbasis zusätzlich und führen zu dauerhaft überhöhten Vorschlägen.
Was ist ABC-XYZ-Analyse und warum ist die falsche Artikelklassifikation so folgenreich?
Die ABC-XYZ-Analyse ordnet Artikel nach zwei Kriterien: Umsatzbedeutung (A hoch, C gering) und Vorhersagbarkeit des Bedarfs (X gleichmäßig, Z sporadisch). Daraus ergibt sich, welches Prognosemodell für einen Artikel gilt. Wird auf einen C/Z-Artikel mit geringer Umsatzbedeutung und unregelmäßigem Bedarf dasselbe Modell wie auf einen A/X-Artikel mit stabiler, gut prognostizierbarer Nachfrage angewendet, führt das unweigerlich zu Überbeständen oder Fehlmengen. Die Klassifikation bestimmt die Dispositionsstrategie, eine falsche Zuordnung hat deshalb Konsequenzen für alle Artikel der betroffenen Klasse.
Wie lässt sich die regelmäßige Datenpflege in einem größeren Sortiment effizient organisieren?
Mit einer nach Artikelrelevanz gestuften Wartungslogik. A-Artikel, also die umsatzstärksten und bestandskritischsten Produkte, werden halbjährlich überprüft, B- und C-Artikel mindestens jährlich. Ergänzend helfen Checklisten, die klar definieren, welche Parameter bei jeder Kontrolle geprüft werden sollen: Ist die Wiederbeschaffungszeit noch aktuell? Haben sich Mindestbestellmengen verändert? Entspricht der Sicherheitsbestand noch dem aktuellen Verbrauchsverhalten? So lässt sich auch ein großes Sortiment schrittweise und ohne vollständiges Datenprojekt in Ordnung bringen.
Was ist ein S&OP-Prozess und welche Mindestanforderungen gelten für mittelständische Unternehmen?
S&OP steht für Sales & Operations Planning und bezeichnet die regelmäßige, formalisierte Abstimmung zwischen Vertrieb, Einkauf und Produktion. Ziel ist es, planungsrelevante Informationen wie bevorstehende Aktionen, Großbestellungen oder Sortimentsänderungen rechtzeitig an die Disposition weiterzugeben, statt sie erst kurz vor dem Ereignis zu kommunizieren. Für mittelständische Unternehmen reicht ein niedrigschwelliger Einstieg: eine monatliche Runde von einer Stunde, in der alle relevanten Abteilungen vertreten sind. Geteilte Dokumente können ergänzend sicherstellen, dass alle Beteiligten laufend Zugang zu wichtigen Informationen haben.
Wann ist der richtige Zeitpunkt für spezialisierte Planungssoftware und was kann sie leisten?
Spezialisierte Software ist sinnvoll, wenn das ERP trotz gepflegter Stammdaten und funktionierendem S&OP-Prozess weiterhin schlechte Vorschläge für bestimmte Artikelgruppen liefert. Moderne Lösungen können automatisch das passende Prognosemodell je Artikelcharakter wählen, Parameter dynamisch anpassen und frühzeitig bei Planabweichungen warnen. KI-basierte Anwendungen passen sich zudem besser an Sondereffekte wie Saisonalitäten oder Großbestellungen an. Der entscheidende Vorbehalt: Technologie löst das Planungsproblem nicht, wenn die Grundlagen fehlen. Ohne gepflegte Daten und strukturierte Informationsflüsse zwischen Abteilungen liefert auch die beste Software keine präzisen Ergebnisse.
