Blogartikel
Automatische Disposition im GFGH: Bestellvorschläge skalieren ohne neue Stellen
Im April fängt es an. Ein Disponent bearbeitet täglich rund 20 Bestellungen. Im Juli sind es 50. Personell ändert sich nichts. Eine zweite Vollzeitstelle ist nicht finanzierbar, ein ERP-Wechsel mitten in der Saison nicht sinnvoll. Was sich ändern muss, ist nicht die Personalstärke und nicht das System. Es ist die Arbeitsteilung zwischen beiden.
Wein-Bestellung am Donnerstag, Spirituosen am Freitag, der Aperol-Lieferant ist überraschend ausverkauft, das Gastrokonto in Vorarlberg ruft an. So sieht ein typischer Tag in der Beschaffung eines Getränkefachgroßhändlers (GFGH) aus. Das Bestellvolumen ist in der Saisonspitze zweieinhalbmal so hoch wie im Normalbetrieb, branchentypisch von rund 20 auf bis zu 50 Bestellungen pro Tag. Die Personalstärke bleibt gleich. Laut BVL-Trendstudie 2025/26 sieht ein erheblicher Teil mittelständischer Logistikbetriebe Automatisierungspotenzial in der operativen Planung, ohne es bisher zu heben. Dieser Artikel zeigt, wo manuelle Disposition strukturell überfordert ist, was automatische Disposition im GFGH konkret bedeutet, und welche Voraussetzungen erfüllt sein müssen, bevor Bestellvorschläge automatisiert werden können.
Warum 50 Bestellungen pro Tag mit manueller Disposition nicht skalieren
Das Skalierungsproblem ist kein Kompetenzproblem. Ein erfahrener GFGH-Disponent kennt sein Sortiment besser, als jede Datenbank es im ersten Trainingsdurchlauf könnte. Die entscheidende Frage ist nicht, was er weiß, sondern wann er es anwenden kann. In der Saison lautet die Antwort: nicht oft genug. Drei Mechanismen erklären, warum manuelle Disposition bei steigendem Volumen nicht mitskaliert.
Wenn das Wissen da ist, aber die Zeit fehlt
Ein Disponent im inhabergeführten GFGH kennt seine 3.000 bis 8.000 SKUs (Stock Keeping Units) nicht aus der Datenbank. Er kennt sie aus der Praxis: welche Bier-Kategorie bei welchem Wetter anzieht, welche Spirituosen-Lieferanten bei Feiertagen Lücken in der Lieferkette haben, welche Wein-Kategorien zwischen Mai und September systematisch anziehen.
Dieses Wissen ist betrieblich wertvoll und wird in der Saison nahezu unbrauchbar. Nicht weil es falsch wäre, sondern weil die Zeit fehlt, es pro Artikel anzuwenden. Wer 50 Bestellvorschläge an einem Vormittag bearbeitet, hat im Durchschnitt unter zwei Minuten pro Bestellung, inklusive Lieferantenkontakt und Vertriebsrückfrage. Das reicht für eine plausible Mengenschätzung. Es reicht nicht für die ehrliche Anwendung des eigenen Wissens.
Das Paradox: Je besser der Disponent, desto unverzichtbarer wird er, desto stärker konzentriert sich aber auch das betriebskritische Wissen in einer einzigen Person. Wissen, das nicht im System hinterlegt ist, skaliert nicht. Es wandert mit dem Disponenten in den Urlaub, in die Krankheit, ins nächste Unternehmen.
Die Fraunhofer-IML-Forschung zur dynamischen Bestandsdisposition ordnet dieses Muster nicht als individuelles Versagen ein, sondern als strukturelle Konsequenz der Methode.
Die Prüffrage: Wie viele Minuten hat Ihr Disponent in der Saisonspitze pro Bestellung, und wie viele bräuchte er, um sein eigenes Wissen tatsächlich einzubringen?
Wenn Zeitdruck Bestellmuster erzeugt, die niemand bewusst wählen würde
Unter Zeitdruck entstehen Entscheidungen, die niemand willentlich trifft. Zwei davon dominieren: pauschale Sicherheitspuffer bei Renner-Artikeln, weil ein Out-of-Stock im Gastrobereich teurer wirkt als ein zusätzlicher Tag Lagerumschlag. Konservative Übernahme der Vorperiode bei Trend- und Saisonartikeln, weil die Risikoaversion mit der Unsicherheit wächst. Beide Muster zusammen erzeugen das Doppelproblem aus Überbestand und Fehlmenge, dass jeden Oktober erneut sichtbar wird.
Im GFGH zeigt sich diese Doppelung besonders in drei Kategorien: Wein, Sekt und Spirituosen. Die Forecasting-Schwäche ist hier strukturell, nicht zufällig. Die Absatzmuster hängen an Veranstaltungen, an Trends, an Wochenendwetter, und die Wiederbeschaffungszeiten bei spezialisierten Lieferanten sind länger als bei Standardbier. Branchentypisch entstehen in genau diesen Kategorien Out-of-Stock-Raten, die deutlich über dem Sortimentsdurchschnitt liegen.
Der Schaden ist selten nur finanziell. Wenn ein Gastrokunde am Donnerstag vor einem langen Wochenende den bestellten Sekt nicht bekommt, kostet das nicht nur die Marge dieser Bestellung. Es verschiebt das Vertrauen für die nächste Saison.
Die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung beschreibt diese systematischen Fehlmuster als typische Resultate manueller Planung bei hoher Sortimentskomplexität.
Die Prüffrage: In welchen Sortimentskategorien häufen sich bei Ihnen die Reklamationen, und wo stehen jeden Oktober Bestände, die unter Druck abverkauft werden müssen?
Wenn die Disposition nur eine Krankheit weit entfernt ist
Inhabergeführte GFGH-Betriebe arbeiten in der Beschaffung typischerweise mit einer Personalstärke eines Hauptverantwortlichen und einer Vertretung. Im Normalbetrieb funktioniert das. In der Saison wird daraus ein Risiko, das selten ausgesprochen wird: Was passiert, wenn die Hauptperson Anfang Juli zwei Wochen krank ist?
Die Vertretung kann Bestellungen abarbeiten, sie kann Mengen schätzen, sie kann mit Lieferanten verhandeln. Sie kann nicht das akkumulierte Wissen über Saisonverläufe, Kundenbesonderheiten und Lieferantenrhythmen ersetzen, das ihr Kollege seit zehn oder fünfzehn Jahren mit sich trägt. Was sie dafür auffangen muss, sind die Wochen, in denen jeder Fehler direkt in eine Lieferreklamation übersetzt wird.
Hinzu kommt eine Konsequenz, die in der Personalbilanz nicht auftaucht, aber im Unternehmensleben sehr wohl: Urlaub im Saisonpeak ist für den Hauptdisponenten faktisch nicht möglich. Das ist kein individuelles Pech. Es ist die strukturelle Folge einer Methode, die für Vertretungen nicht dokumentiert ist und nicht skaliert.
Die Prüffrage: Kann Ihr Betrieb zwei Wochen Ausfall des Hauptdisponenten in der Saisonspitze ohne erkennbaren Qualitätsverlust überbrücken? Wenn die Antwort zögert, hängt die operative Sicherheit an einer Person, nicht an einem Prozess.
Was automatische Disposition im GFGH bedeutet und was nicht
Automatische Disposition heißt nicht, dass ein Algorithmus Entscheidungen trifft, die der Disponent nicht prüfen kann. Sie heißt, dass die Arbeitsteilung zwischen System und Mensch klar geregelt wird. Das System übernimmt die Rechenarbeit, der Disponent behält das Urteil. Drei Eigenschaften definieren, was eine automatische Disposition im GFGH-Saisongeschäft konkret leisten muss.
Das System rechnet, der Disponent entscheidet
Management by Exception ist das Leitprinzip einer skalierenden Disposition. Der Begriff stammt aus der Steuerungstheorie und beschreibt ein einfaches Muster: Der Mensch greift nur dort ein, wo das System Grenzen überschreitet. Standardvorgänge laufen ohne menschliche Prüfung jedes Einzelartikels.
Im GFGH-Alltag heißt das konkret: Statt 50 Bestellvorschläge artikelweise zu kalkulieren, sieht der Disponent 50 vorberechnete Vorschläge. Davon tragen typischerweise fünf bis acht ein Warnsignal: ungewöhnliche Mengen, abweichendes Saisonverhalten, Lieferantenkonditionen, die nicht zum letzten Auftrag passen. Diese fünf bis acht prüft er. Die restlichen 42 sind bereits freigegeben, weil das System sie innerhalb definierter Bandbreiten kalkuliert hat.
Das Ergebnis ist nicht weniger Verantwortung, sondern andere Verantwortung. Der Disponent entscheidet weiterhin, was bestellt wird, aber nicht mehr jeden Vorgang einzeln. Er konzentriert sich auf die Ausnahmen, in denen sein Urteil tatsächlich gebraucht wird. Wer tiefer in das Prinzip einsteigen will, findet im Artikel zu Bestellvorschlägen ohne manuelle Nachbearbeitung eine praktische Vertiefung.
Die Fraunhofer-IML-Forschung zur dynamischen Bestandsdisposition beschreibt dieses Prinzip als die zentrale methodische Voraussetzung dafür, dass operative Planungsprozesse mit komplexen, saisonal überlagerten Sortimenten überhaupt mit dem Bestellvolumen mitwachsen können.
Wetter und Veranstaltungen als Systeminput, nicht als Bauchgefühl
Eine manuelle Disposition berücksichtigt Wetter und Veranstaltungen in der Saison ungefähr in dem Umfang, in dem der Disponent sie im Kopf hat. Das funktioniert für die offensichtlichen Großereignisse: Volksfeste, Public Viewing bei Fußball-Turnieren, lokale Stadtfeste, der erste warme Mai-Donnerstag. Es funktioniert nicht für die Feinplanung. Wie viele Paletten Weißbier zusätzlich, wenn die Wettervorhersage von 22 auf 28 Grad korrigiert wird? Wie früh muss bestellt werden, damit die Ware vor dem Stadtfest am Donnerstag rechtzeitig im Lager steht?
Automatische Disposition macht aus diesen Bauchgefühl-Faktoren strukturierte Systeminputs. Wetterdaten werden zu quantitativen Planungstreibern für wetterabhängige Kategorien wie Bier und AFG (alkoholfreie Getränke). Veranstaltungskalender werden zu kalendarischen Ereignissen mit definierten Vorlaufzeiten je Lieferant. Trendgetränke und Craft-Beer-Segmente bekommen einen eigenen Planungsrhythmus, der nicht mit dem Standardsortiment vermischt wird.
Das macht das Wissen des Disponenten nicht überflüssig. Es macht es übertragbar. Was bisher in seinem Kopf war, ist im System dokumentiert und für Vertretungen zugänglich. Mehr dazu im Artikel zu Wetterprognose und Getränkeabsatz im GFGH.
Die Prüffrage: Fließen Wetterdaten und Veranstaltungskalender heute systematisch in Ihre Bestellvorschläge ein, oder bleiben sie Informationen, die der Disponent im Kopf bilanziert?
Das bestehende ERP bleibt, nur die Berechnung kommt von außen
Der häufigste Einwand im inhabergeführten GFGH gegen Automatisierungsprojekte ist nicht technisch und nicht finanziell. Er ist organisatorisch: Wir haben gerade kein Budget für ein neues ERP. Unser bestehendes System funktioniert. Wir können nicht parallel zur Saison ein IT-Großprojekt aufsetzen.
Diese drei Sätze sind alle richtig, und keiner davon ist ein Argument gegen automatische Disposition. Denn automatische Disposition setzt keinen ERP-Wechsel voraus. Sie funktioniert als Ergänzung zum bestehenden System. Das Dispositionssystem liest Abverkaufs Daten und Lagerbestände aus dem ERP, berechnet Bestellvorschläge auf dieser Datenbasis und spielt sie ins bestehende System zurück. Der Disponent arbeitet weiter in seinem gewohnten Bestellinterface. Die Vorschläge erscheinen im Format, das sein System kennt.
Technisch ist das ein klar abgrenzbarer Aufwand: Lese-Zugriff auf Abverkaufs- und Bestandsdaten, Schreib-Zugriff für das Rückspielen der Bestellvorschläge, meistens über eine API oder einen strukturierten Datei-Export. Kein Systemwechsel, kein paralleler Datenbetrieb, kein mehrmonatiges Implementierungsprojekt.
Was Sie brauchen, bevor automatische Disposition funktioniert
Automatische Disposition ist kein Plug-and-Play. Drei Voraussetzungen müssen erfüllt sein, bevor die ersten Bestellvorschläge im System einlaufen. Keine davon erfordert einen Systemwechsel, keine ein IT-Großprojekt. Aber alle drei verlangen Vorarbeit. BCG (2026) zeigt, dass Automatisierungsprojekte selten an der Technologie scheitern. Sie scheitern an unklarer Datenbasis und an Prozessparametern, die nicht zum aktuellen Geschäft passen. Beides lässt sich mit dem prüfen, was im ERP bereits vorhanden ist.
Zwei Jahre Verkaufshistorie, mit den Lücken die da sind
Die Grundlage jeder automatischen Disposition ist die Absatzhistorie auf Artikelebene. Mindestanforderung: zwei bis drei Jahre Abverkaufs Daten je SKU. Vollständig lückenlos müssen die Daten nicht sein. Lücken sind im GFGH die Regel, weil saisonale Artikelstatuswechsel, unmarkierte Out-of-Stock-Perioden und Aktionspreise jede Absatzkurve verzerren.
Wichtig ist nicht die makellose Datenbasis. Wichtig ist die Kenntnis der Lücken. Wo wurde ein Wein-Artikel im Winter delistet und im Frühjahr reaktiviert? Welche Out-of-Stock-Periode hat die Nachfrage künstlich auf null gesetzt, obwohl der Bedarf weiter bestand? Welche Aktion hat den Absatz für zwei Wochen verdreifacht, ohne als solche markiert zu sein? Solche Ereignisse machen die Daten nicht unbrauchbar. Sie machen sie aber interpretationsbedürftig. Wer sie kennt, kann sie im Modell korrigieren.
Die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung hebt die Kenntnis der eigenen Datenqualität als ersten Hebel der Prognosegüte hervor, vor jeder Modellwahl.
Die Prüffrage: Haben Sie zwei Jahre Abverkaufs Daten auf SKU-Ebene, und wissen Sie, wo die strukturellen Brüche in dieser Historie liegen?
Stammdaten, die noch zum aktuellen Lieferanten passen
Sicherheitsbestand, Wiederbeschaffungszeit und Mindestbestellmenge sind die drei Stammdaten, an denen jeder Bestellvorschlag entweder gut oder schlecht wird. Im GFGH ist die häufigste Schwachstelle die Wiederbeschaffungszeit (WBZ). Sie wurde irgendwann gesetzt, manchmal vor zwei oder drei Jahren, und seither nicht angepasst, weil im Tagesgeschäft die Zeit dafür fehlte.
Das wäre unproblematisch, wenn sich Lieferantenkonditionen nicht ändern würden. Im GFGH ändern sie sich aber laufend: saisonale Glasengpässe, geänderte Tourenplanung beim Importeur, neue Mindestbestellmengen bei Trendlieferanten. Eine WBZ aus 2023 für einen Lieferanten, der 2025 seine Logistik umgestellt hat, erzeugt systematisch falsche Bestellzeitpunkte.
Ein praktischer Einstieg: A- und B-Artikel nach ABC-Klassifikation prüfen, ob WBZ und Sicherheitsbestand zum aktuellen Lieferantenrhythmus passen. Bei C-Artikeln genügt eine Stichprobe. Weitere Details zur Parameter-Pflege im GFGH stehen im Artikel zu Dispositionsparametern im GFGH.
Die Fraunhofer-IML-Forschung zur dynamischen Bestandsdisposition belegt, dass veraltete Stammdaten zu den häufigsten Ursachen systematisch abweichender Bestellvorschläge gehören.
Die Prüffrage: Wann wurden Sicherheitsbestand und Wiederbeschaffungszeit für Ihre A-Artikel zuletzt aktualisiert?
Eine Schnittstelle, kein Systemwechsel
Die technische Frage vor jeder Implementierung lautet nicht: Welches Dispositionssystem? Sondern: Lässt sich das Bestehende öffnen? Konkret heißt das zwei Dinge. Erstens: Lässt sich aus dem GFGH-ERP strukturiert exportieren, was die Disposition braucht? Abverkaufsdaten auf SKU-Tagesebene, aktuelle Lagerbestände, Stammdaten zu Lieferanten und Konditionen. Zweitens: Lässt sich in dasselbe System zurückspielen, was die Disposition liefert? Bestellvorschläge, die im gewohnten Bestellinterface erscheinen, nicht in einem parallelen Tool.
Bei den drei verbreitetsten ERP-Systemen im GFGH ist beides technisch möglich. Die konkrete Schnittstellenform variiert je nach Version: APIs, dateibasierte Übergaben oder direkte Datenbankzugriffe. Entscheidend ist, dass der Aufwand klar abgrenzbar bleibt: keine Datenmigration, kein paralleler Systembetrieb, keine Eingriffe in die ERP-Logik. Die Disposition rechnet außerhalb des ERP und gibt nur Ergebnisse zurück.
DSGVO-Aspekte spielen im deutschsprachigen Mittelstand eine wachsende Rolle. Eine Lösung, die auf europäischen Servern arbeitet, ist häufig kein Komfortargument, sondern Auswahlkriterium.
Die Prüffrage: Wissen Sie heute, welche Schnittstellenoptionen Ihr ERP für Drittsysteme bietet, und welcher technische Aufwand mit einer Anbindung verbunden wäre?
Wie die nächste Saison anders verläuft
Das Skalierungsproblem im GFGH ist kein Personalproblem. Es ist ein Aufgabenverteilungsproblem zwischen Mensch und System. Die Disposition wird nicht besser, weil der Disponent mehr arbeitet, und sie wird nicht stabiler, weil eine dritte Stelle aufgestockt wird. Sie wird besser, wenn die Rechenarbeit dort liegt, wo Rechenarbeit gut funktioniert, und die Entscheidungsarbeit dort, wo Erfahrung tatsächlich entscheidet.
Drei Schritte, die heute beginnen können. Erstens: zwei Jahre Abverkaufsdaten prüfen und die strukturellen Brüche darin identifizieren, besonders bei Wein, Sekt und Spirituosen. Zweitens: Stammdaten für A- und B-Artikel auf Aktualität prüfen, vor allem Wiederbeschaffungszeit und Mindestbestellmenge. Drittens: mit dem ERP-Anbieter klären, welche Schnittstellenoptionen für Drittsysteme bestehen und welcher technische Aufwand realistisch wäre.
Die nächste Saison kommt bestimmt. Sie wird wieder 50 Bestellungen pro Tag bringen. Die Frage ist nicht mehr, ob Ihr Disponent das schafft. Die Frage ist, ob er es noch alleine schaffen muss.
Weiterführende Quellen:
Fraunhofer IML: Potenziale des Machine Learning in der Bedarfsplanung
Fraunhofer IML: Dynamische Bestandsdisposition und robustes Service-Level-Management
BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26
BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn't Enough
FAQ
Was bedeutet automatische Disposition im Getränkefachgroßhandel konkret?
Automatische Disposition bezeichnet einen Prozess, bei dem ein System Bestellvorschläge auf Basis von Absatzhistorie, Lagerbestand, Dispositionsparametern und externen Faktoren wie Wetter und Veranstaltungen eigenständig berechnet. Der Disponent prüft die Vorschläge und gibt sie frei, statt sie artikelweise selbst zu kalkulieren. Das Leitprinzip ist Management by Exception: Eingriffe nur dort, wo das System ein Warnsignal setzt. Standardvorgänge laufen automatisch. Damit kann derselbe Disponent ein deutlich höheres Bestellvolumen ohne Qualitätsverlust bewältigen.
Kann ich Bestellvorschläge automatisieren, ohne mein ERP zu wechseln?
Ja. Automatische Disposition setzt keinen ERP-Wechsel voraus. Das Dispositionssystem liest Daten aus dem bestehenden ERP und spielt berechnete Bestellvorschläge zurück. Der Disponent arbeitet weiterhin in seinem gewohnten Interface. Technisch nötig sind Lese- und Schreibzugriff auf das ERP, meistens über eine API oder einen strukturierten Datei-Export. Der Implementierungsaufwand bleibt klar abgrenzbar, ohne Datenmigration und ohne Eingriffe in die ERP-Logik.
Was ist Management by Exception, und wie funktioniert das in der Disposition?
Management by Exception (MbE) ist ein Steuerungsprinzip, bei dem der Disponent nur dort eingreift, wo das System außerhalb definierter Grenzen liegt. Bei 50 täglichen Bestellvorgängen in der Saison trägt typischerweise ein Zehntel davon ein Warnsignal: ungewöhnliche Mengen, neue Lieferantenkonditionen, Aktionen ohne hinterlegten Plan. Diese erfordern menschliches Urteil. Die übrigen Bestellvorschläge werden auf Basis aktueller Daten innerhalb definierter Bandbreiten freigegeben, ohne dass jeder Artikel manuell kalkuliert wird.
Welche Daten brauche ich, um automatische Disposition einzuführen?
Als Grundlage genügen zwei bis drei Jahre Abverkaufsdaten auf SKU-Ebene aus dem GFGH-ERP, aktuelle Stammdaten für Sicherheitsbestand, Wiederbeschaffungszeit und Mindestbestellmenge sowie Lese- und Schreibzugriff auf das ERP für die Integration. Die Daten müssen nicht lückenlos sein. Bekannte Verzerrungen wie Out-of-Stock-Perioden, Aktionspreise oder saisonale Artikelstatuswechsel sollten aber identifiziert sein, damit das Modell korrekt kalibriert werden kann. Datenqualität ist der erste Hebel, vor jeder Modellwahl.
Wie berücksichtigt eine automatische Disposition Wetter und Veranstaltungen?
Wetterdaten und Veranstaltungskalender werden als strukturierte Systemparameter in die Bestellvorschlagsberechnung eingespeist. Für wetterabhängige Kategorien wie Bier und AFG fließen Temperaturprognosen als quantitative Treiber ein. Veranstaltungen im Einzugsgebiet werden mit definierten Vorlaufzeiten je Lieferant hinterlegt. Das ersetzt das Erfahrungswissen des Disponenten nicht, macht es aber dokumentiert und für Vertretungen zugänglich. Damit hängt die Berücksichtigung externer Faktoren nicht mehr an der Verfügbarkeit einer einzelnen Person.
Was passiert, wenn der Hauptdisponent in der Saison ausfällt?
Bei automatischer Disposition rechnet das System weiter. Die Vertretung sieht dieselben Bestellvorschläge mit denselben Warnsignalen wie der Hauptdisponent. Das Erfahrungswissen zu Saisonalität, Veranstaltungen und Lieferantenrhythmen ist in den Systemparametern dokumentiert, nicht im Kopf einer Person. Ein zweiwöchiger Ausfall in der Hochsaison ist damit handhabbar, ohne dass die Beschaffungsqualität in dieser Zeit systematisch leidet. Urlaub im Saisonpeak wird zur normalen Personalplanung, nicht zur betrieblichen Risikofrage.
