Blogartikel
Fehlmengen und Überbestand: Warum beides gleichzeitig entsteht
Im Lebensmittelgroßhandel passiert es regelmäßig: Frischware geht in den Verderb, weil zu viel bestellt wurde, und gleichzeitig können Bestellungen von Gastronomiekunden nicht vollständig kommissioniert werden, weil ein Renner-Artikel fehlt. Das klingt wie ein Widerspruch. Es ist keiner. Beides ist die Konsequenz derselben Ursache: einer Planungsmethode, die bei 8.000 oder mehr SKUs strukturell an ihre Grenzen stößt.
Laut IHL Group zählt das gleichzeitige Auftreten von Fehlmengen und Überbeständen, fachsprachlich Inventory Distortion, zu den größten unkartierten Kostenphänomenen im Lebensmittelhandel weltweit. Im mittelständischen Lebensmittelgroßhandel treten beide Probleme oft im selben Sortiment auf: Verderb in den MHD-sensiblen Kategorien, Out-of-Stock bei Renner-Artikeln. Wer Out-of-Stock vermeiden und Überbestand reduzieren will, kommt nicht weiter, wenn er beide Phänomene als getrennte Symptome behandelt. Sie haben dieselbe strukturelle Quelle: eine Planungsmethode, die bei 8.000 oder mehr Stock Keeping Units (SKUs) in drei Temperaturzonen an ihre methodischen Grenzen kommt. Dieser Artikel zeigt, wie der Mechanismus dahinter funktioniert und welche drei Diagnose-Schritte Sie heute starten können.
Warum Out-of-Stock und Überbestand im Lebensmittelgroßhandel kein Widerspruch sind
Das doppelte Bestandsproblem entsteht nicht zufällig. Es ist ein Selbstverstärkungs-Mechanismus, der bei manueller Planung jenseits einer bestimmten Sortimentskomplexität zwingend einsetzt. Vier Stufen treiben den Kreislauf: Manuelle Planung erzeugt ungenaue Bestellmengen, ungenaue Bestellmengen erzeugen gleichzeitig Out-of-Stock und Überbestand, der Out-of-Stock verzerrt die Absatzhistorie im Warenwirtschaftssystem (ERP), und die verzerrte Absatzhistorie wird zur Grundlage der nächsten Bestellung. Der Kreislauf beginnt von vorn.
Das Sortimentsproblem: 8.000 und mehr SKUs in drei Temperaturzonen
Ein mittelständischer Lebensmittelgroßhändler führt zwischen 8.000 und 18.000 SKUs in drei Temperaturzonen: Trocken (ambient), Kühl (+2 bis +7 °C) und Tiefkühl (−18 °C und kälter). Jede Zone bringt eigene Planungsanforderungen mit. Frischware hat kurze Lieferzyklen und ist MHD-sensibel (MHD: Mindesthaltbarkeitsdatum), Tiefkühlware verträgt längere Lagerung, aber andere Wiederbeschaffungszeiten. Trockenware lässt sich strategischer planen, oft mit ganz anderen Lieferantenrhythmen. Eine einheitliche Dispositionsmethode für alle drei Zonen kann es nicht geben.
Manuelle Disposition funktioniert bei 500 oder 1.000 Artikeln. Bei mehreren tausend SKUs bricht die Methode unter ihrer eigenen Komplexität zusammen. Nicht weil der Einkäufer schlechter wird, sondern weil die nötige Aufmerksamkeit pro Artikel rechnerisch nicht mehr da ist. Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose verweist seit Jahren darauf, dass manuelle Methoden bei komplexen Sortimenten systematisch hinter algorithmischen Verfahren zurückfallen.
Die Prüffrage für die Disposition: Wie viele aktive SKUs disponiert Ihr Einkäufer pro Woche manuell, und wie viel Aufmerksamkeit kann er statistisch jedem einzelnen Artikel widmen?
Das Verderb-Paradox: Überbestand bei Frische, Fehlmenge bei Rennern
Wenn die Disposition unter Unsicherheit arbeitet, antwortet sie mit Risikoabsicherung. Pauschale Sicherheitspuffer werden auf Artikel angewendet, deren tatsächlicher Bedarf schwer einschätzbar ist. Bei Frische, Molkerei und Tiefkühlware mit kurzer Restlaufzeit endet diese Strategie regelmäßig im Verderb. Gleichzeitig fehlen Mengen bei den Renner-Artikeln, deren Trendanstieg nicht antizipiert wurde, oder bei Artikeln, deren MOQ (Mindestbestellmenge) als zu hoch eingeschätzt wurde und die deshalb knapp gehalten werden.
Ein Beispielszenario aus dem Arbeitsalltag: Der Einkäufer plant das Wochenende vor einem Feiertag. Er bestellt Frischkäse mit großzügigem Aufschlag, weil er den Bedarf nicht sicher einschätzen kann. Ein Teil der Ware landet drei Tage später in der Abschreibung. Gleichzeitig fehlt am Feiertagsmorgen Rucola, weil der Trend in diese Kategorie nicht erkannt wurde. Beide Effekte trafen denselben Disponenten am selben Tag.
Die IHL Group bezeichnet dieses Muster als Inventory Distortion: gleichzeitiger Überbestand und Out-of-Stock im selben Sortiment. Es ist kein Einzelfall, sondern ein strukturelles Resultat unsicherheitsgetriebener Risikoabsicherung.
Die Stockout-Verzerrung: Wenn Out-of-Stocks die nächste Planung sabotieren
Hier wird der Mechanismus zum Kreislauf. Wenn ein Artikel über Tage oder Wochen out of stock ist, wird in dieser Zeit auch keine Nachfrage im ERP gebucht. Die Kunden bestellen ihn nicht, weil er nicht verfügbar ist, oder sie weichen auf ein Konkurrenzprodukt aus. Im System erscheint die Phase als Nullnachfrage, nicht als unerfüllter Bedarf. Fachsprachlich heißt das Stockout-Verzerrung: Die historische Absatzkurve unterschätzt den tatsächlichen Bedarf systematisch.
Die nächste statistische Prognose stützt sich auf genau diese verzerrten Daten. Das System empfiehlt für die kommende Periode wieder zu wenig, der Out-of-Stock wiederholt sich, die Verzerrung wird tiefer. Die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung ordnet diese Datenverzerrung als eine der schwerwiegendsten Ursachen für anhaltend schwache Prognosequalität in operativen Systemen ein.
Die Prüffrage: Werden Out-of-Stock-Perioden in Ihrem ERP als solche gekennzeichnet, oder erscheinen sie als Nullnachfrage in der Absatzhistorie? Wer das nicht eindeutig beantworten kann, hat hier mit hoher Wahrscheinlichkeit eine ständige Quelle für Planungsfehler.
Warum manuelle Disposition bei 8.000 und mehr SKUs das doppelte Bestandsproblem zwingend produziert
Das Problem liegt nicht an der Sorgfalt der Disponenten. Es liegt an der strukturellen Inkompatibilität zwischen manueller Planungsmethode und der Komplexität eines modernen LGH-Sortiments. Drei Faktoren verstärken das Problem im operativen Alltag: nicht dokumentiertes Erfahrungswissen bei Saisonalität, starre Bestellrhythmen, die sich am Kalender statt am Bedarf orientieren, und die Konzentration der Planungskompetenz auf einzelne Schlüsselpersonen.
Saisonalität und Feiertage: Was manuell nicht konsistent abgebildet wird
Saisonale Peaks wie Tourismussaison, Ostern, Weihnachten oder Sommergrillen erfordern Bestellentscheidungen zwei bis vier Wochen im Voraus. Sie basieren auf Erfahrungswissen über Kundenverhalten, Wettereinflüsse und kalendarische Effekte. Bei erfahrenen Einkäufern liegt dieses Wissen in Form interner Daumenregeln vor, selten dokumentiert.
Sobald die Vertretung übernimmt, etwa durch Urlaub, Krankheit oder Personalwechsel, wird die Schwachstelle sichtbar. Eine Auszubildende oder ein neuer Einkäufer kann das Wissen nicht aus Aktenordnern rekonstruieren. Die Folge sind Planungsfehler an genau den Tagen, an denen die Liefertreue gegenüber Gastronomiekunden über den Quartalsumsatz entscheidet.
Die BVL-Studie Trends und Strategien in Logistik und Supply Chain Management 2025/26 verweist auf diesen Effekt im Kontext mittelständischer Logistikbetriebe: Wertvolles operatives Wissen bleibt häufig undokumentiert und ist deshalb nicht skalierbar.
Die Prüffrage: Ist Ihr saisonales Planungswissen in einer Form dokumentiert, dass eine Vertretung ohne Erfahrung das Sortiment für die Tourismussaison vernünftig planen kann?
Bestellrhythmus und Mindestbestellmenge: Wenn Lieferantenregeln die Disposition dominieren
Im mittelständischen LGH richtet sich der Bestellzeitpunkt häufig nach festen Bestelltagen je Sortimentsverantwortung. Montag Trockensortiment, Dienstag Molkerei, Mittwoch Frischfleisch, und so weiter. Das ist organisatorisch sinnvoll, dispositorisch aber problematisch: Der Bestellzeitpunkt richtet sich nach dem Kalender, nicht nach dem tatsächlichen Bedarf. Renner, die schneller leerlaufen, müssen bis zum nächsten festen Termin warten oder per Sonderbestellung außerhalb des Rhythmus nachgezogen werden.
Hinzu kommen Mindestbestellmengen und Palettenfakturen, die je Lieferant unterschiedlich gehandhabt werden. Erfahrene Einkäufer wissen, bei welchem Lieferanten welche Konditionen greifen. Bei Vertretung oder Personalwechsel führt das zu systematischen Überbestellungen, weil im Zweifel die ganze Palette geordert wird.
Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose zeigt, dass bedarfsorientierte statt kalenderorientierte Bestellzeitpunkte erhebliche Bestands- und Verderbsreduktionen ermöglichen, sofern die Datenbasis stimmt.
Die Prüffrage: Richtet sich Ihr Bestellzeitpunkt nach dem tatsächlichen Bestandsstand und Bedarf, oder nach dem nächsten festgelegten Bestelltag?
Das Schlüsselpersonen-Risiko: Wenn die Disposition an einer Person hängt
Bei manueller Planung ohne dokumentierte Methodik konzentriert sich das Planungswissen auf eine oder zwei Personen. Sie kennen die Lieferantenkonditionen, die saisonalen Muster, die Eigenheiten der Hauptkunden, die kritischen MHD-Artikel. Diese Konzentration ist nicht das Problem dieser Personen. Sie ist die Folge einer fehlenden Systemunterstützung.
Sichtbar wird das Risiko bei Urlaub, längerer Krankheit oder Personalwechsel. In den Wochen, in denen die Schlüsselperson nicht verfügbar ist, häufen sich Fehlmengen und Überbestände, ohne dass die Vertretung den Grund klar benennen könnte. Es fehlt nicht die Arbeitskraft, es fehlt der Zugriff auf den Erfahrungsspeicher.
Die Prüffrage: Kann Ihr Betrieb zwei Wochen Urlaub des Hauptdisponenten ohne erkennbaren Qualitätsverlust in der Bestellplanung überbrücken? Wenn die Antwort zögernd ausfällt, ist das Schlüsselpersonen-Risiko strukturell, nicht persönlich. Eine systemgestützte Disposition macht das Wissen zugänglich, ohne den Erfahrungsträger zu ersetzen.
Drei Diagnose-Schritte, die das doppelte Bestandsproblem sichtbar machen
Die Lösung beginnt nicht mit einer neuen Software. Sie beginnt mit einer ehrlichen Diagnose: Wie groß ist das doppelte Bestandsproblem tatsächlich in Ihrem Betrieb, und wo genau im Planungsprozess entsteht es? Drei Diagnoseschritte machen die wesentlichen Größen sichtbar, ohne dass eine neue Investition erforderlich wäre. Erst nach dieser Bestandsaufnahme lohnt die Frage nach einer systemischen Lösung.
Schritt 1: Out-of-Stock-Frequenz messen, nicht schätzen
Die erste Aufgabe: Wie oft und bei welchen Artikeln treten Out-of-Stocks tatsächlich auf? Nicht aus Erinnerung, sondern aus Systemdaten. Dazu wird die Bestandshistorie der letzten zwölf Monate ausgewertet. Artikel mit wiederkehrenden Nullbeständen werden identifiziert und gruppiert nach Temperaturzone und Kategorie.
Parallel sollte im ERP eine Stockout-Kennzeichnung eingeführt werden: Out-of-Stock-Perioden werden als solche markiert, damit sie nicht als Nullnachfrage in die Absatzhistorie eingehen. Erst diese Trennung zwischen „nicht nachgefragt" und „nicht lieferbar" macht die nächste Prognose belastbar. Die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung hebt diese Datenbereinigung explizit als Grundvoraussetzung für jede algorithmische Bedarfsplanung hervor.
Die Prüffrage: Wissen Sie, wie viele Ihrer aktiven Artikel in den letzten zwölf Monaten mindestens einmal einen Out-of-Stock hatten? Ohne diese Zahl ist jede Diskussion über Lieferqualität anekdotisch.
Schritt 2: MHD-Verderb quantifizieren, nicht als Betriebsunfall behandeln
In vielen Buchhaltungsstrukturen erscheint MHD-Verderb als Abschreibung, nicht als Planungsindikator. Damit fehlt eine der wichtigsten Rückmeldungen über Dispositionsqualität.
Die konkrete Maßnahme: Verderb-Abschreibungen der letzten zwölf Monate werden nach Artikelkategorie und Temperaturzone aufgeschlüsselt. Welche Kategorien erzeugen den höchsten Verderb? Korreliert das mit Kategorien, in denen gleichzeitig wiederkehrende Out-of-Stocks bei einzelnen SKUs auftreten? Diese Korrelation ist das stärkste Indiz für den Selbstverstärkungs-Mechanismus aus der ersten Perspektive.
Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose verweist auf den engen Zusammenhang zwischen Verderbquoten und Prognoseunsicherheit gerade in MHD-sensiblen Sortimenten.
Die Prüffrage: Können Sie heute sagen, welche Artikelkategorie in den letzten zwölf Monaten den höchsten MHD-Verderb erzeugt hat, und welcher Anteil davon strukturell wiederkehrend ist?
Schritt 3: Planungsaufwand messen, als Argument für Systemunterstützung
Die dritte Diagnoseaufgabe richtet sich an die Geschäftsführung: Wie viele Stunden pro Woche entfallen im Einkauf tatsächlich auf manuelle Bestellplanung, aufgeteilt nach Disponent und Sortimentsverantwortung? In mittelständischen Betrieben kann dieser Aufwand schnell ein Vollzeitäquivalent erreichen, allein für operative Bestellplanung.
Dieser Wert ist das stärkste interne Argument für eine Veränderung. Nicht die Technologie, sondern die Opportunitätskosten der manuellen Methode bilden den ökonomischen Hebel. Der Einkaufsleiter wird durch operative Routine an strategischer Arbeit gehindert: Lieferantengespräche, Sortimentsentwicklung, Margenoptimierung.
Die BCG-Studie Supply Chain Planning 2026 betont, dass die Investition in algorithmische Planungsunterstützung sich nicht über Personaleinsparung rechnet, sondern über die Reallokation knapper Einkaufsexpertise auf wertschöpfende Aufgaben.
Die Prüffrage: Wenn Ihr Einkaufsleiter pro Woche zehn Stunden weniger für manuelle Disposition aufbringen müsste, welche strategischen Aufgaben würden Sie ihm stattdessen übertragen?
Was Einkaufsleiter und Geschäftsführung jetzt tun können
Fehlmengen und Überbestand gleichzeitig sind kein Widerspruch und kein individuelles Versagen. Sie sind die vorhersehbare Konsequenz einer Planungsmethode, die für die Komplexität eines modernen LGH-Sortiments nicht ausgelegt ist. Der Selbstverstärkungs-Kreislauf aus manueller Planung, ungenauen Bestellmengen, gleichzeitigen Engpässen und Stockout-Verzerrung läuft so lange, bis er an einer Stelle systematisch unterbrochen wird.
Drei Sofortschritte machen das Problem messbar. Erstens die Out-of-Stock-Frequenz aus Systemdaten ermitteln statt aus Erinnerung. Zweitens den MHD-Verderb nach Kategorie und Temperaturzone quantifizieren statt ihn als Betriebsunfall zu verbuchen. Drittens den manuellen Planungsaufwand in Stunden messen als Grundlage für die nächste strategische Entscheidung.
Wer Out-of-Stock vermeiden und Überbestand reduzieren will, ohne dabei die Disposition zusätzlich zu überfordern, muss erst messen, dann entscheiden. Das doppelte Bestandsproblem verschwindet nicht durch mehr Sorgfalt. Es verschwindet, wenn die Planungsmethode zur Sortimentsgröße passt. Der erste Schritt ist keine neue Software. Es ist eine ehrliche Bestandsaufnahme dessen, was die aktuelle Methode tatsächlich kostet.
Weiterführende Quellen
Fraunhofer IML: Potenziale des Machine Learning in der Bedarfsplanung
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
Warum treten Fehlmengen und Überbestand im Lebensmittelgroßhandel oft gleichzeitig auf?
Beide Probleme haben dieselbe strukturelle Ursache: eine Planungsmethode, die bei mehreren tausend SKUs in drei Temperaturzonen an ihre methodischen Grenzen kommt. Wenn die Disposition unter Unsicherheit arbeitet, antwortet sie mit pauschalen Sicherheitspuffern bei den Langsamdrehern und unterschätzt gleichzeitig Trendanstiege bei den Renner-Artikeln. Das Ergebnis ist Verderb in einer Kategorie und Out-of-Stock in einer anderen, oft am selben Tag. Es ist kein Zufall, sondern ein systematischer Effekt manueller Planung jenseits einer bestimmten Komplexitätsschwelle.
Was ist Stockout-Verzerrung, und warum macht sie die nächste Bestellplanung schlechter?
Stockout-Verzerrung bezeichnet die systematische Unterschätzung des tatsächlichen Bedarfs in der historischen Absatzkurve. Wenn ein Artikel über Tage oder Wochen nicht lieferbar war, wurde in dieser Zeit auch keine Nachfrage im ERP gebucht: Kunden bestellten ihn schlichtweg nicht oder wichen auf Alternativen aus. Im System erscheint die Phase als Nullnachfrage. Die nächste Prognose stützt sich auf diese verzerrten Daten und empfiehlt erneut zu wenig. So entsteht ein Kreislauf, in dem jeder Out-of-Stock die Datenbasis für die Folgeperiode weiter verschlechtert.
Ab wie vielen SKUs wird manuelle Disposition zum strukturellen Risiko?
Eine universelle Schwellenwert-Antwort wäre unseriös, weil sie von Temperaturzonen, Saisonalität, Lieferantenanzahl und Sortimentsmix abhängt. Aussagekräftig ist nicht die SKU-Zahl allein, sondern die Aufmerksamkeit pro Artikel: Wie viele Minuten kann der Einkäufer rechnerisch pro Woche jedem aktiven Artikel widmen? Wenn dieser Wert unter eine halbe Minute fällt, basiert die Disposition zwangsläufig auf Bauchgefühl statt auf Analyse. Bei den im mittelständischen LGH üblichen 8.000 bis 18.000 SKUs ist diese Schwelle deutlich überschritten.
Was kostet MHD-Verderb durch Überbestand im Lebensmittelgroßhandel typischerweise?
Ein einheitlicher Branchenwert lässt sich nicht seriös angeben, weil die Verderbquote stark vom Sortimentsmix abhängt: Anteil Frische und Molkerei am Gesamtumsatz, Anteil saisonaler Spitzen, Restlaufzeit beim Wareneingang. Aussagekräftig ist nur der Wert im eigenen Betrieb, ermittelt aus den Abschreibungen der letzten zwölf Monate, aufgeschlüsselt nach Kategorie und Temperaturzone. Diese Aufschlüsselung gehört zu den drei Diagnose-Schritten, die das doppelte Bestandsproblem messbar machen. Erst auf dieser Grundlage lässt sich der Hebel einer besseren Disposition beziffern.
Wie kann ich Out-of-Stocks in meinem ERP sauber erfassen?
Die wichtigste Trennung ist die zwischen Nullnachfrage und Nichtlieferbarkeit. Ein Artikel, der zehn Tage nicht im Bestand war, ist nicht zehn Tage lang nicht gefragt worden, sondern in dieser Zeit nicht angeboten worden. Gängige ERP-Systeme im Mittelstand unterstützen Stockout-Kennzeichnungen, allerdings müssen sie aktiv eingeführt werden. Praktisch heißt das: Bestand-Null-Tage im System markieren, in der Bedarfsauswertung ausschließen oder gesondert behandeln, und die korrigierte Absatzkurve als Prognosegrundlage verwenden.
Was ist der erste Schritt, um das doppelte Bestandsproblem zu lösen?
Der erste Schritt ist keine Investition. Es ist eine Messung. Drei Größen müssen sichtbar werden: die Frequenz und Verteilung von Out-of-Stock-Ereignissen in den letzten zwölf Monaten, der MHD-Verderb nach Kategorie und Temperaturzone, und der tatsächliche Zeitaufwand für manuelle Disposition pro Woche. Erst wenn diese Werte vorliegen, lässt sich die Größe des Problems realistisch einschätzen und die Frage nach einer systemischen Lösung sinnvoll stellen.
