Blogartikel
Out-of-Stock im Großhandel vermeiden: Sechs operative Maßnahmen
Out-of-Stocks entstehen selten durch Nachfrageexplosionen, die niemand vorhersehen konnte. Sie entstehen durch Parameter, die nicht mehr stimmen: einen Meldebestand, der auf der Wiederbeschaffungszeit von vor zwei Jahren beruht, einen Sicherheitsbestand, der für stabile Nachfrage berechnet wurde und nicht für die Saisonspitze, eine Absatzhistorie, die aus Stockout-Perioden falsche Schlüsse zieht. Sechs operative Maßnahmen adressieren die häufigsten strukturellen Ursachen, ohne Systemwechsel und ohne Großprojekt.
Wer Out-of-Stock vermeiden will, muss zuerst verstehen, warum es immer wieder dieselben Artikel trifft. Die IHL Group beziffert die weltweiten Verluste durch Bestandsverzerrung für 2023 auf rund 1,77 Billionen Dollar, wovon Fehlmengen den größeren Teil ausmachen. Was ein einzelner Ausfall im Großhandel tatsächlich kostet, zeigt der Artikel zu den Kosten eines Out-of-Stocks. Der häufigste Fehler in der Prävention ist die Symptombehandlung: nachbestellen, dem Kunden erklären, weitermachen. Was fehlt, ist die Ursachenanalyse, und die zeigt in den meisten Fällen auf veraltete Parameter statt auf unvorhersehbare Nachfrage. Die BVL-Trendstudie 2025/26 nennt die Planungsqualität als zentralen Hebel im Bestandsmanagement des Mittelstands. Dieser Artikel liefert sechs Maßnahmen, jede mit ihrer Ursache, einer konkreten Handlung und einer Prüffrage.
Warum Out-of-Stocks im Großhandel strukturelle Ursachen haben und keine Zufälle sind
Wenn ein Artikel regelmäßig ausverkauft ist, ist das kein Pech, sondern ein Signal. Drei strukturelle Ursachen erklären, warum sich Ausfälle bei denselben Artikeln häufen, und alle drei liegen in der Planung, nicht im Markt. Ein Out-of-Stock (OOS) ist dabei das Ereignis, bei dem ein Artikel bei Kundennachfrage nicht verfügbar ist und die Bestellung nicht vollständig erfüllt werden kann.
Ursache 1: Parameterdrift, wenn Parameter die Realität nicht mehr abbilden
Parameterdrift ist die schleichende Veränderung der realen Nachfrage- und Lieferbedingungen, die nicht in den hinterlegten Dispositionsparametern gespiegelt wird. Meldebestand und Sicherheitsbestand werden einmal gesetzt, meist bei der ERP-Einführung, und danach selten überprüft. Wiederbeschaffungszeit und Verbrauch verändern sich aber laufend: Ein Lieferant liefert langsamer, ein neuer Großkunde erhöht den Absatz, ein Absatzkanal fällt weg.
Die Konsequenz ist unangenehm präzise: Das System löst Bestellungen aus, als wäre die Vergangenheit die Gegenwart. Der Bestellvorschlag ist rechnerisch korrekt und praktisch falsch, weil seine Eingabewerte veraltet sind. Welche Parameter dabei am häufigsten driften und wie sie sich systematisch pflegen lassen, behandelt der Artikel zu Dispositionsparametern. Die Fraunhofer-IML-Forschung zur dynamischen Bestandsdisposition beschreibt die laufende Parameterpflege als Voraussetzung einer belastbaren Disposition.
Die Prüffrage: Wann wurden die Dispositionsparameter Ihrer Out-of-Stock-Artikel zuletzt systematisch überprüft?
Ursache 2: Stockout-Verzerrung, der Teufelskreis in der Datenbasis
Die zweite Ursache ist die tückischste, weil sie sich selbst verstärkt. Die Stockout-Verzerrung ist die Verfälschung der Absatzhistorie durch Out-of-Stock-Perioden, die im System als Nullnachfrage erscheinen. Wenn ein Artikel ausverkauft ist, bucht das ERP keine Nachfrage, auch wenn Kunden bestellen wollten. Die Nachfrage war da, sie konnte nur nicht bedient werden.
Daraus entsteht ein Kreislauf. Die nächste Prognose greift auf eine Absatzhistorie zu, die die tatsächliche Nachfrage in den Ausfallperioden systematisch unterschätzt. Sie prognostiziert zu niedrig, der Bestellvorschlag fällt zu klein aus, und der nächste Ausfall ist strukturell vorprogrammiert. Jeder Out-of-Stock erhöht damit die Wahrscheinlichkeit des nächsten. Welche Prognosemethoden mit bereinigten Daten arbeiten, behandelt der Artikel zu Absatzprognose-Methoden. Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose weist die Bereinigung der Historie als Voraussetzung tragfähiger Prognosen aus.
Ursache 3: Fehlende Signale für kurzfristige Nachfragesprünge
Die dritte Ursache liegt außerhalb der Daten. Saisonspitzen, Hitzewellen und lokale Events erzeugen Nachfragesprünge, die kein statistisches Modell aus der Vergangenheit ableiten kann, weil sie dort nicht stehen. Ein Prognosemodell lernt aus Mustern, und ein Volksfest am kommenden Wochenende ist kein Muster, sondern ein Ereignis.
Fließen keine externen Signale in die Planung ein, trifft dieser Sprung das System unvorbereitet. Der Ausfall entsteht dann nicht durch falsche Parameter, sondern durch eine strukturelle Blindstelle im Kurzfristhorizont. Wie sich Wetterdaten, Eventkalender und Aktionspläne als strukturierter Input nutzen lassen, behandelt der Artikel zu Demand Sensing.
Was Out-of-Stocks nicht löst: zwei Reaktionsmuster, die das Problem verschleppen
Die schnellste Reaktion auf einen Ausfall ist die Nachbestellung. Die häufigste ist die Erhöhung des Sicherheitsbestands. Beide sind verständlich, und beide lassen die strukturelle Ursache unberührt, weshalb sich das Problem verlagert statt zu verschwinden.
Reaktionsmuster 1: den Sicherheitsbestand pauschal erhöhen
Nach einem Ausfall wird der Sicherheitsbestand des betroffenen Artikels manuell erhöht. Der Sicherheitsbestand ist der Pufferbestand unterhalb des Meldebestands, der Nachfrageschwankungen und Lieferverzögerungen abdeckt. Ihn zu erhöhen wirkt kurzfristig, weil der Puffer den nächsten Ausfall abfängt.
Das Problem liegt in der Ursache. Ist es Parameterdrift, wiederholt sich dasselbe Muster beim nächsten Artikel, dessen Parameter ebenfalls veraltet sind. Ist es Stockout-Verzerrung, kaschiert der höhere Puffer das Datenproblem, ohne es zu lösen, und die Prognose bleibt zu niedrig. Das Ergebnis ist Überbestand bei den stabilisierten Artikeln, während das Ausfallproblem zu anderen Artikeln wandert. Der Puffer ersetzt keine Ursachenanalyse.
Reaktionsmuster 2: manuelle Einzelfallkorrektur ohne Prozess
Das zweite Muster ist die erfahrungsbasierte Korrektur: Der Disponent kennt seine Problemartikel und greift bei ihnen manuell ein. Für bekannte Fälle funktioniert das, oft sogar sehr gut, weil erfahrene Disponenten die Eigenheiten ihres Sortiments kennen.
Zwei Grenzen bleiben. Für neue Problemartikel greift die Erfahrung nicht, weil das Wissen fehlt, und ohne dokumentierten Prozess ist das Wissen an eine Person gebunden. Fällt sie aus oder wechselt sie den Betrieb, beginnt das Problem von vorn, denn nichts davon steht irgendwo geschrieben. Aus einer individuellen Kompetenz wird so ein betriebliches Risiko. Wann sich der Übergang von der manuellen Korrektur zum geregelten Bestellvorschlag lohnt, behandelt der Artikel zur Automatisierung von Bestellvorschlägen.
Out-of-Stock vermeiden: sechs Maßnahmen mit struktureller Wirkung
Die sechs Maßnahmen sind nach Aufwand und Wirkungshorizont geordnet, die ersten drei haben die höchste Sofortwirkung bei geringstem Aufwand. Alle sechs beginnen bei den A-Artikeln, also den Artikeln mit dem höchsten Umsatzanteil nach der ABC-Klassifikation, weil dort ein Ausfall am teuersten ist. Die Aufwandsangaben sind Orientierungswerte, keine Benchmarks.
Maßnahme 1: Meldebestand der Out-of-Stock-Artikel auf Aktualität prüfen
Der Meldebestand ist der Lagerbestand, bei dessen Unterschreitung das System eine Bestellung auslöst. Für jeden Artikel mit Ausfallhäufung in den letzten zwölf Monaten wird er neu berechnet, aus durchschnittlichem Tagesverbrauch mal aktueller Wiederbeschaffungszeit plus Sicherheitsbestand. Entscheidend ist das Wort aktuell: Die tatsächlichen Lieferzeiten der letzten sechs Monate werden mit der im ERP hinterlegten Wiederbeschaffungszeit abgeglichen, und bei einer Abweichung von mehr als einem Tag, als Orientierungswert, wird der Parameter angepasst.
Diese Maßnahme kostet wenig Zeit und wirkt sofort, weil sie an der häufigsten Einzelursache ansetzt. Die vollständige Herleitung der Formel und den Überprüfungsrhythmus liefert der Artikel zum Meldebestand.
Die Prüffrage: Basiert der Meldebestand Ihrer Ausfallartikel auf der aktuellen Wiederbeschaffungszeit, oder auf dem Wert aus der ERP-Einführung?
Maßnahme 2: Sicherheitsbestand der A-Artikel ABC-gerecht kalibrieren
Ein einheitlicher Sicherheitsbestand über das gesamte Sortiment ist methodisch falsch. A-Artikel brauchen einen höheren Puffer als C-Artikel, weil ihr Schadenpotenzial größer und ihre Nachfragevariabilität oft höher ist. Die Kalibrierung erfolgt auf Basis der aktuellen Standardabweichung der Nachfrage, nicht nach einer pauschalen Daumenregel.
Der Aufwand ist gering bis mittel und lohnt sich zuerst für die umsatzstärksten Ausfallartikel. Die Berechnungsmethodik behandelt der Artikel zur Sicherheitsbestandsberechnung, die Klassifikationsgrundlage der Artikel zur ABC-XYZ-Analyse.
Die Prüffrage: Ist der Sicherheitsbestand Ihrer Ausfallartikel höher als der Ihrer stabilen C-Artikel, oder gilt überall dieselbe Daumenregel?
Maßnahme 3: Stockout-Verzerrung in der Absatzhistorie bereinigen
Diese Maßnahme durchbricht den Teufelskreis aus Ursache 2. Ausfallperioden in der Absatzhistorie werden als solche gekennzeichnet, statt als Perioden ohne Nachfrage zu gelten. Für zurückliegende Perioden wird die Nullnachfrage durch interpolierte Werte ersetzt, etwa den Durchschnitt der benachbarten Perioden ohne Ausfall.
Der Aufwand ist mittel, weil die Bereinigung einmalig für die letzten 24 Monate erfolgt. Danach wird sie zum Prozessschritt bei jedem neuen Ausfallereignis, was kaum noch Zeit kostet. Die Wirkung ist mittelfristig, entfaltet sich also erst über die nächsten Prognosezyklen, dafür aber dauerhaft.
Die Prüffrage: Sind Ausfallperioden in Ihrer Absatzhistorie als solche erfasst, oder erscheinen sie als Perioden ohne Nachfrage?
Maßnahme 4: Liefertreue der kritischen Lieferanten messen
Nicht jede Ausfallursache liegt im eigenen Haus. Für die Lieferanten der Ausfallartikel werden die tatsächlichen Lieferzeiten der letzten zwölf Monate mit der vereinbarten Wiederbeschaffungszeit abgeglichen. Zeigt sich eine systematische Abweichung von mehr als zwei Tagen, als Orientierungswert, folgen drei Schritte: die Wiederbeschaffungszeit im ERP anpassen, den Sicherheitsbestand entsprechend erhöhen und das Lieferantengespräch vorbereiten.
Der Aufwand ist gering, weil es eine einmalige Analyse ist, und die Wirkung tritt kurzfristig ein. Häufig legt diese Maßnahme dieselbe Ursache frei wie Maßnahme 1, nur von der anderen Seite. Wie sich Lieferantendaten systematisch in Dispositionsparameter übersetzen lassen, behandelt der Artikel zur Lieferantenbewertung.
Die Prüffrage: Liefert der Hauptlieferant Ihrer Ausfallartikel konsistent innerhalb der vereinbarten Wiederbeschaffungszeit, oder gibt es systematische Verzögerungen?
Maßnahme 5: Override-Rate analysieren, wo liegt das Systemproblem?
Die Override-Rate ist der prozentuale Anteil der Bestellvorschläge, den der Disponent manuell verändert. Sie ist weniger eine Leistungskennzahl als ein Diagnoseinstrument. Wenn bestimmte Artikel regelmäßig manuell korrigiert werden, ist das ein Signal, dass der Bestellvorschlag für genau diese Artikel systematisch falsch kalibriert ist.
Die anschließende Frage ist die eigentliche Arbeit: Liegt ein Parameterproblem vor, also eine veraltete Wiederbeschaffungszeit oder ein zu niedriger Sicherheitsbestand? Oder ein Prognoseproblem, etwa eine saisonale Verzerrung oder eine durch Ausfälle verfälschte Datenbasis? Die Antwort verweist auf eine der Maßnahmen 1 bis 3. Der Zusammenhang zwischen Override-Rate und Systemvertrauen wird im Artikel zur Automatisierung von Bestellvorschlägen ausgeführt.
Die Prüffrage: Welche Artikel korrigieren Sie am häufigsten manuell, und wissen Sie, warum?
Maßnahme 6: Demand-Sensing-Prozess für Saisonspitzen und Events einführen
Die sechste Maßnahme adressiert die Blindstelle aus Ursache 3. Vor der wöchentlichen Bestellauslösung werden drei Signale strukturiert geprüft: die Wetterprognose für wettersensitive Artikel, der Veranstaltungskalender der Belieferungsregion und die intern geplanten Aktionen. Kündigt eines dieser Signale eine Nachfrageerhöhung an, wird die Bestellmenge präventiv angepasst, statt nach dem Ausfall zu reagieren.
Der Aufwand ist mittel, weil es einen Prozess braucht und nicht nur eine Parameteränderung. Die Wirkung zeigt sich dort, wo die Standardprognose strukturell versagt, nämlich in der Saisonspitze. Den Prozessrahmen dazu liefert der Artikel zu Demand Sensing, die methodische Grundlage die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung.
Die Prüffrage: Haben Sie einen strukturierten Prozess, der externe Signale wie Wetterprognose und Veranstaltungskalender vor der wöchentlichen Bestellung berücksichtigt?
Sechs Maßnahmen, aber nicht alle gleichzeitig
Sechs Maßnahmen gegen Out-of-Stock klingen nach Aufwand. Sie sind es, aber einmalig. Wer danach einen funktionierenden Überprüfungsrhythmus hat, verhindert das nächste Feuerlöschen, bevor es beginnt. Entscheidend ist die Reihenfolge, denn die Maßnahmen bauen aufeinander auf.
Drei Schritte lohnen sich zuerst. Erstens die Ausfallartikel der letzten zwölf Monate identifizieren und nach Häufigkeit sortieren, die fünf häufigsten sind der Startpunkt. Zweitens für diese Artikel den Meldebestand und die Wiederbeschaffungszeit prüfen und parallel die Liefertreue des Lieferanten messen, also die Maßnahmen 1 und 4, weil beide oft dieselbe Ursache von zwei Seiten freilegen. Drittens, und erst wenn die Parameter aktuell sind, den Sicherheitsbestand neu berechnen, also Maßnahme 2.
Die Reihenfolge ist kein Detail. Wer den Sicherheitsbestand neu berechnet, bevor die Wiederbeschaffungszeit stimmt, bekommt mit einer besseren Formel dieselbe falsche Antwort. Die BCG-Studie Supply Chain Planning 2026 hält fest, dass gepflegte Parameter die Voraussetzung jeder weiteren Verbesserung sind, und für die Lieferfähigkeit gilt das ohne Einschränkung. Ein Out-of-Stock ist selten ein Nachfragewunder. Meistens ist er die Rechnung für einen Parameter, den seit Jahren niemand angesehen hat.
Weiterführende Quellen
Fraunhofer IML: Dynamische Bestandsdisposition und robustes Service-Level-Management
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
Was ist ein Out-of-Stock, und was sind die häufigsten Ursachen im Großhandel?
Ein Out-of-Stock (OOS) ist die Situation, in der ein Artikel bei Kundennachfrage nicht verfügbar ist und die Bestellung nicht vollständig erfüllt werden kann. Im Großhandel liegen die häufigsten Ursachen nicht im Markt, sondern in der Planung. Drei strukturelle Ursachen dominieren: Parameterdrift, also veraltete Dispositionsparameter wie Meldebestand und Wiederbeschaffungszeit, die Stockout-Verzerrung, bei der frühere Ausfälle die Absatzhistorie verfälschen, und fehlende Signale für kurzfristige Nachfragesprünge durch Wetter, Saison oder Events.
Was ist Parameterdrift, und wie erkenne ich sie bei meinen Dispositionsparametern?
Parameterdrift ist die schleichende Veränderung der realen Nachfrage- und Lieferbedingungen, die sich nicht in den hinterlegten Dispositionsparametern niederschlägt. Sie entsteht, weil Meldebestand und Sicherheitsbestand meist einmalig gesetzt und danach selten überprüft werden, während sich Wiederbeschaffungszeit und Verbrauch laufend ändern. Erkennen lässt sie sich an wiederkehrenden Mustern: Ein Artikel, der regelmäßig kurz vor der Lieferung leerläuft, hat einen zu niedrigen Meldebestand oder eine veraltete Wiederbeschaffungszeit. Der einfachste Test ist der Abgleich der tatsächlichen Lieferzeiten der letzten Monate mit dem im ERP hinterlegten Wert.
Was ist Stockout-Verzerrung, und wie verfälscht sie die nächste Absatzprognose?
Stockout-Verzerrung ist die Verfälschung der Absatzhistorie durch Out-of-Stock-Perioden, die als Nullnachfrage erfasst werden. Ist ein Artikel ausverkauft, bucht das ERP keine Nachfrage, obwohl Kunden bestellen wollten. Die tatsächliche Nachfrage war vorhanden, sie konnte nur nicht bedient werden. Für die nächste Prognose bedeutet das eine systematisch zu niedrige Datenbasis: Die Prognose unterschätzt die Nachfrage, der Bestellvorschlag fällt zu klein aus, und der nächste Ausfall wird wahrscheinlicher. Jeder unbereinigte Ausfall erhöht so die Wahrscheinlichkeit des nächsten.
Was ist die Override-Rate, und was sagt sie über die Qualität meiner Bestellvorschläge?
Die Override-Rate ist der prozentuale Anteil der Bestellvorschläge, den der Disponent manuell verändert. Sie ist vor allem ein Diagnoseinstrument. Werden bestimmte Artikel regelmäßig manuell korrigiert, ist der Bestellvorschlag für genau diese Artikel systematisch falsch kalibriert. Die Kennzahl sagt damit weniger über den Disponenten als über das System aus. Wichtig ist die Anschlussfrage: Liegt ein Parameterproblem vor, etwa eine veraltete Wiederbeschaffungszeit, oder ein Prognoseproblem, etwa eine durch Ausfälle verzerrte Datenbasis? Die Antwort bestimmt, welche Maßnahme greift.
In welcher Reihenfolge sollte ich die sechs Maßnahmen angehen?
Nicht alle gleichzeitig, sondern in einer Sequenz, weil die Maßnahmen aufeinander aufbauen. Zuerst die Ausfallartikel der letzten zwölf Monate nach Häufigkeit sortieren und mit den fünf häufigsten beginnen. Dann für diese Artikel den Meldebestand und die Wiederbeschaffungszeit prüfen (Maßnahme 1) und die Liefertreue des Lieferanten messen (Maßnahme 4), weil beide oft dieselbe Ursache freilegen. Erst wenn die Parameter aktuell sind, folgt die Neuberechnung des Sicherheitsbestands (Maßnahme 2). Wer diesen Schritt vorzieht, erhält mit einer besseren Formel dieselbe falsche Antwort, weil die Eingabewerte veraltet sind.
Wie viele Out-of-Stock-Ereignisse pro Monat sind normal, und ab wann ist es ein strukturelles Problem?
Eine allgemeingültige Normzahl gibt es nicht, weil Sortimentsbreite, Lieferantenstruktur und Saisonalität die Ausfallhäufigkeit stark beeinflussen. Aussagekräftiger als die absolute Zahl ist das Muster: Treffen die Ausfälle immer wieder dieselben Artikel, ist das ein strukturelles Problem und kein Zufall. Ein einzelner Ausfall bei einem sonst stabilen Artikel kann ein Einzelereignis sein, drei Ausfälle desselben A-Artikels innerhalb eines Jahres sind ein Signal. Entscheidend ist deshalb, die Ausfälle überhaupt systematisch zu erfassen, denn ohne Zählung bleibt jedes Muster unsichtbar.
Kann ich Out-of-Stocks mit einem höheren Sicherheitsbestand dauerhaft vermeiden?
Nein, jedenfalls nicht als alleinige Maßnahme. Ein höherer Sicherheitsbestand fängt den nächsten Ausfall ab, ohne die Ursache zu beheben. Liegt Parameterdrift vor, wiederholt sich das Muster beim nächsten Artikel mit veralteten Parametern. Liegt Stockout-Verzerrung vor, kaschiert der Puffer das Datenproblem, während die Prognose weiter zu niedrig bleibt. Die Folge ist Überbestand bei den stabilisierten Artikeln, während das Ausfallproblem zu anderen Artikeln wandert. Der Sicherheitsbestand ist ein sinnvoller Puffer, aber er ersetzt keine Ursachenanalyse.
