Stockout-Verzerrung im ERP erkennen und korrigieren

Laut der BVL-Studie „Trends und Strategien“, an der bis Ende Juli 2025 über 200 Unternehmen teilnahmen, sehen 54 Prozent in der eingeschränkten Verfügbarkeit und Qualität von Daten eine der größten Herausforderungen bei der digitalen Transformation. Im Dispositionsalltag liegt dieses Problem nicht zwingend an einer fehlenden Schnittstelle. Es steckt in Perioden, deren Absatzwert nicht mehr eindeutig sagt, was die Kunden gebraucht hätten. Dieses Muster heißt Stockout-Verzerrung. Wie sich Fehlmengen von vornherein systematisch vermeiden lassen, ist an anderer Stelle beschrieben, ebenso die allgemeine Frage der Datenqualität. Hier geht es um den Schaden, der nach der Fehlmenge in den Daten zurückbleibt.

Stockout-Verzerrung: Welche Datenspur eine Fehlmenge im ERP hinterlässt

Die verbreitete Kurzfassung lautet: Ein Artikel fehlt, also steht in der Historie eine Null, also rechnet die nächste Prognose zu niedrig. Der Rückkopplungseffekt dahinter ist im Artikel zu Fehlmengen und Überbestand beschrieben und wird hier vorausgesetzt. Die Kurzfassung hat nur einen Haken. Sie beschreibt einen von mehreren möglichen Fällen, und ausgerechnet die unauffälligen Fälle fallen aus ihr heraus.

Warum der verbuchte Absatz den tatsächlichen Bedarf nicht vollständig zeigt

Solange genügend Ware verfügbar ist, sind verbuchter Absatz und tatsächliche Nachfrage dieselbe Zahl. Ab dem Moment, in dem die Verfügbarkeit endet, ist der beobachtete Wert nach oben begrenzt. Fachlich heißt das zensierte Nachfrage, im Englischen „censored demand“: Ab der Nichtverfügbarkeit bildet der beobachtete Absatz nur noch eine Untergrenze. Die tatsächliche Nachfrage lag mindestens auf diesem Niveau und kann darüber gelegen haben. Trapero, Holgado de Frutos und Pedregal beschreiben diesen Zusammenhang 2024 im International Journal of Forecasting für den Fall, dass unerfüllte Nachfrage verloren geht statt als Rückstand bestehen zu bleiben. Prognosemodelle müssen dann mit geschätzten, zensierten Nachfragewerten arbeiten.

Zensiert bedeutet nicht null. Ein Artikel, der am Dienstagmittag ausgeht, hat für diese Woche einen positiven Absatzwert. Der Wert sieht in jeder Auswertung unauffällig aus und ist trotzdem unvollständig. Genau diese Periode findet niemand, der nach Nullwerten sucht.

Und die Verzerrung wirkt nicht nur nach unten. Weicht ein Kunde auf einen vergleichbaren Artikel aus, entsteht dort ein Absatz, den es ohne die Fehlmenge nicht gegeben hätte. Eine zweite Zeitreihe ist damit ebenfalls betroffen, nur in die andere Richtung. Aktionswochen erzeugen eine dritte Art von Verzerrung, die über Preis-, Rabatt- oder Aktionsdaten immerhin eine zusätzliche Spur hinterlassen kann. Wie Promotions in der Prognose abgebildet werden, ist gesondert beschrieben.

Der naheliegende Einwand: Wenn die nicht erfüllte Nachfrage nie gemessen wurde, ist jede Korrektur Spekulation. Das trifft nicht ganz. Der Wert ist nicht beliebig. Die Untergrenze ist bekannt, und diese Asymmetrie macht ihn schätzbar.

Prüffrage: Können Sie für einen Artikel sagen, ob sein Absatzwert der letzten Woche eine Nachfrage abbildet oder eine Verfügbarkeitsgrenze?

Fünf Fälle, fünf Datenspuren

Was eine Fehlmenge im ERP hinterlässt, hängt davon ab, wie der Kunde reagiert und wie Ihr Auftragsprozess damit umgeht. Fünf Fälle sind zu unterscheiden, und sie brauchen unterschiedliche Korrekturen.

Nicht jede Fehlmenge hinterlässt dieselbe Lücke. Welche Korrektur später möglich ist, entscheidet sich an der Datenspur.

Der erste ist der klassische Lost Sale. Der Kunde bestellt nicht oder deckt sich extern ein. Ein Auftrag entsteht dabei möglicherweise gar nicht. Die Nachfrage fehlt vollständig, und ohne Bestands- oder Verfügbarkeitsinformation lässt sich dieser Fall nachträglich kaum von einer echten Nullnachfrage unterscheiden.

Der zweite ist der Stockout innerhalb der Auswertungsperiode. Der Artikel war einen Teil der Woche verfügbar, der Absatzwert ist positiv und trotzdem nach oben begrenzt. Dieser Fall ist besonders leicht zu übersehen, weil kein Nullwert entsteht, an dem eine Auswertung hängen bleiben könnte.

Der dritte ist der Rückstand, die Teillieferung oder die Streichposition. Der Kunde bestellt zehn Einheiten und erhält sechs. Je nach ERP-Prozess bleiben ursprüngliche Bestellmenge, Fehlmenge und Liefermenge dokumentiert, und dann ist der Bedarf nicht verloren, sondern vorhanden. Werden Positionen dagegen gelöscht oder überschrieben, geht die Information verloren.

Der vierte ist die Substitution. Der Kunde nimmt einen vergleichbaren Artikel, beim Original entsteht eine Lücke oder ein gedämpfter Wert, beim Ersatzartikel ein erhöhter. Wie viel des Mehrabsatzes tatsächlich auf die Substitution entfällt, ist ohne weitere Annahmen unbekannt. Steeneck, Eng-Larsson und Jauffred haben 2022 in Manufacturing & Service Operations Management ein Verfahren entwickelt, um entgangene Verkäufe substituierbarer Artikel zu schätzen, wenn keine verlässliche Information zur Verfügbarkeit vorliegt.

Der fünfte ist die verschobene Bestellung. Ein Teil der Nachfrage taucht in einer späteren Periode auf. Verzerrt wird dann vor allem die zeitliche Zuordnung, und zusätzlich die Menge, weil später weniger, mehr oder gar nicht nachbestellt wird. Welcher der fünf Fälle eintritt, hängt von Dringlichkeit, Kundenverhalten, Auftragsprozess und verfügbaren Alternativen ab, nicht von der Warengruppe.

Prüffrage: Wissen Sie bei Ihrer letzten größeren Fehlmenge, welcher dieser fünf Fälle vorlag?

Was von der Verzerrung in der Planung ankommen kann

Zwischen der verzerrten Historie und der bestellten Menge liegen mehrere Rechenschritte, und keiner davon reagiert automatisch. Ob und wie stark die Verzerrung ankommt, hängt vom Prognoseverfahren ab, von der Konfiguration der Dispositionsparameter und davon, wer den Vorschlag am Ende noch anfasst. Diese Abstufung ist wichtig, weil eine pauschale Ursachenkette an der eigenen Systemlandschaft schnell widerlegt wird.

Wann eine zensierte Historie die Prognose senken kann und wann nicht

Zu niedrig beobachtete Werte können den Erwartungswert der Bedarfsprognose senken. Wie stark, hängt davon ab, wie das Verfahren jüngere Perioden gewichtet und welchen Anteil die betroffenen Perioden an der Historie ausmachen. Eine dreiwöchige Fehlmenge wirkt vor allem dann stark, wenn das Verfahren jüngere Perioden hoch gewichtet oder nur ein kurzes Historienfenster nutzt. Bei längeren Historienfenstern oder geringerer Gewichtung kann derselbe Zeitraum weniger Einfluss haben.

Das Fraunhofer IML hält in seiner Forschung zum Machine Learning in der Bedarfsplanung fest: „Die Güte der Bedarfsprognose hat einen maßgeblichen Einfluss auf die Qualität der nachfolgenden Planungsprozesse.“ Der Satz beschreibt keine Automatik, sondern eine Abhängigkeit. Genau deshalb lohnt sich der nächste Blick auf die Größen, die aus der Prognose abgeleitet werden.

Prüffrage: Wie viele Perioden Ihrer letzten zwölf Monate sind bei Ihrem meistkorrigierten Artikel von Fehlmengen betroffen?

Welche Parameter datenabhängig sind und welche nicht

Hier liegt eine zentrale Fehlannahme. Meldebestand und Sicherheitsbestand können mitsinken, aber nur, soweit sie aus der Historie neu berechnet werden. Silver, Pyke und Thomas beschreiben in Inventory and Production Management in Supply Chains die Rechenwege dahinter: Beide Größen leiten sich aus der geschätzten Nachfrage und ihrer Streuung ab, der Sicherheitsbestand zusätzlich aus Servicegrad und Unsicherheit der Lieferzeit. Eine zu niedrige Nachfrageschätzung kann also beide Werte nach unten ziehen, und wie ein Meldebestand dynamisch statt statisch geführt wird, entscheidet mit darüber, wie schnell das passiert.

Statisch hinterlegte Werte bewegen sich dagegen überhaupt nicht. Sie bleiben, bis jemand sie neu berechnet oder von Hand anpasst. Für die Diagnose heißt das: Bevor Sie den Sicherheitsbestand verdächtigen, klären Sie, ob er überhaupt aus Daten entsteht. Die Wiederbeschaffungszeit gehört ausdrücklich nicht in diese Liste. Sie stammt aus Stammdaten, Lieferantenvereinbarungen oder gemessenen Wareneingängen.

Am Ende der Kette steht der Bestellvorschlag, und auch dort ist nichts zwangsläufig. Ein zu niedriger Bestellvorschlag kann aus der Prognose kommen, aber offene Bestellungen, Mindestbestellmengen, Bestelleinheiten und manuelle Korrekturen wirken dazwischen.

Prüffrage: Wird Ihr Sicherheitsbestand aus der Historie gerechnet, oder steht er als fester Wert im Artikelstamm?

Warum der Handaufschlag die Ursache verdeckt und was er kostet

Der erfahrene Disponent kennt seine Problemartikel und schlägt auf. Der Aufschlag ist eine nachvollziehbare Reaktion auf eine Zahl, der er misstraut. Wird die Korrektur jedoch nicht zusammen mit ihrem Grund dokumentiert, verschwindet das Symptom, während die Ursache verborgen bleibt.

Zwei Nebenwirkungen sind aus der Praxis bekannt, ohne dass sich ihre Verbreitung beziffern ließe. Die eine ist wirtschaftlich: Ein pauschaler Aufschlag kostet bei Artikeln mit begrenzter Restlaufzeit Abschriften, bei lagerfähigen Artikeln bindet er Kapital. Die andere ist organisatorisch: Der Aufschlag hängt an einer Person. Fällt sie in der Saison aus, bestellt die Vertretung, was das System vorschlägt.

Prüffrage: Welche Artikel korrigiert Ihr Disponent seit Monaten in dieselbe Richtung, und weiß außer ihm jemand davon?

Wie Sie eine verzerrte Absatzhistorie bereinigen

Vier Schritte, und sie bauen aufeinander auf. Zuerst müssen die betroffenen Perioden gefunden werden, dann braucht es eine Schätzung für den Bedarf, der in ihnen bestanden hätte, danach werden die datenabhängigen Größen neu gerechnet, und zuletzt wird geprüft, ob sich am Bestellvorschlag etwas verbessert hat. Wer den zweiten Schritt überspringt, hat die Zeitreihe verkürzt statt korrigiert.

Schritt 1: Betroffene Perioden im ERP erkennen

Fehlmengen im ERP erkennen heißt in der Praxis: vorhandene Spuren zusammenführen, die einzeln wenig aussagen. Vier kommen infrage. Der Bestandsverlauf je Artikel zeigt Tage ohne Bestand oder mit Unterdeckung. Der Verfügbarkeits- oder Verkaufsstatus, sofern gepflegt, markiert Zeiträume direkt. Rückstands- und Streichpositionen aus dem Auftrag enthalten die ursprünglich bestellte Menge. Und Kommissionierdifferenzen zeigen die Lücke zwischen bestellter und gelieferter Menge.

Eine Einschränkung gehört dazu, und sie betrifft die naheliegendste Quelle. Steeneck, Eng-Larsson und Jauffred zeigen in derselben Arbeit die negativen Folgen davon, ungenaue Bestandsdaten als Indikator für tatsächliche Verfügbarkeit zu verwenden. Der Bestandsverlauf ist ein Ausgangspunkt, kein Beweis. Wo er mit einer zweiten Spur zusammenpasst, etwa mit einer Streichposition am selben Tag, wird aus dem Verdacht ein Befund.

Für eine erste Prüfung reichen häufig vorhandene ERP-Daten. Ob sie ohne zusätzliche Reports oder Aufbereitung zusammengeführt werden können, hängt vom jeweiligen System ab.

Prüffrage: Können Sie für einen Artikel die Tage benennen, an denen er im letzten Jahr nicht verfügbar war, ohne jemanden zu fragen?

Schritt 2: Die latente Nachfrage schätzen, statt die Periode zu streichen

Der naheliegende Reflex ist, betroffene Perioden aus der Auswertung zu nehmen. Das behebt die Verzerrung nicht, es verkürzt die Zeitreihe, und bei Saisonartikeln fallen ausgerechnet die Perioden heraus, die das Muster tragen. Nötig ist eine Schätzung: Welcher Bedarf hätte in dieser Periode bestanden? Verlorene Nachfrage schätzen ist dabei kein einheitliches Verfahren, sondern eine Frage der verfügbaren Datenlage, und die drei Wege sind unterschiedlich belastbar.

Bei vollständig erhaltenen Auftragsdaten ist die ursprüngliche Bestellmenge meist die belastbarste Grundlage. Wo der Prozess sie erhält, ist das streng genommen keine Schätzung, sondern ein abgelesener Wert.

Fehlt diese Grundlage, kann aus den verfügbaren Tagen innerhalb der Periode hochgerechnet werden. Ein Artikel, der von Montag bis Dienstagmittag 180 Einheiten abgesetzt hat und danach fehlte, hatte in dieser Woche mehr Bedarf als die verbuchten 180. Wie viel mehr, hängt vom Wochentagsmuster ab, von Aktionen und von der Saison. Wer diese Effekte in der Hochrechnung ignoriert, ersetzt eine Verzerrung durch eine andere.

Substitutionsdaten liefern eine weitere Spur, erfordern jedoch zusätzliche Annahmen über die Substitutionsrate. Der Mehrabsatz vergleichbarer Artikel darf dem ausgefallenen Artikel nicht vollständig zugerechnet werden, solange diese Rate unbekannt ist. Dass Steeneck und Kollegen für genau diese Lücke ein eigenes Schätzverfahren entwickelt haben, ist der deutlichste Hinweis darauf, dass eine einfache Zurechnung nicht trägt.

Prüffrage: Streichen Sie Fehlmengenwochen aus Ihrer Auswertung, oder ersetzen Sie sie durch einen geschätzten Bedarf?

Schritt 3: Nur die Größen neu rechnen, die tatsächlich aus den Daten stammen

Eine bereinigte Historie ändert von sich aus nichts an den Werten, die im System stehen. Das Fraunhofer IML hält für die dynamische Bestandsdisposition fest, dass Dispositionsverfahren und deren Parameter in der Unternehmenspraxis oft nur in großen Zeitabständen angepasst werden, beispielsweise bei der Einführung einer neuen ERP-Software, und diese Vorgehensweise für die heutigen Supply Chains als „wenig geeignet“ einordnet.

Neu zu rechnen sind die datenabhängigen Größen: die Prognose selbst und alles, was aus Nachfrage und Streuung abgeleitet wird. Was als fester Wert hinterlegt ist, muss jemand aktiv anfassen, sonst trägt es die alte Verzerrung weiter. Diese Parameterdrift ist ein eigenes Thema, und welche Dispositionsparameter einen Bestellvorschlag ruinieren, ist dort ausgeführt. Der Zeitpunkt zählt mit: Wer erst nach der Saison bereinigt und die Parameter stehen lässt, geht mit den Werten der verzerrten Saison in die nächste.

Prüffrage: Aus welcher Datenbasis stammt der Sicherheitsbestand, der heute in Ihrem System steht?

Schritt 4: Prüfen, ob der Bestellvorschlag besser geworden ist

Die verlockende Kennzahl ist die manuelle Korrekturquote. Wenn der Disponent nach der Bereinigung weniger nachbessert, wirkt das nach Erfolg. Es ist ein erster Hinweis und noch kein Wirkungsnachweis, denn eine sinkende Korrekturquote kann ebenso von verändertem Verhalten kommen, von veränderter Nachfrage oder von neuen Restriktionen im Vorschlag.

Belastbar wird die Gegenprobe erst, wenn drei Beobachtungen zusammenkommen. Erstens die Veränderung des Bestellvorschlags an denselben Artikeln vor und nach der Korrektur. Zweitens der nachfolgende Absatz in Perioden, in denen der Artikel durchgehend verfügbar war und der beobachtete Wert daher zumindest nicht durch einen Stockout begrenzt wurde. Drittens Richtung und Häufigkeit der manuellen Korrekturen. Zeigen alle drei in dieselbe Richtung, ist die Korrektur plausibel wirksam. Zeigt nur die Korrekturquote nach unten, kann ebenso gut der Disponent im Urlaub gewesen sein.

Prüffrage: Wie viele Ihrer Bestellvorschläge hat der Disponent letzte Woche nach oben korrigiert, und bei welchen Artikeln?

Wie Circly mit Fehlbestandsperioden umgeht

Stellt das ERP Informationen zu Fehlbeständen bereit, kann Circly die betroffenen Perioden als Fehlbestandsperioden identifizieren und in der Bedarfsprognose gesondert berücksichtigen, statt sie als reguläre Nullnachfrage zu behandeln. Ausgewertet werden dafür zwei Datenspuren, die zusätzlich zu den Verkaufsdaten übergeben werden: der Bestandsverlauf je Artikel und der Verkaufsstatus des Artikels im Zeitverlauf, der neben aktiv und inaktiv auch die Zustände außer Bestand, auslaufend sowie ersetzt oder substituiert kennt. Liegt keine dieser Informationen vor, bleibt eine Null in der Absatzhistorie das, was sie ist: ein Wert, der eine Fehlmenge oder eine echte Nullnachfrage bedeuten kann. Prognose, Bestand, Lieferzeit, Sicherheitsbestand und Lieferantenrestriktionen führt Circly anschließend zu einer Bestellmenge zusammen, die auf Artikelebene einsehbar begründet ist, und der Disponent prüft, passt an und gibt frei. Wer diese Fragen im Auswahlprozess an Anbieter stellen möchte, findet sie in den sieben Kriterien für die Auswahl von SCM-Software.

Fazit

Die Reihenfolge entscheidet. Solange unklar ist, welcher Fall vorlag und welche Datenspur erhalten blieb, lässt sich die Korrektur nur begrenzt belastbar ableiten. Steht die Datenspur fest, wird die Schätzung möglich, und ihre Belastbarkeit hängt davon ab, welcher der drei Wege zur Verfügung steht. Erst danach lohnt sich die Neuberechnung der datenabhängigen Größen, weil sie sonst auf denselben Daten aufsetzt wie vorher. Und erst ganz am Ende lässt sich am Bestellvorschlag prüfen, ob sich etwas verändert hat.

Bleibt der Zeitpunkt. Eine im Winter vorgenommene Korrektur verbessert die vergangene Sommersaison nicht mehr. Sie kann aber verhindern, dass deren Stockout-Verzerrung in die nächste Saison fortgeschrieben wird.

Weiterführende Quellen

1. BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26

2. Trapero, J.R., Holgado de Frutos, E. & Pedregal, D.J. (2024): Demand forecasting under lost sales stock policies, International Journal of Forecasting 40(3)

3. Steeneck, D., Eng-Larsson, F. & Jauffred, F. (2022): Estimating Lost Sales for Substitutable Products with Uncertain On-Shelf Availability, Manufacturing & Service Operations Management 24(3):

4. Silver, E.A., Pyke, D.F. & Thomas, D.J. (2017): Inventory and Production Management in Supply Chains*, 4. Auflage, CRC Press

5. Fraunhofer IML: Potenziale des Machine Learning in der Bedarfsplanung

6. Fraunhofer IML: Dynamische Bestandsdisposition und robustes Service-Level-Management

FAQ