KI Filialbefüllung optimieren: Out-of-Stock vermeiden
KI-SymbolbildSymbolbild, mit KI erstellt.
Definition: KI-Filialbefüllung bezeichnet den Einsatz von Algorithmen, die Verkaufsdaten, Saisonverläufe und aktuelle Lagerbestände auswerten, um automatisiert zu berechnen, wann welche Filiale welche Menge welcher Artikel nachgeliefert bekommen sollte. Ziel ist es, Out-of-Stock-Situationen und gleichzeitig überhöhte Lagerbestände zu reduzieren.
Warum Filialbefüllung im Handel zum Balanceakt wird
Wer mehrere Filialen, einen Onlineshop oder ein Großhandelslager mit nachgelagerten Standorten betreibt, kennt das Grundproblem: Aus unserer Sicht ist das der Kern der Herausforderung — zu wenig Ware am richtigen Ort kann zu leeren Regalen und verärgerten Kunden führen, zu viel Ware bindet Kapital und kann im ungünstigen Fall in der Abschreibung enden. Filialbefüllung ist deshalb kein reines Lagerthema, sondern berührt mehrere Baustellen gleichzeitig: die Lagerhaltung selbst, das Retourenmanagement bei Online-Bestellungen, die Preisgestaltung bei Abverkaufsware und die Saisonalität, die je nach Sortiment mehrfach im Jahr die Nachfrage verschiebt.
Die Umsetzung ist dabei bislang gering. Laut einer Studie des EHI Retail Institute setzen nur 8,0 Prozent der Handelsunternehmen KI bereits konkret im Bestandsmanagement ein (EHI Retail Institute, 2021, https://www.moebelmarkt.de/beitrag/ehi-retail-institute-e-v-studie-ki-in-der-supply-chain). Genau an diesem Punkt setzt die Frage an, mit welchem Ansatz ein Betrieb seine Filialbefüllung tatsächlich verbessert.
Weg 1: Erfahrungsbasierte Disposition
Der Ausgangspunkt in vielen kleineren Handelsbetrieben ist die klassische Disposition nach Erfahrungswert: Die Filialleitung oder die Einkaufsabteilung bestellt auf Basis der Verkaufszahlen der Vorwoche, ergänzt um Bauchgefühl für die kommende Saison.
Der Vorteil liegt in der Einfachheit. Es braucht kein zusätzliches System, keine Schnittstellen und keine Einarbeitungszeit. Bei einem überschaubaren Sortiment und wenigen Standorten halten wir diesen Ansatz für einen vertretbaren Ausgangspunkt.
Die Grenze zeigt sich, sobald ein Betrieb wächst oder das Sortiment saisonal schwankt. Erfahrungswerte reagieren erst mit Verzögerung auf Trendwechsel, sind stark an einzelne Personen gebunden und lassen sich zwischen mehreren Filialen kaum vergleichbar auswerten. Wechselt die zuständige Person, geht ein Teil des Wissens verloren.
Weg 2: Regelbasierte Bestandssoftware
Der nächste Schritt ist in vielen ERP- und Warenwirtschaftssystemen bereits eingebaut: Meldebestand und Sicherheitsbestand. Sinkt der Lagerbestand einer Filiale unter einen festgelegten Schwellenwert, löst das System automatisch eine Nachbestellung aus.
Das schafft Verlässlichkeit und Nachvollziehbarkeit, ohne dass jemand die Bestände manuell im Blick behalten muss. Für Sortimente mit gleichmäßiger Nachfrage, etwa Grundbedarfsartikel ohne starke Saisonspitzen, ist das ein solider Ansatz.
Die Schwäche liegt in der Statik der Regel. Ein fester Meldebestand bildet weder eine bevorstehende Aktion noch einen Wetterumschwung noch den Wechsel von Winter- auf Sommersortiment automatisch ab. Aus unserer Sicht ist genau das der wunde Punkt: Bleibt der Schwellenwert über längere Zeit unangetastet, halten wir das Risiko für hoch, dass er weder zur Hochsaison noch zur Zeit danach passt.
Weg 3: KI-gestützte Nachfrageprognose
Der dritte Weg setzt an genau dieser Stelle an: Ein Algorithmus wertet fortlaufend Verkaufsverlauf, Saisonmuster, geplante Aktionen und teils externe Faktoren aus und passt die empfohlene Bestellmenge je Filiale dynamisch an. Ein fixer Schwellenwert kommt dabei nicht mehr zum Einsatz. Auch auf Warenträgerebene gibt es dafür bereits konkrete Technik: Intelligente Regale melden Fehlbestände oder Falschplatzierungen automatisch und tragen laut SAP News Center dazu bei, Out-of-Stock-Situationen in der Filiale zu verringern (SAP News Center, 2025, https://news.sap.com/germany/2025/11/ki-im-handel-5-reale-use-cases-und-warum-sie-erst-der-anfang-sind/).
Der Vorteil ist die Reaktionsfähigkeit auf Schwankungen, die eine feste Regel nicht abbilden kann, und die Möglichkeit, mehrere Filialen gleichzeitig gegeneinander zu priorisieren, wenn Ware knapp ist. Der Aufwand liegt in der Datenbasis: Ohne saubere, filialscharfe Verkaufsdaten und eine gewisse Einrichtungszeit liefert auch die beste Prognose keine belastbaren Werte. Eine KI-gestützte Prognose ersetzt außerdem keine strategische Sortimentsentscheidung, etwa ob ein Artikel überhaupt weitergeführt wird.
Dass Handelsunternehmen dieses Feld zunehmend ernst nehmen, zeigt eine Befragung von Retail Optimiser: 70 Prozent der Einzelhandelsunternehmen haben bereits in KI-Anwendungen investiert oder planen dies innerhalb von zwölf Monaten, davon setzen 23,3 Prozent gezielt auf Unterstützung bei Logistik, Warendisposition und Supply Chain (Retail Optimiser, 2024, https://retail-optimiser.de/vom-hype-in-die-filiale-ki-kommt-im-einzelhandel-an/).
Rechenbeispiel (hypothetisch): Angenommen, eine Filialkette mit 15 Standorten disponiert bislang per Erfahrungswert und rechnet pro Filiale mit geschätzt 3 Stunden wöchentlichem Aufwand für die Mengenplanung. Bei 15 Filialen ergäbe das in diesem Modell rechnerisch 45 Stunden pro Woche allein für die reine Bestellmengenermittlung. Übernähme eine dynamische Prognose einen Teil dieser Routineberechnung, bliebe in diesem Szenario vermutlich mehr Zeit für Sortiments- und Preisentscheidungen in der jeweiligen Filiale übrig.
Die folgende Übersicht fasst die drei Wege zusammen:
| Ansatz | Wie es funktioniert | Stärken | Grenzen | Passt für |
|---|---|---|---|---|
| Erfahrungsbasierte Disposition | Bestellung nach Erfahrungswert und Vorwochenzahlen | Kein zusätzliches System, sofort einsetzbar | Reagiert langsam auf Trendwechsel, personenabhängig | Kleine Sortimente, wenige Standorte |
| Regelbasierte Bestandssoftware | Fester Meldebestand löst Nachbestellung im ERP/WMS aus | Automatisiert, nachvollziehbar | Bildet Saison und Aktionen nicht automatisch ab | Gleichmäßig nachgefragte Grundsortimente |
| KI-gestützte Nachfrageprognose | Algorithmus passt Bestellmengen je Filiale dynamisch an | Reagiert auf Schwankungen, vergleicht Filialen gegeneinander | Braucht saubere Verkaufsdaten und Einrichtungsaufwand | Filialketten und Online-Handel mit schwankender Nachfrage |
Zur Nachfrageseite und zur Bestandsprüfung im Einzelhandel finden sich vertiefende Beiträge unter Ki Warenverfügbarkeit Vorhersagen Einzelhandel und Bestandskontrolle Automatisieren Ki Einzelhandel. Wer zusätzlich Retouren aus dem Onlinegeschäft in die Filialbefüllung einrechnen muss, findet ergänzende Ansätze unter Retourenmanagement Automatisieren Ki E Commerce Handel.
Fazit: Welcher Weg zu welchem Betrieb passt
Für sehr kleine Sortimente mit wenigen Standorten bleibt aus unserer Einschätzung die erfahrungsbasierte Disposition ein vertretbarer Ausgangspunkt. Sobald Saisonalität, mehrere Filialen und Retouren aus dem Onlinegeschäft zusammenkommen, stößt sie an ihre Grenzen. Regelbasierte Bestandssoftware ist der solide Mittelweg für gleichmäßig nachgefragte Grundsortimente, verlangt aber regelmäßige manuelle Pflege der Schwellenwerte. Eine KI-gestützte Nachfrageprognose lohnt den Aufwand vor allem dort, wo Nachfrage schwankt und mehrere Filialen gegeneinander priorisiert werden müssen, vorausgesetzt die Datenbasis stimmt. Der erste sinnvolle Schritt ist in jedem Fall eine ehrliche Bestandsaufnahme der eigenen Prozesse, etwa im Rahmen einer Kimpuls Erstdiagnose Rundgang.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Meldebestand und KI-gestützter Filialbefüllung? Der Meldebestand ist ein fester Schwellenwert, bei dessen Unterschreiten automatisch nachbestellt wird. Eine KI-gestützte Prognose passt die Bestellmenge dagegen fortlaufend an Verkaufsverlauf, Saison und geplante Aktionen an, ohne einen starren Wert zugrunde zu legen.
Ab welcher Filialanzahl lohnt sich eine KI-gestützte Prognose? Eine pauschale Grenze gibt es nicht, da die Antwort von Sortimentsbreite und Nachfrageschwankung abhängt. Entscheidend ist weniger die reine Filialanzahl als die Frage, ob sich Nachfrage saisonal oder aktionsbedingt deutlich verschiebt.
Löst KI-gestützte Filialbefüllung auch das Retourenproblem im Onlinehandel? Nicht direkt. Retouren fließen als zusätzlicher Datenpunkt in die Prognose ein, sie werden dadurch aber nicht automatisch vermieden. Für die Ursachenanalyse von Retouren braucht es einen eigenen Prozess.
Welche Daten braucht ein Betrieb, bevor eine KI-gestützte Prognose sinnvoll einsetzbar ist? Grundlage sind filialscharfe, historische Verkaufsdaten über mehrere Saisonzyklen sowie Informationen zu geplanten Aktionen. Fehlt diese Datenbasis, liefert auch eine gute Prognose keine verlässlichen Bestellvorschläge.
Hinweis zur Erstellung
Dieser Beitrag und sein Titelbild wurden mit Unterstützung künstlicher Intelligenz erstellt und vor der Veröffentlichung redaktionell geprüft. Abgebildete Motive sind Symbolbilder. Wie wir KI einsetzen — auch in der Prozessdiagnose selbst — steht unter KI-Transparenz. Redaktionelle Freigabe: Jens Schöberling.