Bedarfsprognose im Einkauf: Zeitreihen mit KI auswerten
Wie der Mittelstand historische Verbrauchsdaten nutzt, um Bestellmengen und Zeitpunkte zu prognostizieren. Schritt für Schritt mit Rechenbeispiel.
Von Learoy Eichholz
Wenn der Einkauf zwischen Notbestellung und Überbestand pendelt
Sie kennen das: Der Verbrauch von Roh- oder Betriebsstoffen schwankt, das ERP zeigt den aktuellen Bestand, aber die Entscheidung, wann welche Menge nachbestellt wird, fällt auf Basis von Erfahrung oder starren Meldebeständen. Die Folge sind Eilzuschläge bei Lieferengpässen oder Kapital, das in Lagerware gebunden ist, die erst Monate später gebraucht wird. Beide Extreme kosten Liquidität und Planungssicherheit.
Zeitreihen-Prognose mit KI wertet historische Verbrauchsdaten systematisch aus und liefert für jeden Artikel eine Vorhersage der benötigten Menge samt Konfidenzintervall. Das Ziel ist eine kontinuierliche Bedarfsplanung, die Schwankungen berücksichtigt, ohne dass jemand manuell Excel-Tabellen pflegen muss.
Was Zeitreihen-Prognose bedeutet und wie sie funktioniert
Eine Zeitreihe ist eine Folge von Messwerten, die zu bestimmten Zeitpunkten erfasst wurden. Im Einkauf sind das typischerweise Verbrauchsmengen pro Tag, Woche oder Monat. Zeitreihen-Prognose analysiert Muster in diesen historischen Daten, etwa Trend, Saisonalität oder wiederkehrende Zyklen, und berechnet daraus zukünftige Werte.
Klassische statistische Verfahren wie ARIMA (AutoRegressive Integrated Moving Average) oder exponentielle Glättung arbeiten deterministisch. KI-basierte Ansätze nutzen maschinelles Lernen, etwa Gradient Boosting (XGBoost, LightGBM) oder rekurrente neuronale Netze (LSTM), um auch nichtlineare Zusammenhänge und externe Einflüsse zu modellieren. Für den Mittelstand sind oft hybride Pipelines sinnvoll: einfache Verfahren für Artikel mit stabilem Verbrauch, ML-Modelle für solche mit komplexen Mustern.
Pipeline aufbauen: Daten, Modell, Automatisierung
Eine produktionsreife Prognose-Pipeline besteht aus drei Schichten: Datenbeschaffung, Modellierung und Integration in den Bestellprozess.
1. Verbrauchsdaten aus ERP und Warenwirtschaft exportieren
Die Quelle sind Bewegungsdaten aus SAP, Microsoft Dynamics, Sage, proAlpha oder einem branchenspezifischen System. Sie benötigen pro Artikel eine Zeitreihe mit Datum, Menge und idealerweise einem Flag für Sonderereignisse (Produktionsstillstand, Sonderaufträge). Exportieren Sie die Daten per SQL-View, CSV-Export oder über die REST-API des ERP-Systems. Achten Sie darauf, dass Buchungsdatum und Materialbewegung konsistent sind, damit keine Sprünge durch nachträgliche Korrekturen entstehen.
2. Datenqualität prüfen und bereinigen
Zeitreihen-Modelle reagieren empfindlich auf Ausreißer und fehlende Werte. Setzen Sie feste Regeln: Fehlende Tage werden linear interpoliert, sofern die Lücke kürzer als fünf Werktage ist, längere Lücken werden als Nullverbrauch oder Sonderereignis markiert. Ausreißer, die mehr als das Dreifache des gleitenden Medians der letzten 30 Tage betragen, sollten Sie separat protokollieren und entscheiden, ob sie Teil der Prognose werden oder als Ausnahme behandelt werden.
3. Modell wählen und trainieren
Für Artikel mit geringem Volumen und wenig Historie reicht oft eine exponentielle Glättung (Holt-Winters). Für Artikel mit saisonalen Schwankungen oder externen Einflussfaktoren (etwa Auftragseingänge, Feiertage, Wetterdaten) bieten sich Gradient-Boosting-Modelle an. Python-Bibliotheken wie statsmodels, Prophet (Meta) oder sktime liefern Out-of-the-box-Implementierungen. Trainieren Sie das Modell auf den letzten 12 bis 24 Monaten und validieren Sie auf den letzten drei Monaten, um Overfitting zu vermeiden.
4. Prognose in den Bestellworkflow integrieren
Die Pipeline läuft täglich oder wöchentlich und schreibt für jeden Artikel eine Prognose der nächsten 30, 60 oder 90 Tage in eine Datenbank oder direkt ins ERP. Dort wird sie mit dem aktuellen Bestand, der Lieferzeit und dem Sicherheitsbestand verrechnet. Ein einfacher Algorithmus: Wenn der prognostizierte kumulierte Bedarf bis zum nächsten möglichen Lieferdatum den verfügbaren Bestand übersteigt, wird ein Bestellvorschlag erzeugt. Dieser wird per E-Mail an den Einkauf geschickt oder als offene Aufgabe ins Workflow-System geschrieben.
5. Monitoring und kontinuierliche Verbesserung
Erfassen Sie pro Prognose die Abweichung zwischen Vorhersage und tatsächlichem Verbrauch (MAE, Mean Absolute Error, oder MAPE, Mean Absolute Percentage Error). Ein wöchentliches Dashboard zeigt, für welche Artikel die Prognose stabil ist und wo nachtrainiert werden muss. Automatisieren Sie das Nachtraining: Sobald die Abweichung über vier Wochen einen Schwellwert überschreitet, wird das Modell mit den aktuellsten Daten neu gefittet.
Rechenbeispiel: Angenommene Werte für einen Kunststoffverarbeiter
Angenommen, ein Betrieb verarbeitet monatlich im Mittel 4.000 Kilogramm eines Granulats. Die Lieferzeit beträgt 14 Tage, der Sicherheitsbestand liegt bei 1.000 Kilogramm. Historisch schwankt der Verbrauch zwischen 3.200 und 5.200 Kilogramm pro Monat. Ohne Prognose wird bei Meldebestand 2.000 Kilogramm eine Fixmenge von 5.000 Kilogramm bestellt.
Die Zeitreihen-Pipeline prognostiziert für den kommenden Monat einen Bedarf von 4.600 Kilogramm mit einem Konfidenzintervall von plus/minus 400 Kilogramm. Der aktuelle Lagerbestand beträgt 2.200 Kilogramm. Die Pipeline berechnet: In 14 Tagen werden voraussichtlich 2.150 Kilogramm verbraucht, es verbleiben 50 Kilogramm. Um den prognostizierten Bedarf der nächsten 30 Tage plus Sicherheitsbestand zu decken, werden 4.600 Kilogramm plus 1.000 Kilogramm minus 50 Kilogramm, also 5.550 Kilogramm, benötigt. Die Pipeline schlägt eine Bestellung von 5.600 Kilogramm vor.
Ohne Prognose wäre bei Meldebestand 2.000 Kilogramm die Standardmenge von 5.000 Kilogramm bestellt worden, vermutlich einige Tage früher. Der Lagerbestand hätte dann für rund vier Wochen ausgereicht, es wären aber 600 Kilogramm zu wenig gewesen, wenn der Verbrauch wie prognostiziert bei 4.600 Kilogramm liegt. Mit Prognose wird die Bestellmenge passgenau angepasst, und es lässt sich die Anzahl der Bestellungen pro Jahr um angenommen 15 Prozent reduzieren, weil größere, seltenere Chargen möglich werden.
Angenommen, der Einkauf bearbeitet pro Bestellung durchschnittlich 20 Minuten (Angebot prüfen, freigeben, buchen), bei 120 Bestellungen pro Jahr sind das 40 Stunden. Mit Prognose sinkt die Zahl auf 102 Bestellungen, die Ersparnis beträgt 6 Stunden jährlich pro Artikel. Bei 50 C-Teilen mit ähnlichem Muster summiert sich das auf 300 Stunden, also rund 37 Arbeitstage, die für strategische Aufgaben frei werden.
Was in der Praxis nicht funktioniert
Zeitreihen-Prognose setzt voraus, dass Verbrauch in der Vergangenheit ein Indikator für die Zukunft ist. Bei Sonderaufträgen, Produktwechseln oder neuen Artikeln greift das Modell ins Leere. Markieren Sie solche Fälle explizit und behalten Sie für diese Artikel manuelle Bestelllogik bei.
Ein zweites Problem ist die Datenqualität: Wenn Materialbewegungen nachträglich korrigiert, auf falsche Kostenstellen gebucht oder in unterschiedlichen Einheiten erfasst werden, lernt das Modell Rauschen statt Muster. Investieren Sie zuerst in saubere Stammdaten und konsistente Buchungslogik, bevor Sie die Pipeline aufsetzen.
Unterschätzen Sie nicht den organisatorischen Aufwand: Die Einkaufsabteilung muss lernen, Prognosen als Entscheidungshilfe zu lesen, nicht als starre Vorgabe. Ein Konfidenzintervall von plus/minus 30 Prozent ist bei volatilen Artikeln normal und sollte nicht als Fehler interpretiert werden. Schulen Sie das Team und zeigen Sie an konkreten Beispielen, wie die Pipeline funktioniert und wo ihre Grenzen liegen.
Nächster Schritt: Pipeline konzipieren und testen
Wenn Sie Verbrauchsdaten strukturiert erfassen und Bestellprozesse standardisiert sind, lohnt sich der Aufbau einer Prognose-Pipeline. Starten Sie mit einer kleinen Gruppe von Artikeln, bei denen Schwankungen messbar Kosten verursachen. Definieren Sie, welche Kennzahl Sie verbessern wollen (Lagerwert, Anzahl Eilbestellungen, Lieferfähigkeit), und messen Sie diese vor und nach Einführung der Pipeline.
Wir unterstützen Sie bei Konzeption, Implementierung und Integration in Ihre bestehende Systemlandschaft. Vereinbaren Sie ein unverbindliches Erstgespräch, um Ihre Anforderungen zu besprechen und einen konkreten Umsetzungsplan zu entwickeln.
Sprechen Sie mit uns
Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.
Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.
Wenn Sie das praktisch umsetzen wollen
Auch interessant
- 27. Okt. 2026 8 Min. Lesezeit
Zeitreihen-Prognose im Einkauf: Modellauswahl und Validierung
Weiterlesen - 5. Okt. 2026 7 Min. Lesezeit
Zeitreihen-Prognose im Einkauf: So rechnet sich die Einführung
Weiterlesen - 29. Sept. 2026 7 Min. Lesezeit
Bestellrhythmus optimieren: Zeitreihen-Prognose im Einkauf
Weiterlesen