Bestellrhythmus optimieren: Zeitreihen-Prognose im Einkauf

Wer im Einkauf zu früh bestellt, bindet Kapital im Lager. Wer zu spät bestellt, riskiert Produktionsstillstand oder verpasst Liefertermine. Die meisten mittelständischen Betriebe steuern den Bestellrhythmus noch über Bauchgefühl, Excel-Tabellen oder einfache Meldebestände. Das funktioniert, solange Verbräuche stabil bleiben. Sobald Saisonalität, Produktmix oder Lieferzeiten schwanken, entstehen Überbestände auf der einen und Engpässe auf der anderen Seite. Zeitreihen-Prognosen nutzen historische Bestelldaten, um den künftigen Bedarf zu berechnen, Bestellzeitpunkte vorzuschlagen und Pufferbestände zu dimensionieren. In diesem Artikel erfahren Sie, wie Zeitreihen-Prognosen im Einkauf funktionieren, welche Datengrundlage Sie brauchen, wie Sie ein Modell aufsetzen und welche Einsparungen im Rechenbeispiel möglich wären.

Was ist eine Zeitreihen-Prognose im Einkauf?

Eine Zeitreihe ist eine geordnete Folge von Datenpunkten zu gleichen Zeitabständen, etwa monatliche Verbräuche eines Artikels. Zeitreihen-Prognose bedeutet, künftige Werte auf Basis vergangener Muster zu schätzen. Klassische Methoden sind exponentielle Glättung, ARIMA (AutoRegressive Integrated Moving Average) und seit wenigen Jahren neuronale Netze wie LSTM (Long Short-Term Memory) oder Transformer. Im Einkauf prognostizieren Sie typischerweise den Bedarf pro Artikel und Zeitschritt, etwa Wochen oder Monate. Daraus leitet die Automatisierung ab, wann eine Bestellung ausgelöst werden sollte, um Lagerkosten und Liefersicherheit zu balancieren.

Datengrundlage und Voraussetzungen

Zeitreihen-Modelle brauchen saubere Historie. Mindestens 24 Monate Verbrauchsdaten pro Artikel erhöhen die Prognosequalität, bei saisonalen Mustern eher 36 Monate. Erfassen Sie Verbrauch oder Absatz in festen Intervallen, etwa wöchentlich oder monatlich. Unregelmäßige Buchungen müssen Sie vorab aggregieren. Neben dem Verbrauch helfen externe Variablen: Lieferzeit des Lieferanten in Tagen, Mindestbestellmenge, aktuelle Lagerreichweite und geplante Produktionsaufträge aus Ihrem ERP. Wenn Artikel stark abhängig sind, etwa Komponenten in Stücklisten, lohnt sich eine mehrstufige Prognose, die zuerst den Endproduktbedarf vorhersagt und dann die Komponenten ableitet.

Schritte zur Umsetzung

1. Daten exportieren: Ziehen Sie aus Ihrem ERP oder Warenwirtschaftssystem Verbrauchshistorie, Bestellhistorie und Lagerbestände je Artikel. CSV oder Datenbank-Export genügen.

2. Zeitreihe bereinigen: Entfernen Sie einmalige Ausreißer, etwa eine Sonderbestellung für ein abgesagtes Projekt. Fehlende Monate füllen Sie mit Null oder interpolieren linear.

3. Modell wählen: Für einfache Muster reicht exponentielle Glättung oder ein saisonales ARIMA. Für komplexere Verläufe mit mehreren Artikeln nutzen Sie Prophet (Open Source von Meta) oder XGBoost mit Zeitfenstern als Features. LSTM-Netze lohnen sich ab einigen hundert Artikeln und langen Historien.

4. Training und Validierung: Teilen Sie die Historie, zum Beispiel trainieren auf 80 Prozent, testen auf den letzten 20 Prozent. Messen Sie den mittleren absoluten Fehler (MAE) oder den mittleren absoluten prozentualen Fehler (MAPE). Ein MAPE unter 15 Prozent gilt bei vielen Verbrauchsartikeln als praxistauglich.

5. Bestelllogik anbinden: Das Modell gibt eine Prognose für die nächsten vier bis zwölf Wochen aus. Subtrahieren Sie aktuellen Lagerbestand und laufende Bestellungen, addieren Sie einen Sicherheitspuffer (zum Beispiel 1,5-fache Standardabweichung der Prognosefehler). Liegt das Ergebnis über der Mindestbestellmenge, löst die Automatisierung eine Bestellung aus oder legt einen Vorschlag im ERP an.

6. Monitoring: Überwachen Sie wöchentlich die Prognosequalität je Artikel. Weicht der tatsächliche Verbrauch systematisch ab, trainieren Sie das Modell neu oder passen Parameter an.

Integration in bestehende Systeme

Die Zeitreihen-Prognose läuft typischerweise außerhalb des ERP, etwa als Python-Skript auf einem Server oder in einer Workflow-Plattform wie n8n. Sie lesen per API oder Datenbank-Connector die Verbrauchsdaten aus, berechnen die Prognose und schreiben Bestellvorschläge zurück ins ERP. Viele ERP-Systeme bieten Tabellen für Bestellvorschläge, die der Einkäufer freigibt. So bleibt die Hoheit beim Menschen, während die Automatisierung Routine abnimmt. Alternativ schickt die Pipeline eine E-Mail mit den Top-10-Artikeln, bei denen Handlungsbedarf besteht.

Rechenbeispiel mit angenommenen Werten

Angenommen, ein Maschinenbauer verwaltet 300 C-Teile mit einem durchschnittlichen Lagerbestand von 8.000 Euro pro Artikel. Ohne Prognose bestellt der Einkauf pauschal alle drei Monate die Mindestmenge, um keine Bestellung zu verpassen. Der gebundene Kapitalzins liegt bei 5 Prozent pro Jahr, Lagermiete und Handling addieren 2 Prozent, zusammen 7 Prozent Lagerkostensatz. Das ergibt jährliche Lagerkosten von 8.000 Euro mal 0,07 gleich 560 Euro je Artikel, insgesamt 168.000 Euro für 300 Artikel.

Mit Zeitreihen-Prognose sinkt der durchschnittliche Lagerbestand auf 5.500 Euro je Artikel, weil Bestellungen zeitnäher am tatsächlichen Bedarf liegen und Überbestände seltener werden. Die Lagerkosten je Artikel sinken auf 5.500 Euro mal 0,07 gleich 385 Euro, insgesamt 115.500 Euro. Die Einsparung beträgt 52.500 Euro pro Jahr. Die Entwicklung und der Betrieb der Pipeline kosten in diesem Beispiel 15.000 Euro einmalig und 3.000 Euro jährlich für Wartung und Server. Die Amortisation läge nach vier Monaten.

Zusätzlich sinkt die Anzahl der Notbestellungen. Nehmen wir an, bisher fielen 24 Eilzuschläge pro Jahr an, durchschnittlich 200 Euro je Lieferung, zusammen 4.800 Euro. Mit Prognose halbiert sich diese Zahl auf zwölf Eilzuschläge und 2.400 Euro. Die Gesamteinsparung im ersten Jahr beträgt dann 52.500 Euro plus 2.400 Euro minus 15.000 Euro minus 3.000 Euro gleich 36.900 Euro, in den Folgejahren jeweils 52.500 Euro plus 2.400 Euro minus 3.000 Euro gleich 51.900 Euro.

Was in der Praxis oft scheitert

Zeitreihen-Prognosen setzen voraus, dass die Vergangenheit ein Indikator für die Zukunft ist. Bei Produkten mit unregelmäßigem Bedarf, etwa Ersatzteilen, die nur bei Defekt benötigt werden, liefern Zeitreihen-Modelle keine sinnvollen Ergebnisse. Dort helfen probabilistische Ansätze oder einfache Meldebestände besser. Ebenso scheitern Prognosen, wenn Produktwechsel, neue Lieferanten oder geänderte Stücklisten die Historie entwerten. Dokumentieren Sie solche Ereignisse im ERP und filtern Sie die betroffenen Artikel aus der automatischen Bestellung.

Häufig fehlt die Datenqualität. Wenn Verbräuche nur quartalsweise oder unregelmäßig gebucht werden, bleibt zu wenig Signal für ein Modell. Investieren Sie vorab in saubere Stammdaten und regelmäßige Inventuren. Ohne kontinuierliche Pflege driftet jede Prognose ab.

Ein weiterer Stolperstein ist die Erwartungshaltung. Zeitreihen-Prognosen reduzieren Unsicherheit, eliminieren sie aber nicht. Planen Sie weiterhin Sicherheitsbestände ein und prüfen Sie Vorschläge stichprobenartig. Vollautomatische Bestellfreigabe empfiehlt sich erst nach mehreren Monaten erfolgreicher Testläufe.

Fazit und nächste Schritte

Zeitreihen-Prognosen verwandeln historische Verbrauchsdaten in konkrete Bestellvorschläge, die Lagerkosten senken und Lieferfähigkeit sichern. Die Methode eignet sich für Artikel mit regelmäßigem Bedarf und ausreichender Historie. Beginnen Sie mit einer kleinen Artikelgruppe, messen Sie Prognosequalität und Einsparungen und skalieren Sie dann schrittweise. Technisch reicht ein Server mit Python, ein Datenbank-Zugriff auf Ihr ERP und eine Workflow-Plattform zur Orchestrierung.

Falls Sie prüfen möchten, welche Artikel sich in Ihrem Sortiment für Zeitreihen-Prognosen eignen und wie Sie die Pipeline aufsetzen, sprechen Sie uns an.

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.