Nachfrage prognostizieren und den Nachschub steuern

Der Hersteller beliefert den Lebensmitteleinzel­handel im Vendor-Managed-Inventory-Verfahren: Nicht der Händler bestellt, der Lieferant füllt das Regal. Damit liegt die Dispositions­verantwortung beim Hersteller, und mit ihr das Risiko. Der Fachbegriff für die Lücke ist Out-of-Stock, wenn der Artikel im Markt nicht zu haben ist, und Out-of-Shelf, wenn er im Haus liegt, aber nicht im Regal steht. Studien beziffern die Regallücken im Lebensmittel­handel auf durchschnittlich acht Prozent, bei bewerbeter Ware auf über zehn; als Hauptursachen gelten ungenaue Absatzprognosen und zu späte Bestellungen. Geplant wurde über Erfahrungs­werte und Handarbeit, obwohl Kassendaten aus den Filialen vorliegen.

Erst die Datenlage, dann das Modell. Wir haben nicht mit dem Verfahren angefangen, sondern mit den Kassendaten: Tagesabsätze von zehn Artikeln in zehn Filialen über sechs Jahre, hundert Nachfragekurven. Ausgewählt wurden sie gemeinsam mit den Fachleuten des Hauses, damit das Spektrum stimmt — stabile Verläufe neben Trend, Saison, Ausreißern, Strukturbrüchen und Artikeln, die aus dem Sortiment laufen. Die Daten wurden pseudonymisiert, auf Wochen verdichtet und mit einem einstellbaren Zeitfilter versehen, damit alte, längst irrelevante Historie die Modell­anpassung nicht verzerrt. Und wer Scannerdaten als Nachfrage liest, muss wissen, wo sie lügen: bei Doppelscans, bei manuellen Eingaben und vor allem an der Regallücke selbst, die als Nachfrage null erscheint.

Kein Verfahren gewinnt überall, also gewinnt die Auswahl. Für die Out-of-Stock-Prediction haben wir sechs Verfahren gegeneinander laufen lassen: ARIMA, exponentielle Glättung, Prophet und ein LSTM-Netz in Keras und TensorFlow, dazu zwei naive Vergleichsmaßstäbe, an denen sich jedes Modell erst einmal messen muss. Bewertet wurde in einer rollenden Kreuzvalidierung — zehn Durchläufe je Artikel und Filiale, je zwölf Wochen Prognose, tausend Prognosen pro Verfahren — über mehrere Fehlermaße gleichzeitig, aus denen eine Rangfolge entstand. Das Ergebnis war eindeutig und unbequem: ARIMA war in 46 von 100 Fällen das beste Verfahren und lag in anderen deutlich daneben. Kein Modell trägt allein.

Aus der Prognose wird eine Bestellung. Für die Disposition haben wir bewusst nicht zum Newsvendor-Modell oder zur optimalen Losgröße gegriffen. Beide setzen eine Verteilung der Nachfrage voraus, die bei so unterschiedlichen Verläufen nicht trägt, und der Trend fehlt darin ganz. Gefordert war etwas anderes: eine Regel, die ein Disponent versteht, mit wenigen Stellgrößen — Kosten entgangener Verkäufe, Lagerkosten, Regalplatz, Liefergebinde. Entstanden ist eine additive Nachschubrechnung, die Bestand und Prognose zusammenführt und Bestellungen im Lieferrhythmus auslöst.

Entscheiden statt raten. Über den Sicherheits­bestand als einzige Stellgröße lässt sich in einer Was-wäre-wenn-Rechnung durchspielen, was eine Entscheidung kostet. Bei hohem Sicherheits­bestand entstehen keine entgangenen Verkäufe, dafür knapp elf Stück durchschnittlicher Bestand und rund neunzehn Tage Bestands­deckung — bei verderblicher Ware ein Risiko. Bei niedrigem Bestand sinkt die Deckung auf fünf Tage, der Absatz um zwei bis zwölf Prozent. Die Rechnung nimmt die Entscheidung nicht weg, sie macht sie verhandelbar. Und weil die Prognose für vier von fünf Zeitreihen trägt, bleibt die Handarbeit dort, wo sie nötig ist: bei den schwierigen Verläufen.