Automatische Berechnung von Meldebeständen: Warum statische Sicherheitsbestandsformeln versagen

Jedes Supply-Chain-Lehrbuch lehrt dieselbe Sicherheitsbestandsformel: Sicherheitsbestand gleich Z-Wert mal Standardabweichung der Nachfrage mal Quadratwurzel der Lieferzeit. Sie ist sauber, elegant und für die meisten E-Commerce-Anwendungen falsch.

Die Formel geht davon aus, dass die Nachfrage einer Normalverteilung folgt, was bedeutet, dass die Verkäufe an einem beliebigen Tag mit gleicher Wahrscheinlichkeit über oder unter dem Durchschnitt liegen und extreme Abweichungen selten sind. Setzen Sie ein 95%-Servicelevel (Z-Wert von 1,65), Ihre Nachfragevariabilität und Ihre Lieferzeit ein, und Sie erhalten eine Zahl. Das Problem ist, dass die E-Commerce-Nachfrage für einzelne SKUs fast nie einer Normalverteilung folgt.

Warum E-Commerce-Nachfrage nicht normalverteilt ist

Ziehen Sie die täglichen Verkaufsdaten für ein beliebiges Produkt in Ihrem Katalog und stellen Sie die Verteilung grafisch dar. Sie werden mit ziemlicher Sicherheit eine rechtsschiefe Verteilung mit einem langen Schwanz sehen. An den meisten Tagen verkauft sich das Produkt auf oder unter seinem Durchschnitt. Gelegentlich verkauft es sich mit dem 3- bis 5-fachen des Durchschnitts aufgrund von Aktionen, Social-Media-Erwähnungen, Lagerausfällen bei Wettbewerbern oder saisonalen Nachfragespitzen. Dieses Muster erzeugt eine Verteilung mit übermäßiger Kurtosis (fetten Enden), die die Normalverteilung nicht abbilden kann.

Ein Einrichtungshändler analysierte 200 seiner Top-SKUs und stellte fest, dass nur 11 % Nachfrageverteilungen aufwiesen, die einen Normalitätstest bestanden (Shapiro-Wilk mit p > 0,05). Die verbleibenden 89 % zeigten signifikante Schiefe, fette Enden oder beides. Für diese 89 % unterschätzte die Standard-Sicherheitsbestandsformel systematisch den Bestand, der zur Erreichung des Ziel-Servicelevels erforderlich war.

Die Unterschätzung funktioniert folgendermaßen: Wenn die tatsächliche Nachfrageverteilung einen fetteren rechten Schwanz hat als die Normalverteilung, dann ist die tatsächliche Wahrscheinlichkeit, dass die Nachfrage Ihren berechneten Sicherheitsbestand übersteigt, höher als die Formel vorhersagt. Sie denken, Sie haben eine 95%ige Abdeckung, aber Ihre tatsächliche Abdeckung liegt möglicherweise bei 85–88 %. Diese Lücke von 7–10 % zeigt sich als unerwartete Fehlbestände bei Produkten, die Sie für ausreichend gepuffert hielten.

Das Problem der unregelmäßigen Nachfrage

Über die Verteilungsform hinaus weisen viele E-Commerce-Produkte eine intermittierende oder unregelmäßige Nachfrage auf. Ein Produkt verkauft sich möglicherweise an 40 % der Tage null Einheiten, an 45 % der Tage 1–3 Einheiten und an 15 % der Tage 10+ Einheiten. Dieses Muster ist besonders häufig bei Long-Tail-Produkten, B2B-Artikeln, die über E-Commerce-Kanäle verkauft werden, und Spezial- oder Nischenprodukten mit kleinen, aber treuen Kundenstämmen.

Die Standardformel versagt bei intermittierender Nachfrage vollständig, da Mittelwert und Standardabweichung das Nachfragemuster nicht aussagekräftig beschreiben. Ein Produkt mit einer durchschnittlichen Tagesnachfrage von 2 Einheiten verkauft sich möglicherweise an den meisten Tagen 0 Einheiten und 15 Einheiten an den Tagen, an denen es sich verkauft. Die Sicherheitsbestandsberechnung basierend auf einem Durchschnitt von 2 wird dazu führen, dass Sie für die Spitzentage dauerhaft unterbestückt sind.

Spezialisierte Methoden wie die Croston-Methode oder die Syntetos-Boylan-Approximation handhaben intermittierende Nachfrage besser, indem sie das Nachfrageintervall (Zeit zwischen Bestellungen) und die Nachfragemenge (wie viel bestellt wird, wenn eine Bestellung erfolgt) separat modellieren. Diese Methoden sind ein bedeutender Fortschritt gegenüber der Standardformel für unregelmäßige SKUs.

Wie dynamische Meldebestände aussehen

Ein KI-gesteuertes Meldebestandssystem berechnet die optimalen Lagerbestände täglich (oder sogar stündlich bei schnelldrehenden Produkten) auf Basis aktueller Bedingungen neu, anstatt auf statischen historischen Durchschnittswerten zu basieren. Die wichtigsten Eingabegrößen umfassen die aktuelle Verkaufsgeschwindigkeit mit Trenderkennung (beschleunigt, verlangsamt oder stabilisiert sich die Nachfrage über die letzten 7, 14 und 28 Tage), aktuelle Lieferzeitschätzungen der Lieferanten basierend auf der tatsächlichen jüngsten Leistung statt auf vertraglichen Zielvorgaben, bekannte bevorstehende Nachfrageereignisse (geplante Aktionen, saisonale Spitzen, Marketingkampagnen) und die aktuelle Servicelevel-Performance pro SKU (erreichen Sie Ihre Ziel-Verfügbarkeitsrate).

Das Modell passt eine geeignetere Verteilung an das Nachfragemuster jeder SKU an. Für rechtsschiefe Produkte passt typischerweise eine Gamma- oder negative Binomialverteilung besser als die Normalverteilung. Für Produkte mit intermittierender Nachfrage ist der Croston- oder zusammengesetzte Poisson-Ansatz angemessener. Die Wahl der Verteilung erfolgt automatisiert; das Modell testet mehrere Kandidaten und wählt denjenigen mit der besten Anpassung für jede SKU aus.

Mit der richtigen Verteilung und dynamisch aktualisierten Parametern passen sich Meldebestand und Sicherheitsbestand kontinuierlich an. Vor einer geplanten Aktion, die historisch einen 3-fachen Nachfrageanstieg verursacht, erhöht das System automatisch den Meldebestand, um während des Anstiegs ausreichend Bestand sicherzustellen. Nach Ende der Aktion und Normalisierung der Nachfrage sinkt der Meldebestand wieder, um zu vermeiden, dass Kapital in überschüssigem Bestand gebunden wird.

Die finanzielle Auswirkung der richtigen Berechnung

Der finanzielle Nutzen dynamischer Meldebestände hat zwei Komponenten: reduzierte Fehlbestände und reduzierter Überbestand. Beides gleichzeitig richtig zu machen, ist der schwierige Teil, da sie in entgegengesetzte Richtungen wirken.

Ein Küchenwarenhändler mit 4.200 SKUs wechselte von statischen zu dynamischen Meldebeständen und verfolgte die Ergebnisse über 12 Monate. Fehlbestandsvorfälle sanken um 34 %, von durchschnittlich 380 pro Monat auf 251. Gleichzeitig sank der durchschnittliche Bestandswert um 11 %, von 2,8 Millionen Dollar auf 2,49 Millionen Dollar. Das Modell erzielte bessere Servicelevel mit weniger Bestand, indem es den Bestand intelligenter über die SKUs verteilte.

Der Mechanismus ist einfach. Statische Meldebestände wenden dasselbe Servicelevel-Ziel einheitlich an und halten zusätzlichen Sicherheitsbestand bei Produkten, die ihn nicht benötigen, und zu wenig bei Produkten, die ihn brauchen. Dynamische Meldebestände verteilen den Sicherheitsbestand proportional zur tatsächlichen Nachfragevariabilität. Produkte mit hoher Variabilität erhalten mehr Puffer; Produkte mit niedriger Variabilität erhalten weniger. Die gesamte Bestandsinvestition kann gleich bleiben oder sinken, während sich die Servicelevel verbessern.

Überlegungen zur Implementierung

Der Wechsel von statischen zu dynamischen Meldebeständen erfordert einige Infrastrukturänderungen. Sie benötigen tägliche (mindestens) automatisierte Verkaufsdaten-Feeds in das Prognosemodell. Sie benötigen eine Lieferzeit-Erfassung, die tatsächliche Lieferdaten erfasst, nicht nur vertragliche Schätzungen. Sie benötigen ein System, das Meldebestände in Ihrem ERP- oder Bestandsmanagementsystem programmatisch aktualisieren kann.

Der Change-Management-Aspekt ist oft schwieriger als die Technologie. Einkäufer und Bestandsplaner, die seit Jahren mit statischen Meldebeständen arbeiten, vertrauen möglicherweise einem System nicht, das ihre Zahlen täglich ändert. Der beste Ansatz ist, das dynamische System 2–3 Monate im Schattenmodus laufen zu lassen, in dem es Empfehlungen parallel zum bestehenden statischen System abgibt, ohne es zu überschreiben. Verfolgen Sie, welches System bessere Ergebnisse erzielt hätte, und nutzen Sie diese Ergebnisse, um Vertrauen aufzubauen, bevor Sie umstellen.

Beginnen Sie mit Ihren Top 200–500 SKUs nach Umsatz. Dies sind die Produkte, bei denen die finanzielle Auswirkung eines besseren Bestandsmanagements am höchsten ist, und sie verfügen typischerweise über genügend Verkaufsdaten, um zuverlässige Nachfrageverteilungen anzupassen. Der Long Tail der langsamdrehenden Produkte kann später umgestellt werden, wobei Methoden für intermittierende Nachfrage entsprechend eingesetzt werden.

Für E-Commerce-Händler, die noch mit statischen Meldebeständen und festen Sicherheitsbestandsformeln arbeiten, kostet die Lücke zwischen Theorie und Realität jeden Monat echtes Geld. Die Formel aus dem Lehrbuch wurde für Fertigungsumgebungen mit stabiler, vorhersehbarer Nachfrage entwickelt. E-Commerce ist alles andere als das, und die Bestandsmathematik muss diese Realität widerspiegeln.