Wie maschinelles Lernen Fehlbestände 3 Wochen im Voraus vorhersagt

Ein mittelgroßer Beauty-Händler mit etwa 3.500 SKUs hatte ein hartnäckiges Problem. Jeden Monat erreichten 8–12 % seiner meistverkauften Produkte einen Nullbestand, bevor die Nachlieferung eintraf. Jeder Fehlbestand bei einem beliebten Artikel kostete geschätzte 2.800 $ pro Tag an entgangenen Umsätzen – nicht eingerechnet der Verlust an Kundenvertrauen und die verschwendeten Werbeausgaben, die Traffic auf ausverkaufte Produktseiten lenkten.

Das Bestandsteam überprüfte täglich die Lagerbestände und löste Nachbestellungen aus, wenn der Bestand einen vordefinierten Schwellenwert erreichte. Das Problem war, dass dieser Schwellenwert statisch war – eine feste Stückzahl basierend auf dem durchschnittlichen Tagesabsatz der letzten 90 Tage. Wenn die Nachfrage durch eine virale TikTok-Erwähnung oder einen Konkurrenten, der ein ähnliches Produkt nicht mehr auf Lager hatte, sprunghaft anstieg, konnte der statische Schwellenwert nicht schnell genug reagieren.

Warum statische Nachbestellpunkte versagen

Ein statischer Nachbestellpunkt geht davon aus, dass die zukünftige Nachfrage der vergangenen Nachfrage ähnelt und dass die Lieferzeiten der Zulieferer konstant sind. Beide Annahmen brechen regelmäßig zusammen. Die Nachfrage nach einzelnen SKUs im E-Commerce ist ungleichmäßig. Ein Produkt kann drei Wochen lang 20 Einheiten pro Tag verkaufen und dann plötzlich 60 Einheiten pro Tag, weil ein Influencer es erwähnt hat, ein Konkurrent seinen Preis erhöht hat oder ein saisonaler Wechsel eingetreten ist. Bis man die Beschleunigung bei der täglichen Bestandskontrolle bemerkt, befindet man sich möglicherweise bereits zwei Wochen in einer Phase erhöhter Nachfrage – mit einer dreiwöchigen Lieferzeit des Zulieferers vor sich.

Lieferzeiten der Zulieferer sind ebenso variabel. Ein Zulieferer, der normalerweise in 14 Tagen liefert, kann während seiner Hochsaison, nach einem Rohstoffengpass oder aufgrund von Versandverzögerungen 21 Tage benötigen. Wenn Ihr Nachbestellpunkt von einer 14-tägigen Lieferzeit ausgeht und die tatsächliche Lieferzeit 21 Tage beträgt, haben Sie eine siebentägige Lücke, in der Sie Bestand verkaufen, von dem Sie dachten, er wäre bereits aufgefüllt.

Was das ML-Modell überwacht

Ein Fehlbestand-Vorhersagemodell verarbeitet mehrere Datenströme gleichzeitig. Der primäre Input ist die Verkaufsgeschwindigkeit – nicht als einfacher Durchschnitt, sondern als Zeitreihe mit Trend- und Saisonalitätskomponenten. Das Modell erkennt Beschleunigung (schnellerer Verkauf als in der Vorwoche), Verlangsamung und zyklische Muster, die für jede SKU spezifisch sind.

Die Bestandsposition (aktueller Lagerbestand plus Einheiten im Transit minus Einheiten, die für ausstehende Bestellungen reserviert sind) liefert dem Modell die Angebotsseite der Gleichung. Kombiniert mit der prognostizierten Nachfrage berechnet das Modell eine geschätzte Reichweite in Tagen, die sich dynamisch aktualisiert.

Lieferantenleistungsdaten fügen eine entscheidende Dimension hinzu. Durch die Verfolgung der tatsächlichen gegenüber den erwarteten Lieferterminen für jeden Zulieferer im Zeitverlauf erstellt das Modell eine Verteilung wahrscheinlicher Lieferzeiten, anstatt eine einzelne Punktschätzung zu verwenden. Wenn Zulieferer A in 12–18 Tagen mit einem Median von 14 liefert, verwendet das Modell die gesamte Verteilung bei der Berechnung der Fehlbestandswahrscheinlichkeit.

Externe Signale liefern Frühwarnungen für Nachfrageverschiebungen. Das Suchvolumen für das Produkt oder die Kategorie bei Google, Erwähnungen in sozialen Medien, Lagerbestände der Konkurrenz (oft erkennbar durch deren Produktseiten, die begrenzte Verfügbarkeit anzeigen) und saisonale Kalender fließen alle in die Nachfrageprognose ein. Ein plötzlicher Anstieg des Google-Suchvolumens für ein Produkt geht einem Verkaufsanstieg oft um 5–10 Tage voraus, was dem Modell ein frühes Signal gibt, dass die aktuelle Bestandsentwicklung möglicherweise nicht hält.

Das Drei-Wochen-Warnfenster

Das Modell gibt eine Fehlbestandswahrscheinlichkeit für jede SKU in verschiedenen Zeithorizonten aus: 7 Tage, 14 Tage und 21 Tage im Voraus. Eine typische Warnung könnte so aussehen: SKU #4892 (Vitamin-C-Serum 30 ml) hat derzeit 340 Einheiten auf Lager. Bei der aktuellen Verkaufsgeschwindigkeit von 28 Einheiten pro Tag ist der Bestand in etwa 12 Tagen aufgebraucht. Der Nachfragetrend zeigt jedoch eine Beschleunigung von 15 % im Wochenvergleich. Die angepasste Aufbrauchschätzung beträgt 9 Tage. Die nächste Nachlieferung von 500 Einheiten hat eine erwartete Ankunft in 16 Tagen basierend auf der Lieferzeitverteilung des Zulieferers. Die Fehlbestandswahrscheinlichkeit in 14 Tagen beträgt 78 %.

Mit diesem Drei-Wochen-Fenster hat das Bestandsteam Optionen. Es kann die bestehende Bestellung beim Zulieferer beschleunigen und möglicherweise einen Aufpreis für schnelleren Versand zahlen. Es kann eine kleinere Überbrückungsbestellung bei einem alternativen Zulieferer mit kürzeren Lieferzeiten aufgeben. Es kann die Marketingausgaben für das Produkt reduzieren, um die Nachfrage zu verlangsamen und gleichzeitig den organischen Absatz aufrechtzuerhalten. Es kann eine Wieder-verfügbar-Benachrichtigung einrichten, um die Nachfrage während eines etwaigen Fehlbestands aufzufangen.

Ohne die Frühwarnung steht keine dieser Gegenmaßnahmen zur Verfügung. Bis ein Mensch durch manuelle Prüfungen bemerkt, dass der Bestand niedrig ist, hat die Lieferzeit bereits den verbleibenden Bestand aufgezehrt.

Aufbau des Modells

Die technische Implementierung verwendet eine Kombination aus Zeitreihenprognose für die Nachfrage (typischerweise Prophet oder ein benutzerdefiniertes LSTM-Modell) und einem Klassifikationsmodell für die Fehlbestandswahrscheinlichkeit. Das Klassifikationsmodell nimmt die Nachfrageprognose, die aktuelle Bestandsposition und die Lieferzeitverteilung des Zulieferers als Eingaben und gibt eine Wahrscheinlichkeit für einen Fehlbestand innerhalb jedes Zeitfensters aus.

Die Trainingsdaten stammen aus Ihren historischen Bestandsaufzeichnungen. Jeder vergangene Fehlbestand ist ein positives Beispiel, und jede SKU, die während eines bestimmten Zeitraums einen ausreichenden Bestand aufrechterhalten hat, ist ein negatives Beispiel. Sie benötigen mindestens 12–18 Monate täglicher Bestandsaufnahmen mit entsprechenden Verkaufsdaten, um ein nützliches Modell zu trainieren. Wenn Sie bisher keine täglichen Lagerbestände gespeichert haben, beginnen Sie jetzt damit – denn diese Daten sind überraschend schwer rückwirkend zu rekonstruieren.

Feature Engineering ist der Bereich, in dem der größte Mehrwert entsteht. Rohe Verkaufszahlen sind weniger nützlich als abgeleitete Merkmale wie der gleitende 7-Tage-Durchschnitt der Verkaufsgeschwindigkeit, die Veränderung der Verkaufsgeschwindigkeit im Wochenvergleich, der Variationskoeffizient der täglichen Verkäufe (ein Maß für die Nachfragevolatilität) und das Verhältnis der aktuellen Geschwindigkeit zum 90-Tage-Durchschnitt. Diese abgeleiteten Merkmale helfen dem Modell, zwischen einem stetig verkaufenden Produkt, das sich seinem Nachbestellpunkt nähert, und einem Produkt zu unterscheiden, das einen Nachfrageschub erlebt und den Bestand viel schneller als erwartet aufbrauchen wird.

Integration in bestehende Systeme

Das Modell muss sich in Ihren Bestandsmanagement-Workflow einfügen, nicht ihn ersetzen. Der gängigste Ansatz ist ein tägliches Warn-Dashboard, das SKUs nach Fehlbestandsrisiko sortiert anzeigt, mit empfohlenen Maßnahmen für jede. Bestandsplaner überprüfen das Dashboard jeden Morgen und ergreifen Maßnahmen bei Hochrisiko-Artikeln.

Fortgeschrittenere Implementierungen automatisieren die Reaktion bei risikoarmen Maßnahmen. Wenn das Modell einen Fehlbestand vorhersagt und die empfohlene Maßnahme eine Standardnachbestellung bei einem bestehenden Zulieferer ist, kann das System die Bestellung automatisch generieren und zur Ein-Klick-Genehmigung durch den Bestandsmanager in die Warteschlange stellen. Dies hält einen Menschen für die Entscheidung in der Schleife, während die manuelle Arbeit der Bestellerstellung entfällt.

Für E-Commerce-Händler, die Tausende von SKUs führen, ist eine manuelle Bestandsüberwachung schlicht nicht skalierbar. Ein Mensch, der täglich 3.500 SKUs überprüft, wird unweigerlich diejenigen übersehen, die sich leise einem Fehlbestand nähern. Das ML-Modell überprüft jede SKU stündlich, erkennt die subtilen Muster und hebt diejenigen hervor, die Aufmerksamkeit erfordern. Der Beauty-Händler, mit dem diese Geschichte begann, senkte seine Fehlbestandsrate innerhalb von sechs Monaten nach Einführung seines Vorhersagemodells von 8–12 % auf unter 3 %, was sich in etwa 940.000 $ an wiedergewonnenem Jahresumsatz niederschlug.