KI-Bedarfsprognose im Lager.
Verfahren, Daten und Anbieter im Überblick.

Was ist KI-Bedarfsprognose im Lager?

KI-Bedarfsprognose im Lager ist die datengestützte Vorhersage von Mengen, Last und Bestand mit statistischen Verfahren oder Machine Learning. Sie nutzt Auftragshistorie, Aktionen, Preise und Kalender und liefert die Grundlage für Nachschub, Sicherheitsbestand, Personal- und Flächenbedarf. Das WMS führt die Folgeaufgaben aus, etwa Nachschubaufträge oder Wellen. Entscheidend ist nicht das Etikett KI, sondern die gemessene Güte gegenüber der heutigen Planung. Den Überblick über alle KI-Anwendungsfälle bietet KI im WMS. Typische Ziele sind weniger Fehlmengen, niedrigere Bestände und ein ruhigerer Personaleinsatz.

Wie funktioniert Bedarfsprognose im Lager?

Ein Modell lernt aus der Historie, wie sich der Bedarf je Artikel über Wochen, Saison und bekannte Treiber verhält, und rechnet daraus die kommenden Perioden. Aus der Absatzprognose entstehen Bestandsreichweite und Nachschub, aus der Lastprognose Stunden je Schicht. Jede Prognose bekommt ein Gütemaß wie WAPE und Bias. Weicht die Güte ab, wird das Modell neu trainiert oder werden die Eingangsdaten geprüft. Menschen geben Aufträge, Bestellungen und Einsatzpläne frei. So bleibt die Verantwortung bei Disposition und Schichtleitung, die Prognose liefert den Vorschlag.

Ist Machine Learning besser als klassische Prognoseverfahren?

Machine Learning gewinnt bei vielen Artikeln mit Preisen, Aktionen und Kalender, bei wenigen stabilen Reihen reichen klassische Verfahren oft aus. Im M5 Wettbewerb mit rund 42.000 Walmart-Reihen lagen reine ML-Ansätze vor allen statistischen Benchmarks. Im M4 Wettbewerb gewann dagegen ein Hybrid, und Kombinationen waren stark. Beide Ergebnisse stammen aus dem Handel, nicht aus dem Lager. Ob ein Modell Ihre Daten besser trifft, zeigt nur eine Rückrechnung auf Ihrer eigenen Historie, die der Anbieter vor dem Vertrag liefern sollte.

Welche Daten braucht eine Prognose im Lager?

Eine Lagerprognose braucht die Nachfragehistorie je Artikel in fester Auflösung, mindestens eine volle Saison, dazu Aktionsplan, Preise, Feiertage und Wiederbeschaffungszeiten. Stornos, Retouren und Fehlmengen müssen gekennzeichnet sein, sonst lernt das Modell eine verzerrte Nachfrage. Externe Signale wie Wetter helfen nur bei abhängigen Sortimenten. Auch die Bestandsgenauigkeit zählt, denn falsche Bestände erzeugen falsche Empfehlungen. Die Datenfelder gehören ins WMS Lastenheft, damit Anbieter vergleichbar antworten. Je genauer die Felder beschrieben sind, desto weniger Rückfragen entstehen im Angebotsprozess.

Welche WMS-Anbieter haben eine Prognosefunktion?

Laut eigenen Angaben beschreiben Blue Yonder, Infor, Manhattan und SAP Prognosefunktionen im WMS oder in der angebundenen Planung. Infor WMS nimmt Prognosen der Ausgangsmengen auf und plant die Arbeitsmenge je Tag, SAP bietet in IBP rund 20 Algorithmen, Manhattan beschreibt Demand Forecasting mit ML. Planungswerkzeuge wie o9 und ATOSS ergänzen. Weitere Hersteller führt WMS Anbieter. Klären Sie in der Demo, was im Lizenzumfang liegt, wie die Prognose ins WMS gelangt und ob mit Ihren Daten gerechnet wird.

Braucht man für Bedarfsprognose ein WMS oder ein Planungswerkzeug?

Beides löst unterschiedliche Aufgaben. Das WMS kennt Bestände, Plätze und Aufträge und eignet sich für Last-, Personal- und Nachschubprognosen in kurzen Horizonten. Absatzprognosen über Wochen und Monate entstehen meist im ERP oder in einem Planungswerkzeug wie SAP IBP, Infor Demand Forecasting oder o9, das Ergebnis geht als Vorgabe ans Lager. Nach Einschätzung von Find-Your-WMS genügt kleinen Lagern oft die Prognose im WMS, große Netze brauchen zusätzlich eine zentrale Planung. Beide Ebenen sollten dieselben Stammdaten und denselben Kalender nutzen.

Wie senkt eine bessere Prognose den Sicherheitsbestand?

Der Sicherheitsbestand wächst mit der Streuung. Bei fester Wiederbeschaffungszeit gilt: z mal Streuung mal Wurzel der Wiederbeschaffungszeit. Sinkt die Streuung des Prognosefehlers von 40 auf 28 Stück je Woche, fällt der Sicherheitsbestand bei 95 % Servicegrad und 4 Wochen Wiederbeschaffung von 132 auf rund 92 Stück. Das ist ein Rechenbeispiel von Find-Your-WMS mit angenommenen Werten. Welche Artikel sich dafür eignen, zeigt die ABC XYZ Analyse im Lager. Bei teuren, langsam drehenden Artikeln lohnt die Rechnung zuerst.

Wie prognostiziert man sporadische Nachfrage bei Ersatzteilen?

Sporadische Nachfrage mit vielen Nullperioden lässt sich mit üblichen Verfahren kaum prognostizieren, deshalb gibt es eigene Methoden wie Croston, die Menge und Abstand der Bedarfe getrennt schätzen. Als Gütemaß taugt MASE besser als MAPE. Bei Ersatzteilen zählt oft der Servicegrad mehr als die Punktprognose, SAP IBP gruppiert dafür ähnliche Teile in Referenzkurven. Mehr zum Umfeld steht in WMS für C-Teile und Ersatzteillogistik. Prüfen Sie in der Demo, ob der Anbieter solche Artikel getrennt behandelt.

Was bringt KI-Bedarfsprognose im Lager?

Der Nutzen liegt in weniger Fehlmengen, geringeren Beständen und besser geplantem Personal. Belegte Zahlen sind rar: Manhattan, SAP und Blue Yonder nennen in ihren Beschreibungen keine Genauigkeitskennzahl, o9 nennt 87 % Prognosegenauigkeit und 99,5 % Servicegrad ohne Kundenzuordnung. Nach Einschätzung von Find-Your-WMS zählt die Bilanz aus gemessener Güte, Bestandsänderung und Pflegeaufwand im eigenen Pilot, nicht der Prozentwert des Anbieters. Ein Ergebnis, das sich im eigenen Lager nicht wiederholen lässt, ist als Angabe wenig wert.

Wie starte ich einen Pilot für KI-Bedarfsprognose?

Starten Sie mit einer Artikelgruppe, einem Gütemaß und einer Rückrechnung auf Ihrer Historie. Messen Sie zuerst WAPE und Bias der heutigen Planung und einer naiven Prognose, lassen Sie den Anbieter rückwirkend rechnen und danach mehrere Zyklen parallel laufen. Die Disposition entscheidet weiterhin selbst. Erst dann folgen weitere Gruppen. Wie das in eine Einführung passt, beschreibt WMS einführen, den Rahmen für Ausschreibung und Test der WMS RFP Leitfaden. Planen Sie für die Auswertung der Parallelphase Zeit in der Disposition ein.

Fällt KI-Bedarfsprognose unter den EU AI Act?

Prognosen über Artikel, Mengen und Bestand ohne Personenbezug sind nach Einschätzung von Find-Your-WMS kein Hochrisiko-System. Hochrisiko nach Anhang III der Verordnung (EU) 2026/1744 kann eine Prognose werden, wenn sie Aufgaben nach Verhalten oder Leistung zuweist oder Leistung überwacht, ab 02.12.2027. Dann greift auch die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. Die Personalprognose behandelt KI-Personalplanung im Lager. Binden Sie den Betriebsrat vor dem Pilot ein, sobald Personen betroffen sind.

Was kostet KI-Bedarfsprognose im Lager?

Preise für Prognosemodule nennt keiner der Anbieter, sie sind auf Anfrage. Der Aufwand hängt an Lizenz, Datenaufbereitung, Schnittstelle, Modellpflege und Projekt. Für einen vorgefertigten ERP-Konnektor nennen die Erfahrungswerte von Find-Your-WMS 10.000 bis 50.000 Euro, für eine Individualentwicklung 50.000 bis 250.000 Euro. WMS-Projekte amortisieren sich laut diesen Erfahrungswerten in 12 bis 36 Monaten, für das Prognosemodul allein lässt sich das nicht pauschal sagen. Die Kostenstruktur beschreibt WMS Kosten. Fragen Sie nach den Kosten je Treiber statt nach einem Gesamtpreis.