Stell dir vor, du bist Gründer eines Online-Shops, hast gerade eine richtig geile Marketing-Kampagne gestartet und plötzlich blinkt es rot: „Out of Stock“. Klar, ausverkaufte Artikel bedeuten Umsatzausfall. Das weiß eigentlich jeder, der mal fünf Minuten in der E-Com-Welt unterwegs war.

Aber warum passiert das immer wieder, obwohl du eigentlich alles im Griff zu haben glaubst? Die wahren Ursachen liegen meistens viel tiefer und damit meine ich nicht globale Lieferkettenstörungen, sondern die alltäglichen Entscheidungen, Gewohnheiten und blinden Flecken von uns Menschen dahinter.

Lass uns das mal aus echt unkonventionellen Perspektiven anschauen, weit weg von den Standard-Floskeln wie „Bestell halt einfach mehr“. Hier kommen die menschlichen Faktoren, die Out-of-Stock-Situationen wirklich auslösen:

Zu wenig Zeit vom Gründer: Die Solopreneur-Falle

Als Gründer jonglierst du mit allem: Marketing, Kundenservice, Buchhaltung. Und der Einkauf? Der rutscht meistens ganz nach unten auf die To-do-Liste. Du denkst dir „Läuft schon“ oder „Haben wir noch Zeit“, bis es knallt. In der Praxis werden Bestandsprognosen einfach ignoriert, weil du keine Stunde frei hast, um mal die Zahlen anzuschauen. Ergebnis: plötzliche Lücken im Lager und hektische Nachbestellungen. Besonders bei bootstrapped Shops ist das Alltag. Der Gründer ist der Flaschenhals und Out of Stock wird zum Symptom von purer Überlastung.

Zu wenig Erfahrung im Einkauf: Der Lernkurven-Effekt

Einkauf ist kein Hobby. Es gibt Leute, die haben sogar die Berufsbezeichnung „Einkäufer“. Das Ding braucht Know-how in Trendvorhersagen, Lieferantenverhandlungen und Risikoabschätzung. Viele Gründer, die aus komplett anderen Branchen kommen, unterschätzen das massiv. Die bestellen nach Bauchgefühl, ohne richtige Tools, und sei es nur eine solide Excel- oder Google-Sheets-Analyse. Beispiel: Ein Fashion-Newbie ignoriert saisonale Schwankungen, unterschätzt die Sommermode-Nachfrage und steht plötzlich ohne Ware da. Die Lösung liegt in Mentoring oder Weiterbildung, nicht einfach in mehr Lagerfläche.

Zu viel Angst vor Risiko: Die konservative Falle

Risikoaversion ist menschlich, niemand will totes Kapital in unverkauften Waren binden. Aber übertriebene Vorsicht führt zu winzigen Bestellmengen, die bei der kleinsten Nachfragespitze zusammenbrechen. Gründer mit knappem Budget kalkulieren oft viel zu eng aus purer Angst vor Verlusten. Ergebnis: Out of Stock wird chronisch, weil immer „auf Nummer sicher“ gespielt wird. Einfach nur sparen macht es aber schlimmer. Vielleicht sollte man stattdessen kreativer bei der Warenfinanzierung werden.

Übermäßiger Fokus auf Wachstum statt Stabilität: Die Growth-Hacking-Mentalität

In der Startup-Welt geht’s nur um schnelles Wachstum: virale Kampagnen, Influencer-Deals, Social-Media-Hype. Aber wer investiert schon in stabile Backend-Prozesse? Niemand. Du pusht die Nachfrage, passt den Bestand nicht an und boom, Out of Stock. Diese „Move fast and break things“-Haltung von Tech-Giganten passt einfach nicht zu jedem E-Commerce-Shop. Am Ende entsteht nur Chaos, weil Akquise wichtiger ist als Nachhaltigkeit.

Interne Kommunikationslücken zwischen Teams: Der Silo-Effekt

Sobald Teams wachsen, entstehen Silos. Marketing startet eine fette Promo, ohne den Einkauf zu fragen. Sales verspricht Lieferzeiten, die das Lager nie halten kann. Gerade in Remote-Teams fehlen die kurzen Flur-Gespräche, die Probleme früh aufdecken würden. Junior-Mitarbeiter trauen sich oft nicht, Alarm zu schlagen. Out of Stock wird dadurch zum Symptom von Hierarchie- und Verständnisproblemen.

Psychologische Bias in der Entscheidungsfindung: Die Gründer-Blindheit

Wir Menschen sind nicht rational. Anchoring-Bias lässt dich an alten Verkaufsdaten kleben („Letztes Jahr hat’s doch auch so funktioniert“), Confirmation Bias sucht nur Bestätigung für die eigenen Annahmen. Dein Lieblings-„Bestseller“ wird emotional überschätzt, neue Trends komplett ignoriert. In kleinen Shops potenziert das das Risiko massiv, weil Entscheidungen subjektiv und nicht datenbasiert getroffen werden. Zu viel altes Zeug, zu wenig neuer Schwung.

Fehlende Diversifikation der Lieferanten: Die Loyalitätsfalle

Aus Bequemlichkeit oder weil „die Beziehung so gut ist“ bleibt man bei einem einzigen Lieferanten hängen. Fällt der aus? Out of Stock. Und weil alles so harmonisch läuft, traut man sich oft nicht mal hart zu verhandeln, das könnte ja Konflikt bedeuten. Totaler Quatsch, denn mit gutem Verhandlungsgeschick und dem richtigen Mindset macht man den Kuchen einfach größer: Du verdienst mehr und dein Lieferant auch.

Überbewertung von Lean-Inventory-Philosophien: Just-in-Time gone wrong

Lean klingt mega sexy: minimaler Lagerbestand, Kapital sparen. Aber ohne echte AI-Tools oder saubere Prognosen klappt das bei kleinen Shops einfach nicht. Saisonale Produkte oder schnelle Trends überfordern das System komplett und Out of Stock ist vorprogrammiert. „Sei doch wie Amazon“, nee, echt nicht!

Persönliche Work-Life-Balance-Probleme: Der Burnout-Effekt

Überarbeitete Teams lassen Routineaufgaben wie Inventar-Checks schleifen. Solopreneure vergessen in der Erschöpfung komplette Nachbestellungen. Out of Stock als Symptom von Mental-Health-Problemen? Auf jeden Fall. In der ewigen Hustle-Kultur total unterschätzt.

Abhängigkeit von Drittanbietern: Das Tech-Abhängigkeitssyndrom

Shopify, Amazon & Co. sind super praktisch, aber Forecasts, Retouren und Leadtimes richtig zu managen ist in diesen Systemen alles andere als trivial. Die meisten Gründer wählen trotzdem Bequemlichkeit statt echter Kontrolle und wundern sich, wenn ein Systemfehler oder falsche Anzeige plötzlich für Out-of-Stock-Chaos sorgt.

Und wie löst man sowas? Easy, man holt sich jemand für Einkauf/Procurement ins Boot.

Warum Forecasting?

Forecasting von Beständen bzw. Bestandsveränderungen im E-Commerce is King. Wer erahnt, was passiert, kann handeln. Je nach Lieferschwierigkeit und Vorlaufzeit vom Lieferanten machen hier unterschiedliche Methoden Sinn. Für sehr kurze Lieferzeiten verwende ich gern ein SPDA-Verfahren (Sales per Day Available), wie es in einem internen Konzeptpapier skizziert wird.

In der dynamischen Welt des E-Commerce und des Einzelhandels ist eine präzise Nachbestellung entscheidend, um Überbestände zu vermeiden, Ausverkäufe zu minimieren und die Kundenzufriedenheit hochzuhalten. Dazu möchte ich einen Algorithmus von uns vorstellen, der für Szenarien mit schnellen Liefergeschwindigkeiten und kurzen Vorlaufzeiten von Lieferanten entwickelt ist. Er ermöglicht es, kontinuierlich und bedarfsgerecht bei Großhändlern nachzuordern. Der Algorithmus berücksichtigt nicht nur historische Verkaufsdaten, sondern integriert eine Vielzahl von Faktoren, um genaue Prognosen zu erstellen. Ideal für Branchen mit saisonalen Produkten wie Outdoorprodukte oder Fahrzeugteile, wo Nachfrageschwankungen häufig sind, reduziert er manuelle Eingriffe und optimiert den Cashflow.

Was macht der Algorithmus?

Der Algorithmus berechnet automatisch die optimale Nachbestellmenge (Reorder Amount) für jedes Produkt, basierend auf einer umfassenden Analyse von Verkaufs- und Verfügbarkeitsdaten. Im Kern geht es darum, die zukünftige Nachfrage vorherzusagen und den aktuellen Lagerbestand anzupassen, um Engpässe zu vermeiden. Wichtige Innovationen im Vergleich zu traditionellen Methoden, wie sie in Standard-ERP- oder Lagerverwaltungssystemen vorkommen:

• Berücksichtigung multipler Zeiträume: Statt sich nur auf die letzten 30 oder 120 Tage zu beschränken, wie es häufig in Standard ERP/Lager-Systemen gemacht wird, analysiert der Algorithmus Verkaufsdaten über mehr als 10 Perioden (von 1 Woche bis zu 2 Jahren). Dabei wird die tatsächliche Verfügbarkeitsdauer des Produkts in den Shops einbezogen, um verzerrte Werte durch Ausverkäufe zu korrigieren. Man berücksichtigt also nur Verkäufe, wenn das Produkt auch verfügbar war – das klingt trivial, wird aber häufig missachtet.
• Integration eingehender Bestellungen: Bereits laufende Nach- oder Vorbestellungen (Re- und Preorders) werden abgezogen, abhängig von der Lieferzeit des Lieferanten und dem geplanten Lieferdatum, um Überbestellungen zu verhindern.
• Anpassung an Rücksendungen: Die prognostizierte Menge wird um erwartete Retouren reduziert, basierend auf Rücksendequoten der letzten Wochen (z. B. 100 % für die letzten 7 Tage, 70 % für 8–14 Tage, 30 % für 15–21 Tage). Der Hintergrund: Kunden retournieren Ware nicht sofort, sondern innerhalb eines Zeitraums.
• Mindestmengen und Rundung: Mindestbestellgrößen, Verpackungseinheiten und Orderwerte werden eingehalten. Wenn der Mindestwert fast erreicht ist, rundet der Algorithmus auf, um Kosten zu optimieren – andernfalls bleibt die Originalmenge.

Zusätzlich können weitere spezielle Use Cases abgebildet werden, wie der Bedarf für physische Stores, die Behandlung von Produktbündeln, das Ignorieren alter offener Bestellungen oder technische Korrekturen für Lagerprobleme. Diese sind jedoch nicht für jeden Kunden relevant und werden bei Bedarf angepasst.

Wie funktioniert der Algorithmus im Detail?

Der Algorithmus läuft täglich und vergleicht Bestand mit prognostiziertem Bedarf. Sobald der Bestand unter einen Trigger (Mindestbestand) fällt, wird die Nachbestellmenge berechnet. Die Kernformel lautet vereinfacht:

Estimated Amount (VT)=−Stock−ExpReturn + Prediction(LvL) + Demand-Based Sales Prediction x VT

• Stock: Verfügbarer Lagerbestand = Gesamtbestand – Gesperrter Bestand – Reservierter Bestand.
• Expected Returns: Gewichtete Retourenprognose basierend auf Verkauf der letzten 21 Tage.
• Demand-Based Sales Prediction: Die vorhergesagte Menge, abhängig von der Datenqualität (siehe unten).
• VT (Vorhaltezeit): Die Anzahl der Tage, für die Bestand vorgehalten werden soll.

Der zentrale Teil ist die Demand-Based Sales Prediction, die auf zwei Werten basiert:

• SPDA (Sales per Day Available): Verkaufszahlen geteilt durch Verfügbarkeitstage (z. B. SPDA28 = „Wie viele Verkäufe hatten wir pro Tag in den letzten 28 Tagen, wenn der Artikel verfügbar war?“).
• AVA (Availabilty): Verfügbarkeit des Artikels = Verfügbarkeitstage geteilt durch Periodendauer in Tagen (z. B. AVA28 = „Wie viele Tage war der Artikel in den letzten 28 Tagen verfügbar?“).

Um Out-of-Stock-Situationen zu handhaben, folgt ein schrittweiser Prozess (Level), der Perioden prüft und bei unzureichender Verfügbarkeit auf konservative Schätzungen (höhere Level) zurückgreift.

Beispielhafte Darstellung

Dieser Ansatz geht schrittweise von Level 0 beginnend zum nächsten, bis ein passendes Level gefunden ist, um Risiken bei schlechter Datenlage zu minimieren, und wird mit frischen Daten präziser.

Um das Verfahren weiter zu automatisieren, braucht es noch einen Mindestbestand, der bei Unterschreitung eine Order auslöst – da wir sonst permanent alle Artikel bei kleinsten Veränderungen bestellen würden. Hier kann man komplexere Verfahren aus dem SCM-Bereich anwenden. Wir verwenden jedoch ein einfaches Verfahren und gehen davon aus, dass wir mindestens einmal pro Woche nachordern. Die Formel lautet: MB = (L + ET + 7/BFW) * SPDA

• L: Durchschnittliche Lieferzeit in Tagen.
• ET: Durchschnittliche Einlagerungszeit.
• BFW: Bestellfrequenz pro Woche.

Beispiel: Bei 3,5 Tagen Lieferzeit, 0,8 Tagen Einlagerungszeit und einmal pro Woche Bestellfrequenz (BFW=1): MB = (3,5 + 0,8 + 7/1) * SPDA = 11,3 * SPDA

Sobald der Bestand weniger als das 11,3-Fache des jeweiligen SPDA beträgt, wird ein Bestellvorschlag für den Artikel ausgegeben.

Was passiert also konkret? Ein System errechnet täglich die SPDA- und AVA-Werte von Artikeln und gleicht Bestand und Bedarf ab. Wenn der Bedarf für die nächste Periode größer als der Bestand ist, kommt es zur Ausgabe der optimalen Nachordermenge.

Umgang mit Saisonpeaks

Um die Problematik von Artikeln mit Saisonpeaks zu lösen, malt der Algorithmus eine Kurve über das Jahr basierend auf den Absätzen der zugehörigen Warengruppe. Dabei analysiert man den wöchentlichen Verlauf der letzten 52 Wochen (ein Jahr) und berechnet wiederkehrende Muster, wie Deltas von Woche zu Woche. So weiß man im Voraus, was in den nächsten Wochen passiert – z. B. dass Ende November ein Black Friday Impact kommt. Diesen Faktor baut man als Korrekturfaktor ein, der die prognostizierte Nachfrage multipliziert oder adjustiert.

Als Extrembeispiel sei hier der Weihnachtsbaum genannt: Mitte Dezember würde man in den letzten Wochen massive Verkäufe sehen. Aber aus dem Saisonverlauf wird klar, dass spätestens nach dem 24. Dezember keine Weihnachtsbäume mehr verkauft werden. Der Korrekturfaktor würde damit jegliche Vorschläge auf 0 korrigieren.

Anwendung und Vorteile

Dieses Verfahren eignet sich perfekt für Lieferanten mit hoher Zuverlässigkeit und kurzen Lead Times, da es permanente, kleine Nachbestellungen ermöglicht – ohne große Vorräte binden zu müssen. In der Praxis führt es zu einer Reduzierung von Out-of-Stocks um bis zu 30 % (basierend auf internen Tests), geringeren Lagerkosten und schnellerer Reaktion auf Marktschwankungen. Durch die Integration von Lieferzeit-Varianzen und Saisonalitätskorrekturen wird der Algorithmus robuster gegen Unsicherheiten, was besonders in volatilen Märkten wie dem Handel mit Outdoorprodukten oder Fahrzeugteilen von Vorteil ist.

Überbestand und Out of Stock kann richtig kosten. Je näher der Bestand am tatsächlichen Bedarf, umso besser der Cashflow.

Du kannst solche Algorithmus selbst mit Tools wie KNIME umsetzen, oder wir übernehmen das für euch. Die meisten Plattformen, einschließlich Shopify, nutzen Datenfeeds, die eine schnelle Analyse und Rückführung von Daten ermöglichen. So lassen sich sogar ältere Systeme mühelos „smart“ machen. Die Berechnungen können wahlweise auf unseren Servern oder direkt in eurer Infrastruktur ablaufen.

Du willst wissen was bei dir möglich ist?