Mit KI zur punktgenauen Lageroptimierung: Praxisbeispiel aus einem Schweizer Handelsunternehmen

Ein Schweizer Handelsunternehmen senkte dank KI-gestützter Absatzprognosen die Lagerhaltungskosten um über 20 % und verbesserte die Lieferfähigkeit spürbar. Möglich wurde das durch eine gezielte Automatisierung zentraler Planungsprozesse, die sich auch für andere Schweizer KMU einfach adaptieren lässt.

Ausgangslage: Hoher Lagerbestand, gebundenes Kapital, Planungsunsicherheit

Das KMU beliefert den Schweizer Detailhandel mit Haushaltswaren. Trotz digitaler Lagerverwaltung blieben typische Herausforderungen bestehen:

• Überhöhte Lagerbestände – aus Sorge vor Lieferengpässen wurden oft grosse Sicherheitsreserven gehalten
• Unzuverlässige Prognosen – saisonale Schwankungen und Aktionen machten die Absatzplanung komplex
• Kapitalbindung – überfüllte Lager bremsten Investitionen in Innovation und Vertrieb
• Lieferunfähigkeit – trotzdem kam es bei stark nachgefragten Artikeln gelegentlich zu Engpässen

Die bisherige manuelle Planung mit einfachen Vorjahresvergleichen reichte nicht aus, um alle Faktoren wie Wetter, regionale Trends oder Promotionen angemessen zu berücksichtigen.

Die Lösung: KI-gestützte Absatz- und Lagerprognosen

Das Unternehmen entschied sich für eine schrittweise Einführung eines KI-gestützten Prognosesystems – basierend auf offenen, in der Schweiz gehosteten Modellen (z. B. Apertus 1.5). Die wesentlichen Bausteine:

• Automatisierte Datenintegration: Verkaufszahlen aus ERP, Lagerstände, saisonale Faktoren und externe Daten (z. B. Wetterdienste, Feiertage)
• Multimodale Analyse: Die KI wertete nicht nur Zahlen aus, sondern berücksichtigte z. B. auch Bilddaten vergangener Werbeaktionen (Plakat-/Printanzeigen) sowie Textdaten aus Marketing-Mails
• Self-Learning: Das System passte sich laufend an neue Muster im Absatzverhalten an und lernte aus Fehlprognosen

Praxisbeispiel: Absatzprognose für das Frühlingssortiment

Im Frühjahr schwankte die Nachfrage nach Gartenartikeln stark – abhängig vom Wetter, aber auch von Social-Media-Trends. Die KI erkannte erstmals Korrelationen zwischen plötzlichen Temperaturanstiegen, regionalen Feiertagen und dem Effekt digitaler Werbekampagnen. Daraus entstand eine dynamische, tagesaktuelle Absatzprognose für über 100 Produktgruppen.

Umgesetzte Schritte im Unternehmen

1. Datenaufbereitung: Strukturierung und Anonymisierung aller relevanten Verkaufs-, Lager- und Marketingdaten gemäss DSG.
2. Anbindung offener Schweizer KI-Modelle: Die KI-Modelle wurden auf den eigenen sicheren Servern betrieben, um Datenschutz und Kontrolle zu gewährleisten.
3. Schulungen des Teams: Mitarbeitende aus Einkauf, Logistik und Vertrieb wurden in der Nutzung der neuen Prognose-Tools geschult, inklusive Verständnis für KI-basierte Entscheidungsgrundlagen.
4. Prototyp-Phase: Die KI unterstützte zunächst nur eine ausgewählte Produktlinie (Frühlingssortiment); schnelle Iteration und Anpassung nach Feedback.
5. Rollout auf das Gesamtsortiment: Nach erfolgreichem Test wurde das System Schritt für Schritt auf alle Warengruppen ausgedehnt.
6. Kontinuierliche Optimierung: Monatliche Reviews, bei denen die Prognosequalität, tatsächliche Lagerbestände und Kundenfeedback verglichen wurden.

Greifbare Vorteile für das KMU

• Reduzierter Lagerbestand: Im ersten Jahr sanken die durchschnittlichen Bestände um mehr als ein Fünftel, ohne die Lieferfähigkeit zu gefährden.
• Verbesserte Planbarkeit: Durch präzisere Prognosen blieben weniger Restposten und saisonale Ladenhüter übrig.
• Schnellere Reaktion auf Trends: Das Unternehmen konnte neue Nachfrageimpulse oder Wetterumschwünge binnen Stunden statt Tagen in die Planung einbeziehen.
• Mehr Liquidität: Die frei gewordenen Mittel wurden in E-Commerce-Prozesse und Marketing investiert.

Was Schweizer KMU daraus lernen können

• Schrittweise starten: KI-Lösungen müssen nicht gleich das ganze Unternehmen umkrempeln; Pilotprojekte mit klar messbaren Zielen sind ideal.
• Datenschutz beachten: Die Speicherung und Verarbeitung sensibler Daten sollte innerhalb der Schweiz erfolgen, offene Modelle wie Apertus 1.5 bieten Unabhängigkeit und Kontrolle.
• Eigene Daten nutzen: Der grösste Wert entsteht, wenn interne Verkaufs- und Lagerdaten mit externen Einflussgrössen wie Wetter oder Feiertagen intelligent kombiniert werden.
• Team einbeziehen: Erfolgreiche KI-Projekte hängen stark vom Verständnis und der Akzeptanz in den Fachabteilungen ab.

Fazit

KI-basierte Absatz- und Lagerprognosen bieten Schweizer Handels- und Produktionsunternehmen einen messbaren Wettbewerbsvorteil. Der Einstieg gelingt am besten mit Pilotprojekten, offenen Schweizer KI-Modellen und einer klaren Fokussierung auf den konkreten Nutzen im Alltag. Bereits kleine Optimierungsschritte bringen deutliche Effizienzgewinne – und schaffen die Basis für weiteres Wachstum.