Falsche Lagerdaten kosten Umsatz – KI soll gegensteuern
KI im Bestandsmanagement könnte Händlern helfen, fehlerhafte Lagerbestände früher zu erkennen und vorhandene Kontrollkapazitäten gezielter einzusetzen. Eine Untersuchung von ECR Retail Loss unter Beteiligung der TU Darmstadt kommt zu dem Ergebnis, dass sich ein erheblicher Teil der Abweichungen zwischen Systembestand und tatsächlich vorhandener Ware vorhersagen lässt. Die Studie zeigt zugleich klare Grenzen: Frischeartikel und stark schwankende Sortimente bleiben schwer berechenbar, und der wirtschaftliche Nutzen ist bislang überwiegend modelliert statt im laufenden Betrieb nachgewiesen.
📌 Auf einen Blick
Die Analyse umfasst mehr als 1,3 Millionen Bestandsprüfungen bei sechs Lebensmittelhändlern. Durch KI im Bestandsmanagement galten je nach Händler 51 bis 84 Prozent der Artikel-Lager-Kombinationen als ausreichend vorhersehbar. Besonders relevant ist Phantom-Bestand, bei dem das System Ware meldet, die physisch fehlt.

KI im Bestandsmanagement soll Zählaufwand gezielter steuern
Inventurdifferenzen gehören zum Alltag des Handels. Problematisch werden sie, wenn Warenwirtschaftssysteme einen Bestand anzeigen, der im Regal oder Lager nicht vorhanden ist. In diesem Fall bleibt eine Nachbestellung häufig aus, weil das System keinen Handlungsbedarf erkennt. Umgekehrt können zu niedrig ausgewiesene Bestände unnötige Bestellungen, überfüllte Lagerflächen und bei verderblicher Ware zusätzliche Abschriften verursachen.
Die Studie untersucht deshalb nicht nur, ob Bestandsdaten falsch sind, sondern ob sich die Wahrscheinlichkeit solcher Fehler im Voraus bestimmen lässt. Grundlage sind Bestandsprüfungen aus vier Jahren zwischen Mai 2018 und April 2022. Die Daten stammen von sechs anonymisierten Lebensmittelhändlern mit unterschiedlichen Formaten, Sortimenten und Prüfintervallen. Der Bericht wurde am 24. Juni 2026 veröffentlicht.
Das eingesetzte Verfahren kombiniert mehrere maschinelle Lernmodelle. Berücksichtigt werden unter anderem frühere Bestandsabweichungen, Verkaufsbewegungen, Lieferungen, Aktionszeiträume, Preise, Prüfintervalle sowie Produkt- und Filialmerkmale. Entscheidend ist, dass die Modelle nur Informationen nutzen, die vor der jeweiligen Bestandsprüfung verfügbar waren. Damit soll verhindert werden, dass spätere Korrekturen die Ergebnisse künstlich verbessern.
Zwischen 51 und 84 Prozent der Datensätze gelten als vorhersehbar
Je nach Händler und Warengruppe stuften die Modelle zwischen 51 und 84 Prozent der untersuchten Artikel-Lager-Kombinationen als ausreichend vorhersehbar ein. Für diese Gruppe lagen 60 bis 81 Prozent der vorgeschlagenen Korrekturen exakt richtig. Zwischen 75 und 93 Prozent wichen höchstens um eine Einheit vom tatsächlich gezählten Bestand ab.
Diese Spannbreiten zeigen allerdings auch, dass KI im Bestandsmanagement nicht überall gleich zuverlässig arbeitet. Stabil nachgefragte und regelmäßig nachgelieferte Artikel aus dem Trocken-, Getränke- oder Tiefkühlsortiment waren häufiger berechenbar. Frische, kurz haltbare oder häufig umplatzierte Ware bereitete den Modellen deutlich mehr Probleme.
Die Autoren schlagen deshalb keine pauschale Automatisierung vor. Stattdessen sollen Händler ihr Sortiment in drei Bearbeitungswege aufteilen: risikoarme Korrekturen innerhalb enger Toleranzen, kurze manuelle Prüfungen bei Grenzfällen und sofortige physische Kontrollen bei unvorhersehbaren Artikeln oder Verdacht auf leere Bestände. Die KI entscheidet damit nicht allein über den Buchbestand, sondern priorisiert, wo Mitarbeiter zuerst nachsehen sollten.
Phantom-Bestand blockiert den Nachschub
Besonders kritisch bewertet die Studie sogenannten Phantom-Bestand. Dabei zeigt das System einen positiven Bestand, obwohl weder im Regal noch im Lager Ware vorhanden ist. Die Folge ist ein verdeckter Regalausfall: Das System hält den Artikel für verfügbar und löst keine reguläre Nachbestellung aus.
Im untersuchten Datenbestand waren je nach Händler zwischen acht und 24 Prozent der Artikel bei einer Prüfung von diesem Problem betroffen. Die Erkennungsgenauigkeit für Phantom-Bestand lag im Durchschnitt bei rund 81 Prozent. Bei einem Händler identifizierte das Modell 83 Prozent der entsprechenden Fälle.
Gleichzeitig gab es Fehlalarme. Diese betrafen laut Studie jedoch häufig Artikel mit ohnehin sehr niedrigen Beständen, sodass eine Kontrolle operativ dennoch sinnvoll sein konnte. Das ändert nichts daran, dass unnötige Prüfungen Arbeitszeit beanspruchen und bei einer Einführung als eigene Kennzahl überwacht werden müssten.
Auffällig ist der Zusammenhang mit langen Prüfintervallen. Bei einem Händler stieg der Anteil von Phantom-Bestand von rund 18 Prozent bei monatlichen Kontrollen auf 27 Prozent bei halbjährlichen Prüfungen. Die Zahlen sprechen nicht dafür, Inventuren abzuschaffen. Sie sprechen eher dafür, starre Zählpläne durch risikobasierte Kontrollen zu ergänzen.
Gleicher Aufwand, mehr relevante Treffer
Für eine vertiefte Analyse werteten die Forscher bei einem Händler mehr als zwei Millionen zusätzliche Prüfbeobachtungen aus. Wählte das Modell täglich die fünf zuerst priorisierten Artikel je Filiale aus, waren 87,5 Prozent tatsächlich fehlerhaft. Bei 20 geprüften Artikeln lag die Trefferquote noch bei 76,3 Prozent. Mit zehn Kontrollen pro Tag konnten 63,4 Prozent der Fälle von Phantom-Bestand erfasst werden.
Damit könnte KI im Bestandsmanagement vor allem dort Nutzen stiften, wo Personal knapp ist. Der Ansatz verspricht nicht zwingend weniger Arbeit, sondern eine andere Verteilung der verfügbaren Zeit. Statt viele Artikel nach einem starren Plan zu zählen, würden Filialen zunächst jene Bestände prüfen, bei denen Fehler und Umsatzausfälle wahrscheinlicher sind.
In der Untersuchung lag der Anteil tatsächlich fehlerhafter Artikel bei einer täglichen Prüftiefe von 40 Positionen noch bei 70,7 Prozent. Mit diesen Kontrollen wurden 82,9 Prozent sämtlicher Bestandsabweichungen und 91,2 Prozent der Fälle von Phantom-Bestand erfasst. Die Aussagekraft dieser Ergebnisse ist jedoch auf den vertieft untersuchten Händler begrenzt.
Wirtschaftlicher Effekt bleibt eine Modellrechnung
Die Studie errechnet für diesen Händler einen Anstieg des erwarteten wirtschaftlichen Nutzens je Prüfung um 362 Prozent. Die Verbesserung soll vor allem daraus entstehen, dass Prüfungen häufiger auf Phantom-Bestand gelenkt werden und dadurch blockierte Nachbestellungen schneller wieder anlaufen können.
Die Zahl ist allerdings mit Vorsicht zu lesen. Sie beruht auf Annahmen zu Margen, Nachschubwirkungen, Prüfkosten und vermiedenen Regalausfällen. Ein tatsächlich realisierter Umsatzanstieg wurde nicht gemessen. Auch mögliche Ausweichkäufe der Kunden, Lieferengpässe oder verzögerte Nachbestellungen können die wirtschaftliche Wirkung verändern.
Die Autoren empfehlen deshalb einen kontrollierten Test über vier bis acht Wochen. Vergleichbare Filialen sollen dabei entweder die modellbasierte Priorisierung oder die bisherigen Zählverfahren nutzen. Gemessen werden sollen Warenverfügbarkeit, Trefferquote der Kontrollen, Beseitigung von Phantom-Bestand und mögliche Umsatzveränderungen.
KI im Bestandsmanagement ersetzt keine Inventur
Der Bericht beschreibt einen möglichen 90-Tage-Fahrplan. Zunächst sollen Händler Datenquellen, Artikelnummern und Zeitstempel prüfen. Anschließend werden Prognosemodelle und Aufgabenlisten aufgebaut. Danach müssen Toleranzen, Verantwortlichkeiten und Eskalationsregeln festgelegt werden, bevor ein kontrollierter Feldversuch beginnt.
Für Händler ist der Ansatz grundsätzlich praktikabel, weil die benötigten Daten meist bereits in Warenwirtschaft, Kassensystemen und Bestandsprüfungen vorhanden sind. Dazu gehören Systembestände, Verkäufe, Warenbewegungen, Lieferungen, Preisaktionen, Artikelstammdaten und frühere Zählergebnisse.
Der Aufwand liegt weniger in zusätzlicher Sensorik als in der Datenqualität. Unterschiedliche Artikelnummern, Packungsgrößen, verspätete Buchungen und uneinheitliche Prozessdaten können Prognosen verzerren. Auch Aktionswechsel, Sortimentsumbauten und Planogrammänderungen müssen berücksichtigt werden. Ohne nachvollziehbare Regeln und Protokolle droht aus einer Priorisierungshilfe ein zusätzliches Kontrollrisiko zu werden.
Für Interne Revision, Finanzen und Warenwirtschaft bleibt daher eine klare Trennung notwendig. Formale Inventuren, steuerlich relevante Bestandsnachweise und unabhängige Stichproben werden durch KI im Bestandsmanagement nicht ersetzt. Automatische Korrekturen sollten nur innerhalb definierter Wert- und Mengengrenzen erfolgen und vollständig dokumentiert werden.
Der Nutzen hängt an Datenqualität und Kontrolle
KI im Bestandsmanagement kann die klassische Inventur nicht beseitigen. Die Studie liefert aber Hinweise darauf, dass Händler einen Teil ihrer täglichen Zählungen gezielter einsetzen können. Besonders bei Phantom-Bestand erscheint die Priorisierung sinnvoll, weil fehlerhafte Systemdaten unmittelbar den Nachschub blockieren können.
Der entscheidende Punkt ist weniger die technische Trefferquote als die operative Umsetzung. Händler müssen festlegen, welche Warengruppen automatisch korrigiert werden dürfen, wann eine physische Kontrolle erforderlich ist und wie Fehlalarme ausgewertet werden. Frische und prozessintensive Kategorien benötigen nach den Ergebnissen eher mehr manuelle Kontrollen als weniger.
Erst ein Feldversuch kann zeigen, ob aus besserer Fehlererkennung tatsächlich eine höhere Warenverfügbarkeit, geringere Abschriften und messbare Mehrumsätze entstehen. Bis dahin bleibt KI im Bestandsmanagement ein plausibles Steuerungsinstrument, aber kein Ersatz für saubere Prozesse und verlässliche Bestandsdaten.
Faktenbox
| Studie zu Bestandsprognosen im Handel | |
|---|---|
| Herausgeber | ECR Retail Loss |
| Veröffentlichung | 24. Juni 2026 |
| Datenbasis | Mehr als 1,3 Millionen Bestandsprüfungen bei sechs Lebensmittelhändlern |
| Untersuchungszeitraum | Mai 2018 bis April 2022 |
| Vorhersehbare Datensätze | Je nach Händler 51 bis 84 Prozent |
| Korrekturgenauigkeit | 60 bis 81 Prozent exakt; 75 bis 93 Prozent innerhalb von ±1 Einheit |
| Phantom-Bestand | Das System zeigt Ware an, die physisch nicht vorhanden ist; durchschnittliche Erkennungsgenauigkeit rund 81 Prozent |
| Modellierter Effekt | 362 Prozent höherer erwarteter Nutzen je Prüfung in einer Vertiefungsanalyse; kein gemessener Mehrumsatz |
| Empfohlener nächster Schritt | Kontrollierter Test über vier bis acht Wochen mit Test- und Vergleichsfilialen |
