Predictive Logistics: Wenn Software den Nachschub vorausdenkt

6 Min. Lesezeit

Predictive Logistics verkauft sich als Software, die den Nachschub vorausdenkt. In der Projektrealität entscheidet nicht das Modell über den Erfolg, sondern die Frage, ob die Daten sauber sind und ob die Disponenten der Prognose glauben. Die meisten Projekte scheitern nicht an der KI. Sie scheitern an den fünf Dingen davor.

VerwandtChina+1 durchgerechnet: Wann sich der zweite Standort lohnt  /  Wie das Lieferkettengesetz den Mittelstand erreicht

Ich habe genug Transformationsprojekte begleitet, um bei dem Wort autonome Disposition vorsichtig zu werden. Gartner erwartet, dass bis 2030 rund 70 Prozent der grossen Organisationen KI-basiertes Supply-Chain-Forecasting einsetzen. Das klingt nach einer Zukunft, die von allein eintritt. Das tut sie selten. Sie erreicht die Betriebe, die vorher fünf unbequeme Hausaufgaben gemacht haben. Genau die sind hier das Thema, nicht der Algorithmus.

1. Stell die Datenbasis ehrlich auf den Prüfstand

Der erste Schritt hat mit KI nichts zu tun. Eine Prognose ist nur so gut wie die Historie, aus der sie lernt. Als Minimum braucht ein System eine saubere Absatz- und Bedarfshistorie pro Artikel über 18 bis 36 Monate, dazu Lieferzeiten, Lagerbewegungen und die bekannten Einflussfaktoren wie Saisonalität oder Grossaufträge. Das Wort sauber ist der Knackpunkt. Undokumentierte manuelle Eingriffe, Lücken in den Bewegungsdaten und gepflegte Stammdaten nur auf dem Papier ruinieren jedes Modell.

Der häufigste Fehler ist, das Tool zu kaufen, bevor die Daten stehen. Dann liefert die Software systematisch falsche Prognosen. Das Vertrauen ist nach zwei Wochen weg. Bevor irgendjemand eine Demo bucht, gehört eine nüchterne Gap-Analyse der ERP-Daten auf den Tisch. Wer hier eine Lücke findet, hat Glück gehabt, denn er hat sie vor dem Go-live gefunden.

2. Definiere einen scharfen Use-Case statt der Gesamtlösung

Der Anspruch, gleich die ganze Supply Chain vorausschauend zu steuern, ist der zuverlässigste Weg ins Scheitern. Ein mittelständisches Team hat selten die Kapazität, tausende Ausnahmen gleichzeitig zu handhaben. Der Einstieg gehört dorthin, wo der Hebel am grössten ist: A-Artikel, Engpass-Teile, hohe Wertbeiträge. Zwanzig Artikel, bei denen eine bessere Prognose direkt Kapital und Eilfracht spart, sind mehr wert als ein Projekt, das die gesamte Palette abbilden will und an der Komplexität erstickt.

3. Bau Erklärbarkeit und den Menschen von Anfang an ein

Disponenten akzeptieren keine Blackbox. Wenn eine Prognose von der gewohnten Zahl abweicht und niemand sagen kann warum, wird sie ignoriert oder von Hand überschrieben. Dann zahlt der Betrieb für ein System, das keiner nutzt. Ein brauchbares Modell macht nachvollziehbar, woher die Abweichung kommt, etwa aus der Kombination von Saisonalität, einer Lieferantenverzögerung und einem bekannten Grossauftrag.

Die gute Nachricht: Viele praxistaugliche Lösungen brauchen kein eigenes Data-Science-Team mehr. Entscheidend ist, dass der Disponent eine Korrektur einfliessen lassen kann und das System daraus lernt. Diese Mensch-in-the-Loop-Logik wirkt wie eine Bremse, ist aber der Grund, warum die Prognose im Alltag überlebt.

4. Starte mit einem Piloten, der eine Baseline hat

Ohne Vergleich zur Situation vor dem Projekt bleibt jeder Nutzen Behauptung. Das ist der Punkt, an dem Risk-Register und KPIs nützlich werden, wenn man sie wirklich anschaut. Vor dem Start gehören vier Kennzahlen gemessen: die Höhe des Sicherheitsbestands, der Anteil der Eilfracht, die Liefertreue und der Prognosefehler. Traditionelle statistische Verfahren liegen bei vielen Einflussfaktoren oft bei Fehlern von 25 bis 40 Prozent. Reife KI-Ansätze drücken das in guten Projekten unter 20 Prozent. Wer diese Zahlen vorher nicht kennt, kann den Erfolg hinterher nicht belegen und verliert den Business Case in der ersten kritischen Nachfrage.

5. Klär die Prozesse, Rollen und die laufende Pflege

Die Software ist der kleinere Teil. Wer pflegt die Daten, wer entscheidet bei einer Abweichung, wie fügt sich das in den Alltag von zwei oder drei Disponenten ein, ohne zur Zusatzlast zu werden. Diese Fragen klingen banal und entscheiden trotzdem, ob der Nutzen nach dem Piloten bleibt oder versandet. Kein Data-Science-Team, keine dedizierte Projektkraft: Der laufende Aufwand für Datenpflege und Modellüberwachung wird fast immer unterschätzt.

Die häufigste Transformation, die ich gesehen habe, ist die, die nach einem Jahr aussieht wie der alte Prozess mit einem neuen Dashboard. Predictive Logistics entgeht dem nur, wenn der Betrieb den Prozess mit anpasst, nicht bloss das Werkzeug tauscht. Dann wird aus der Prognose kein Feuerlöschen mehr, sondern eine ruhige Entscheidung am Vormittag.

Häufige Fragen

Bildquelle: KI-generiert (Juli 2026)