Einkaufserlebnis Bestandsmanagement: Mit mathematischer Optimierung zum Erfolg

Anbieter zum Thema

Arvato Systems GmbH

Packsize

Descartes Systems (Germany) GmbH

Der Onlinehandel kämpft mit ausufernden Sortimenten, wirtschaftlichen Unsicherheiten und instabilen Lieferketten. Oliver Bastert von Gurobi erklärt im Gastbeitrag, wie mathematische Optimierung dabei helfen kann, diese Herausforderungen im Bestandsmanagement zu bewältigen.

Im Jahr 1997 knallten bei Amazon die Korken – das Unternehmen verkündete stolz, dass sein Sortiment erstmals auf über 200.000 Produkte angewachsen war. Ein Meilenstein, den bis dahin kein anderer Onlinehändler erreicht hatte. Was damals als beeindruckende Größenordnung galt, wirkt aus der Gegenwartsperspektive fast bescheiden: Onlineshops führen heute regelmäßig Hunderttausende, teils Millionen Produkte. Im Vergleich zu den Anfangstagen des Onlinehandels ist das Angebot um ein Vielfaches größer – zur Freude der Kunden. Für Händler jedoch entstehen daraus neue Herausforderungen beim Bestandsmanagement.

Die enorme Sortimentsgröße über alle Kanäle hinweg zu steuern, kann Onlinehändler vor enorme Probleme stellen. Sie müssen entscheiden, welche Produkte wann und wo ausgespielt werden: Welche Artikel erreichen welche Kunden zu welchem Zeitpunkt? Wann sind Rabattaktionen sinnvoll – und in welcher Höhe? Welche Waren müssen in Filialen oder Lagern verfügbar sein, um schnelle und reibungslose Lieferungen zu ermöglichen? All das muss unter sich ständig ändernden Rahmenbedingungen funktionieren, ohne das Einkaufserlebnis zu beeinträchtigen.

Bestandsmanagement: Wachsender Druck auf Onlinehändler

Doch nicht nur die zunehmende Größe der Sortimente bereitet Onlinehändlern gegenwärtig Kopfzerbrechen – die Gesamtlage ist deutlich komplexer. Zum einen ist der Onlinehandel in den letzten Jahren spürbar wettbewerbsintensiver geworden. Virtuelle Marktplätze wie Amazon setzen mit ihrer enormen Reichweite und aggressiven Preisstrategien den Markt unter Druck. Für Händler wird es dadurch schwieriger, neue Kund:innen zu gewinnen, im Preiskampf mitzuhalten und gleichzeitig eine langfristige Markenbindung aufzubauen.

Zum anderen bleiben globale Lieferketten instabil: Steigende Zölle, Inflation und geopolitische Unsicherheiten schaffen enorme Planungsrisiken. Die ständigen wirtschaftlichen und politischen Verschiebungen der Gegenwart wirken sich direkt auf Warenverfügbarkeit, operative Abläufe und die Ausgabenbereitschaft der Konsument:innen aus – und beeinflussen damit sowohl die Angebots- als auch die Nachfrageseite. Um unter diesen Bedingungen handlungsfähig zu bleiben, müssen Händler schneller und fundierter entscheiden – bei Sortimentssteuerung, Preisgestaltung und Logistik. Gleichzeitig ist hohe Anpassungsfähigkeit gefragt, um kurzfristig auf Veränderungen reagieren zu können.

Einzeln betrachtet wirken die Herausforderungen oft kaum beherrschbar, nicht unbedingt, weil jede für sich unlösbar wäre, sondern weil zu viele Fragen gleichzeitig beantwortet werden müssen und die Wechselwirkungen zwischen den Stellschrauben häufig nicht klar genug sind. Genau an der Stelle hilft ein strukturierter, systematischer Ansatz: Wenn man die Einflussfaktoren als Variablen in einem gemeinsamen Gleichungssystem versteht, lassen sich Zusammenhänge sichtbar machen, Abhängigkeiten ordnen und Zielkonflikte sauber auflösen. Deshalb betrachten immer mehr Onlinehändler ihr Bestandsmanagement als mathematisches Optimierungsproblem. So ordnet sich Komplexität in verschiedene Entscheidungsoptionen und daraus können Unternehmen robuste, nachvollziehbare Entscheidungen ableiten.

Bestandsmanagement als mathematisches Optimierungsproblem

Mathematische Optimierung ist ein Ansatz, bei dem komplexe Fragestellungen auf einzelne Entscheidungsmöglichkeiten heruntergebrochen werden. Diese Entscheidungsmöglichkeiten werden anschließend als mathematische Variablen und deren Freiheitsgrade sowie Beschränkungen in Form von Regeln, in Form von mathematischen Ungleichungen, beschrieben. Auf dieser Basis lassen sich Algorithmen einsetzen, um konkrete und umsetzbare Handlungsempfehlungen oder Lösungsansätze für das Bestandsmanagement zu errechnen.

Damit unterscheidet sich mathematische Optimierung von Machine-Learning-Verfahren: Während Machine-Learning auf Basis historischer Daten Vorhersagen darüber trifft, was wahrscheinlich passieren wird, liefert mathematische Optimierung konkrete Entscheidungsvorschläge, die verschiedene Handlungsoptionen systematisch gegeneinander abwägen. Optimierung ist in der Lage Bedingungen garantiert zu erfüllen, im Gegensatz zu generativer KI, die unpräzise oder teilweise sogar erfundene Antworten anbietet.

Der zentrale Vorteil mathematischer Optimierung liegt darin, auch unter vielschichtigen und teils widersprüchlichen Zielsetzungen die bestmöglichen Entscheidungen zu treffen. Genau das macht sie für die aktuelle Situation im Onlinehandel besonders geeignet: Bei der Vielzahl an Einflussfaktoren kann die Lösung eines Problems schnell neue Herausforderungen an anderer Stelle verursachen. Mithilfe eines Optimierungs-Solvers lassen sich Entscheidungsvariablen und geschäftliche Rahmenbedingungen formal abbilden und in Algorithmen überführen, die daraus konkrete Handlungsempfehlungen ableiten. Ändern sich einzelne Faktoren, können die zugrunde liegenden Berechnungen erneut durchgeführt werden.

Hybrides SaaS-Modell

Bestandsmanagement: Eurobaustoff integriert AI-Forecast von Remira