Predictive models for inventory optimization: Die Casa-Cardão-Studie für den Mittelstand

KI-gestützte Lagerdisposition gilt als Spielzeug für Großkonzerne. Eine aktuelle Springer-Studie belegt das Gegenteil: Ein brasilianischer Mittelstandsbetrieb mit 10.500 Artikeln, saisonalen Schwankungen und lean IT steigerte seine Prognosegenauigkeit auf unter ein Prozent Fehlerrate. Und das ohne ein einziges Data-Science-Fachpersonal.

1. Der Kontext: Warum diese Forschung wichtig ist

Lagerbestände binden im Mittelstand oft 15 bis 25 Prozent des Umlaufvermögens. Gleichzeitig leiden viele KMU unter Fehlmengen trotz hoher Bestände. Die Ursache liegt meist in der Disposition: Excel-Tabellen und Erfahrungswerte reichen nicht mehr, wenn Variantenvielfalt steigt und Lieferzeiten schwanken.

Die Casa-Cardão-Studie, veröffentlicht im Journal of Engineering and Technology for Sustainable Solutions (Springer, 2026), untersucht genau dieses Problem. Casa Cardão ist ein mittelständischer Baustoffhändler in Brasilien mit über 10.500 SKUs, saisonaler Nachfrage und einer schlanken IT-Abteilung. Die Forscher dokumentierten den vollständigen Übergang von rein deskriptiven ERP-Berichten zu einem prädiktiven Forecasting-System auf Basis von AutoML. Der Fokus lag dabei nicht auf algorithmischer Neuerung, sondern auf der Frage: Was ist für einen Mittelstandsbetrieb ohne Spezialisten machbar?

2. Die Kernergebnisse

AutoML erreichte eine WAPE von 0,69 Prozent: Das implementierte System auf Basis von Amazon Forecast und SageMaker Canvas erzielte eine gewichtete absolute Prozentuale Abweichung von etwa 0,69 Prozent im Evaluierungszeitraum. Das bedeutet: Die KI-Prognosen lagen im Durchschnitt weniger als ein Prozent neben der tatsächlichen Nachfrage. Für einen Baustoffhändler mit stark saisonalen Mustern ist das ein bemerkenswertes Ergebnis.

Der entscheidende Faktor war nicht die Datenmenge, sondern die Datenqualität: Das Team nutzte lediglich 16 Monate historischer Transaktionsdaten aus dem ERP-System. Die Studie betont explizit, dass kleine, aber saubere Datensätze für prädiktive Modelle im Mittelstand ausreichen. Entscheidend war die konsistente Aufbereitung: fehlende Werte bereinigt, Saisonalitäten identifiziert, Ausreißer markiert.

Cloudbasierte AutoML senkt die Eintrittsbarriere drastisch: Der gesamte Prozess von der Datenaufbereitung bis zum ersten Forecast lief über verwaltete Cloud-Dienste ab. Das Unternehmen musste keine eigene Infrastruktur aufbauen und keine Algorithmen programmieren. Die Muster-Erkennung übernahm das AutoML-System, während die menschlichen Mitarbeiter die Ergebnisse interpretierten und in Bestellentscheidungen übersetzten.

Governance-Mechanismen sichern den langfristigen Erfolg: Die Studie identifiziert drei kritische Erfolgsfaktoren: kontinuierliches Genauigkeits-Monitoring, definierte Retraining-Trigger und Feedback-Loops zwischen Prognose und operativer Entscheidung. Unternehmen, die diese Governance einführten, behielten die Prognosequalität über Monate. Unternehmen ohne diese Mechanismen sahen die Genauigkeit nach wenigen Wochen sinken.

3. Was die Forschung kritisch sieht

Auch die erfolgreichste Studie nennnt Warnsignale. Drei Faktoren relativieren die Ergebnisse:

• Kontextabhängigkeit der Metriken: Die WAPE von 0,69 Prozent ist kontextspezifisch und lässt sich nicht ohne Validierung auf andere Branchen oder Produktportfolios übertragen. Baustoffe haben andere Nachfragemuster als Lebensmittel oder Elektronik.
• Fehlende quantitative Business-KPIs: Die Studie dokumentiert die Prognosegenauigkeit, aber keine systematischen Vorher-Nachher-Messungen von Geschäftskennzahlen wie Lagerbestandsreduktion, Fehlmengenkosten oder Cashflow-Verbesserung. Die qualitativen Beobachtungen deuten auf Vorteile hin, aber harte ROI-Zahlen fehlen.
• Abhängigkeit von Cloud-Credits: Das Projekt wurde mit AWS-Testcredits finanziert. Die Langfristkosten für einen produktiven Betrieb im Mittelstand werden nicht quantifiziert. Was kostet das System nach Ablauf der Förderung?

4. Was das für KMUs bedeutet

Für den Mittelstand lassen sich aus der Casa-Cardão-Studie drei konkrete Handlungsempfehlungen ableiten:

1. Starten Sie mit sauberen Stammdaten, nicht mit KI. Die Studie zeigt, dass 16 Monate ERP-Daten ausreichen, wenn sie konsistent aufbereitet sind. Investieren Sie zuerst in die Datenqualität. Fehlende Artikelstämme, uneinheitliche Einheiten oder doppelte SKU-Einträge zerstören jede Prognose, egal wie teuer das Modell ist.

2. Nutzen Sie AutoML, aber behalten Sie die Kontrolle. Verwaltete Cloud-Plattformen senken den technischen Einstieg. Aber die Entscheidungslogik bleibt menschlich. Eine Rules Engine sollte harte Grenzen setzen: maximaler Lagerbestand, Mindestbestellmengen, Lieferanten-Leadtimes. Die KI liefert die Prognose, die Regeln sichern die Rahmenbedingungen. So entsteht eine Wissensbasis, die über Zeit wächst und verfeinert wird.

3. Bauen Sie Governance von Tag eins ein. Definieren Sie vor dem Go-Live, wer die Prognosen prüft, wann ein Retraining erfolgt und wie Abweichungen dokumentiert werden. Ohne diese Prozesse verliert das System schnell an Qualität und Vertrauen. Die Studie empfiehlt: monatliches Genauigkeits-Review, quartalsweises Modell-Retraining, halbjährliche Evaluation der Geschäftswirkung.

Bei NaveSight verbinden wir die Intelligenz-Schicht direkt mit den ERP-Daten des Unternehmens. Über eine Middleware werden Lagerbestände, Verkaufszahlen und Lieferanteninformationen zusammengeführt. Die Muster-Erkennung identifiziert saisonale Schwankungen und Abweichungen, während die Rules Engine sicherstellt, dass keine Empfehlung harte betriebswirtschaftliche Grenzen überschreitet.

5. Quelle und Kontext

Original-Paper: Predictive models for inventory optimization: a machine learning application for demand forecasting at a construction supplies distributor. Journal of Engineering and Technology for Sustainable Solutions (Springer, 2026). DOI: 10.1186/s43093-026-00807-8

Zusammenfassung erstellt von: NaveSight Research Team, Stefan Preusler.

Haftungsausschluss: Diese Zusammenfassung ist eine redaktionelle Aufbereitung und ersetzt nicht das Original-Paper. Für wissenschaftliche Zwecke zitieren Sie bitte die Originalquelle.

Verwandte Inhalte

• KI im Einkauf und Beschaffung für den Mittelstand
• Lieferantenrisiko frühzeitig erkennen
• Predictive Analytics in KMU: Von der Theorie zur Praxis
• LLM – Large Language Model