Die unerwartete Prognose: Wie Bedarfsprognosen zum Schichtplanungstool wurden
Wir entwickelten ein Bedarfsprognosesystem zur Bestandsoptimierung — Bestellpunkte, Lieferbereitschaft, Betriebskapital. Es funktionierte. Aber die begeistertsten Nutzer waren nicht das Einkaufsteam. Die Lagerleiter nutzten dieselben Prognosedaten für die Schichtplanung, und dieser „Bonus“-Anwendungsfall lieferte die Hälfte des Gesamtwerts: 1,1 Mio. Kč pro Jahr an Lohnkosteneinsparungen.
Die Ausgangslage
Ein mittelgroßer Betreiber von Distributionszentren in Tschechien mit 3 Lagerstandorten für FMCG, Frisch- und Trockenwaren. Rund 20.000 aktive SKUs, 150+ Lagermitarbeiter über Schichten und Standorte hinweg (Kommissionierer, Warenannahme, Einlagerung, Vorgesetzte), alles über Odoo gesteuert.
Wir setzten unser Standardsystem ein: SKU- und standortbezogene Nachfragerate, Lieferzeitverteilungen, berechnete Min-/Max-Werte für Odoo-Bestellpunkte. Ziel war die Bestandsoptimierung. Die Lieferbereitschaft stieg, überschüssige Bestände sanken.
Die Überraschung
Innerhalb weniger Wochen nach dem Go-Live wurden die Lagerleiter zu den intensivsten Nutzern der Prognosedaten. Sie schauten nicht auf Bestellpunkte oder Servicelevel. Sie schauten auf das aggregierte tägliche Nachfragevolumen pro Standort — und nutzten es zur Schichtplanung.
Das Problem, das sie wöchentlich manuell lösten: Wie viele Kommissionierer, Warenannehmer und Einlagerungskräfte pro Schicht und Standort einzuplanen sind. Zu wenige an einem Hochvolumen-Tag bedeuten Überstunden, verspätete Sendungen, SLA-Verstöße. Zu viele an einem ruhigen Tag bedeuten untätige Mitarbeiter und verschwendete Lohnkosten.
Bisher wurde das nach Bauchgefühl und dem Kalender des Vorjahres gemacht. Die großen Spitzen — Black Friday, Schulanfang — waren bekannt. Aber Schwankungen unter der Woche, Häufung von Lieferantenzustellungen und allmähliche saisonale Anstiege waren unsichtbar, bis die LKW ankamen.
Was sie entdeckten
Die Bedarfsprognose, aggregiert von der SKU-Ebene auf das tägliche Volumen pro Standort, gab den Betriebsleitern etwas, das sie nie hatten: einen 2–4-Wochen-Ausblick auf den erwarteten Lagerdurchsatz.
Auf der Eingangsseite: Bestellpunkte lösen Bestellungen aus, und Bestellungen haben geplante Liefertermine. Die Aggregation aller offenen Bestellungen nach Eingangsdatum prognostiziert, welche Tage hohes Eingangsvolumen haben und welche ruhig sein werden. Auf der Ausgangsseite: Die Bedarfsprognose selbst prognostiziert das tägliche Kommissioniervolumen pro Standort, einschließlich Wochentagsmuster und saisonaler Anstiege, die Wochen vorher sichtbar sind.
Der Betriebsleiter wandte einfache Kennzahlen an: ~120 Einheiten/Stunde pro Mitarbeiter für die Warenannahme, ~80 Einheiten/Stunde für die Kommissionierung, 7,5 produktive Stunden pro Schicht. An einem Standort benötigt ein Spitzentag mit erwarteten 18.000 ausgehenden Picks 30 Kommissionierer. Ein ruhiger Tag mit 8.000 Picks braucht 13. Zuvor planten sie pauschal 20 Kommissionierer pro Tag unabhängig vom Volumen.
Pauschale vs. prognosegesteuerte Besetzung
Die Grafik spricht für sich. Bei pauschaler Besetzung waren Spitzen-Donnerstage unterbesetzt (Überstunden, Verzögerungen) und ruhige Mittwoche überbesetzt (untätige Mitarbeiter). Die Bedarfsprognose machte das Muster sichtbar und zwei Wochen im Voraus nutzbar. Die Personalstärke wird jetzt ±30 % anhand rollierender Prognosen angepasst. An Spitzentagen werden Leiharbeiter vorab zu regulären Sätzen gebucht statt Überstunden in letzter Minute zu 125 %.
Die Zahlen
| Kennzahl | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Überstunden / Monat | 320 Std. | 90 Std. | -72% |
| Überstundenkosten / Monat | 80 Tsd. Kč | 22 Tsd. Kč | -72% |
| Leerlauf-Arbeitsstunden / Monat | 200 Std. | 60 Std. | -70% |
| SLA-Verstöße durch Unterbesetzung | 3–4 / Monat | 0–1 / Monat | -80% |
| Leiharbeiter-Satz (Notfall vs. geplant) | 450 Kč/Std. | 320 Kč/Std. | -29% |
| Netto-Lohnkosteneinsparung / Monat | — | ~90 Tsd. Kč | ~1,1 Mio. Kč/Jahr |
Das Fazit
Die Bestandsoptimierung sparte rund 2,2 Mio. Kč pro Jahr durch weniger Fehlbestände und Überbestände. Die Schichtplanung — ein völlig ungeplanter Nebeneffekt — sparte weitere 1,1 Mio. Kč pro Jahr an Lohnkosten. Der Bonus-Anwendungsfall lieferte die Hälfte des Werts des primären, bei null zusätzlichen Implementierungskosten.
Warum das wichtig ist
- Prognosen sind Infrastruktur. Eine für einen Zweck erstellte Bedarfsprognose (Bestellpunkte) wird zur Plattform für weitere Entscheidungen — Personal, Transport, Kapazität. Die Grenzkosten des zweiten Anwendungsfalls sind nahezu null.
- Lagerleiter denken in Schichten, nicht in SKUs. Das Einkaufsteam will Min-/Max-Werte pro SKU. Der Betriebsleiter will wissen: „Wie viele Leute brauche ich nächsten Donnerstag?“ Dieselben Daten, andere Aggregation.
- Die beste Akzeptanz entsteht durch die Lösung täglicher Probleme. Der Betriebsleiter übernahm das System schneller als der Einkauf, weil Schichtplanung ein tägliches Problem mit sofortigem Feedback war. Überbesetzen Sie heute und Sie sehen untätige Mitarbeiter. Unterbesetzen Sie und abends sehen Sie die Überstundenzettel.
- Einfache Kennzahlen auf guten Daten schlagen komplexe Modelle auf schlechten Daten. Die Faustregel des Betriebsleiters „80 Picks pro Stunde“, angewandt auf eine präzise Bedarfsprognose, übertraf jedes Workforce-Management-Tool, das auf geschätzten Volumina basierte.