Jedes Jahr fallen in der EU fast 60 Millionen Tonnen Lebensmittelabfälle an, rund 132 Kilogramm pro Person. Ein Teil davon entsteht im Handel und in der Produktion, wenn Frischware nicht rechtzeitig verkauft wird. Mit der überarbeiteten Abfallrahmenrichtlinie hat die EU erstmals verbindliche Ziele festgelegt. Bis Ende 2030 sollen die Lebensmittelabfälle in Verarbeitung und Herstellung um 10 Prozent und im Einzelhandel, in der Gastronomie und in den Haushalten um 30 Prozent pro Kopf sinken, gemessen am Durchschnitt der Jahre 2021 bis 2023.
Für den Lebensmittelhandel und die Produzenten ist das nicht nur eine Frage der Nachhaltigkeit, sondern auch der Wirtschaftlichkeit. Jede Abschrift ist verlorener Umsatz, und jede leere Frischetheke verärgert Kunden. Der Schlüssel liegt in besseren Prognosen und besseren Entscheidungen. Auf dem Österreichischen Logistik-Tag 2026 zeigte die Schwarz Gruppe, wie sie mit ihrem Projekt Demand Forecast die Kundenbedarfe für Lidl und Kaufland mit künstlicher Intelligenz deutlich präziser prognostiziert. In diesem Beitrag zeigen wir, wie Prognose und Optimierung zusammenwirken und wie auch mittelgroße Unternehmen davon profitieren.
Warum Frische so schwer zu planen ist
Bei Frischeartikeln ist das Zeitfenster zwischen Lieferung und Verfall kurz. Brot hält einen Tag, Salat wenige Tage, Molkereiprodukte eine bis zwei Wochen. Wer zu wenig bestellt, hat leere Regale und verliert Umsatz. Wer zu viel bestellt, muss abschreiben oder reduziert verkaufen. Die optimale Bestellmenge liegt irgendwo dazwischen, und sie hängt davon ab, wie gut die Nachfrage vorhergesagt werden kann.
Die Nachfrage nach Frischeartikeln schwankt stark. Das Wetter beeinflusst, wie viel Grillfleisch oder Eis verkauft wird. Feiertage, Ferien, Schulbeginn und lokale Veranstaltungen verschieben die Nachfrage. Aktionen und Preisreduktionen erzeugen Spitzen, die sich auf andere Artikel auswirken. Und jede Filiale hat ihre eigenen Muster, je nach Lage, Kundschaft und Wettbewerb.
Was moderne Prognosen leisten
Klassische Dispositionssysteme arbeiten oft mit gleitenden Durchschnitten und einfachen Saisonfaktoren. Moderne Prognosemodelle auf Basis von maschinellem Lernen können sehr viel mehr Einflussfaktoren gleichzeitig berücksichtigen. Sie lernen aus der Historie jedes Artikels in jeder Filiale, wie Wetter, Wochentag, Feiertage, Aktionen und Preisänderungen die Nachfrage beeinflussen. Und sie liefern nicht nur einen Wert, sondern eine Verteilung, also eine Aussage darüber, wie sicher die Prognose ist.
Diese Unsicherheit ist für die Frischeplanung entscheidend. Ein Artikel mit sehr stabiler Nachfrage kann knapp bestellt werden. Bei einem Artikel mit großer Unsicherheit muss abgewogen werden, ob ein Fehlbestand oder eine Abschrift teurer ist. Wie wir Prognosen mit maschinellem Lernen erstellen, beschreiben wir auf unserer Seite zum Machine Learning. Unseren Ansatz für Beschaffungs- und Bedarfsprognosen zeigt die Seite zur Procurement Prediction.
Von der Prognose zur Bestellung
Eine gute Prognose allein reduziert noch keine Abschriften. Entscheidend ist, was man daraus macht. Die Bestellmenge für einen Frischeartikel hängt nicht nur von der erwarteten Nachfrage ab, sondern auch vom Restbestand, von der Haltbarkeit, von den Lieferrhythmen, von Mindestbestellmengen und Verpackungseinheiten und vom Platz im Regal. Dazu kommt die Frage, wie viel ein Fehlbestand im Verhältnis zu einer Abschrift kostet.
In der Operations Research ist diese Abwägung als Newsvendor-Problem bekannt, benannt nach dem Zeitungsverkäufer, der morgens entscheiden muss, wie viele Zeitungen er kauft. Für einen einzelnen Artikel lässt sich die optimale Menge direkt berechnen. In der Praxis hängen die Entscheidungen aber zusammen. Artikel ersetzen sich gegenseitig, Lieferungen werden gebündelt, und die Kapazität im Kühlregal ist begrenzt. Ein Optimierungsmodell berücksichtigt all das und berechnet für jede Filiale die Bestellmengen, die Abschriften und Fehlbestände insgesamt am geringsten halten. Diese Verbindung von Prognose und Entscheidung nennen wir Predict then Optimize. Mehr dazu im Beitrag Operations Research oder KI.
Abverkauf gezielt steuern
Auch mit der besten Prognose bleibt Ware übrig. Die Frage ist dann, wie sie noch verkauft oder sinnvoll verwendet wird. Viele Händler reduzieren den Preis von Artikeln, die kurz vor dem Ablauf stehen. Wann und um wie viel reduziert wird, entscheidet oft das Filialpersonal nach Erfahrung. Ein Modell kann diese Entscheidung unterstützen, indem es berechnet, welche Reduktion zu welchem Zeitpunkt den größten Teil des Bestands zum besten Preis verkauft.
Was dann noch übrig bleibt, kann gespendet werden. Die überarbeitete Abfallrahmenrichtlinie verpflichtet die Mitgliedstaaten, das Spenden von unverkauften, sicheren Lebensmitteln zu erleichtern. Auch das ist eine logistische Aufgabe. Die Abholung durch soziale Organisationen muss mit den Filialzeiten und den Touren abgestimmt werden, damit die Ware rechtzeitig und gekühlt ankommt.
Produzenten planen mit
Die gleichen Fragen stellen sich in der Produktion. Eine Bäckerei muss jeden Abend entscheiden, wie viel sie für den nächsten Tag backt. Eine Molkerei plant ihre Abfüllung nach den erwarteten Bestellungen des Handels. Ein Fleischverarbeiter muss den Zerlegungsplan an die Nachfrage nach einzelnen Teilstücken anpassen. Überproduktion bedeutet Abfall, Unterproduktion bedeutet Lieferausfälle und Vertragsstrafen.
Wenn Handel und Produzenten ihre Prognosen teilen, profitieren beide. Der Produzent kann seine Produktion besser planen, und der Handel bekommt verlässlichere Lieferungen. Das dämpft auch den Bullwhip-Effekt, bei dem sich kleine Schwankungen der Endkundennachfrage entlang der Kette verstärken. Ein Optimierungsmodell für die Produktion berücksichtigt die geteilten Prognosen, die Kapazitäten der Anlagen und die Haltbarkeit der Produkte und plant so, dass möglichst wenig übrig bleibt. Wie das in die gesamte Lieferkette passt, zeigt unser Beitrag zur Supply Chain Optimierung.
Logistik und Bestand zusammen denken
Abschriften entstehen nicht nur durch falsche Bestellmengen, sondern auch durch die Logistik. Wenn eine Filiale nur dreimal pro Woche beliefert wird, muss sie größere Mengen auf einmal bestellen, und das Risiko, dass etwas übrig bleibt, steigt. Häufigere Lieferungen senken die Abschriften, erhöhen aber die Transportkosten. Ein Modell, das Bestand und Logistik gemeinsam betrachtet, findet für jede Filiale und Warengruppe den besten Lieferrhythmus. Wie die Filialbelieferung selbst geplant wird, beschreiben wir im Beitrag zur Lebensmittellogistik und Kühlkette.
Auch ohne Konzernbudget möglich
Große Handelskonzerne haben eigene Data-Science-Teams, die solche Systeme entwickeln. Für mittelgroße Händler, Regionalketten, Großhändler und Produzenten ist das oft nicht realistisch. Trotzdem liegen auch dort die Daten vor, die für bessere Prognosen und Entscheidungen nötig sind. Kassendaten, Bestelldaten, Lieferdaten und Abschriften werden in fast jedem Unternehmen erfasst.
Ein pragmatischer Einstieg beginnt mit einer Warengruppe, in der die Abschriften besonders hoch sind, etwa Brot und Gebäck oder Obst und Gemüse. Für diese Gruppe bauen wir ein Prognose- und Bestellmodell und vergleichen die Ergebnisse mit der heutigen Disposition. Das zeigt schnell, wie viel Potenzial vorhanden ist, und schafft die Grundlage für die Ausweitung auf weitere Warengruppen.
Wie Hex bei Prognose und Disposition unterstützt
Hex ist das Team für mathematische Optimierung in der Anexia Digital Engineering Group. Unsere Mathematikerinnen und Mathematiker verbinden maschinelles Lernen für die Prognose mit Optimierung für die Entscheidung. Die Anexia Gruppe bringt die Softwareentwicklung und den Betrieb mit, um die Modelle an Warenwirtschaft, Kassensystem und Bestellsystem anzubinden. Mehr dazu auf unseren Seiten zur Datenintegration und zu DevOps und Cloud.
Die Modelle liefern Bestellvorschläge direkt in die bestehenden Systeme. Das Filialpersonal oder die zentrale Disposition kann sie übernehmen oder anpassen, und das System lernt aus jeder Abweichung. Wie das funktioniert, beschreiben wir im Beitrag zur Ergänzung bestehender Planungssoftware. Die Methoden dahinter finden Sie auf unserer Seite zur mathematischen Optimierung.
Aktionen und neue Artikel richtig einschätzen
Besonders schwierig wird die Prognose bei Aktionen und neuen Artikeln. Eine Aktion kann den Absatz eines Artikels vervielfachen und gleichzeitig ähnliche Artikel verdrängen. Nach der Aktion folgt oft ein Nachfrageloch, weil viele Kunden vorgekauft haben. Wer diese Effekte nicht berücksichtigt, bestellt vor der Aktion zu wenig und danach zu viel. Ein gutes Prognosemodell lernt aus vergangenen Aktionen, wie stark der Absatz steigt, welche Artikel dadurch weniger verkauft werden und wie lange der Effekt anhält.
Bei neuen Artikeln fehlt die Historie ganz. Hier helfen Ähnlichkeiten zu bestehenden Artikeln, etwa aus derselben Warengruppe, mit ähnlichem Preis oder ähnlicher Verpackung. Das Modell schätzt den Bedarf zunächst aus diesen Vergleichsartikeln und passt die Prognose an, sobald die ersten echten Verkaufsdaten vorliegen. Für Produzenten ist diese frühe Einschätzung besonders wertvoll, weil sie ihre Produktion für die Einführungsphase planen müssen, bevor die ersten Zahlen aus dem Handel kommen.
Sie möchten Abschriften senken und die Verfügbarkeit verbessern? Sprechen Sie mit unserem Mathematikteam. Wir zeigen Ihnen mit Ihren Daten, wie viel Potenzial in Ihrer Frischedisposition steckt.
Häufige Fragen
Welche Daten braucht ein Prognosemodell?
Im Kern Abverkaufsdaten je Artikel und Filiale über mindestens ein Jahr, dazu Bestände, Lieferungen, Aktionen und Abschriften. Wetter- und Feiertagsdaten kommen aus öffentlichen Quellen.
Wie schnell zeigen sich Ergebnisse?
Ein Vergleich der Modellvorschläge mit der bisherigen Disposition auf historischen Daten ist oft innerhalb weniger Wochen möglich.
Ersetzt das System die Disposition in der Filiale?
Es unterstützt sie mit Vorschlägen. Die Entscheidung bleibt beim Menschen, und lokales Wissen fließt über Anpassungen in das Modell zurück.