Klassifizierung und Systematik von Lagerkennzahlen

‍

Für ein effektives Lagercontrolling ist es wichtig, Lagerkennzahlen systematisch zu erfassen und auszuwerten. Je nach Perspektive und Analyseziel lassen sich Lagerkennzahlen in verschiedene Kategorien einteilen, die unterschiedliche Aspekte der Lagerhaltung beleuchten.

‍

Kategorisierung nach Betrachtungsperspektive

‍

• Absolute Kennzahlen: Direkt quantifizierbare Zustände wie Gesamtbestand in Euro oder Stück, die als Basis für weitere Berechnungen dienen
• Relative Kennzahlen: Verhältniszahlen mit höherer strategischer Ausdruckskraft, wie Lagerumschlagshäufigkeit oder Bestandsreichweite
• Zeitbezogene Kennzahlen: Metriken, die zeitliche Aspekte der Lagerhaltung messen, etwa Lagerdauer oder Durchlaufzeiten
• Leistungskennzahlen: Indikatoren für die Performance der Lagerprozesse, beispielsweise Kommissionierleistung oder Pickfehlerrate

‍

ABC-Analyse als Basis für differenziertes Kennzahlenmanagement

‍

Eine wichtige Grundlage für die effiziente Arbeit mit Lagerkennzahlen ist die ABC-Analyse, die Lagerartikel nach ihrer wirtschaftlichen Bedeutung klassifiziert. Diese Methode hilft dabei, den Aufwand für das Kennzahlenmanagement entsprechend der Relevanz der Artikel zu priorisieren:

‍

• A-Artikel: Hochwertige, umsatzstarke Produkte (ca. 20% der Artikel, 80% des Wertes), die eine intensive und hochfrequente Überwachung mittels Lagerkennzahlen erfordern
• B-Artikel: Artikel mittlerer Bedeutung (ca. 30% der Artikel, 15% des Wertes), die eine regelmäßige, aber weniger intensive Kennzahlenanalyse benötigen
• C-Artikel: Geringwertige, umsatzschwache Produkte (ca. 50% der Artikel, 5% des Wertes), bei denen eine vereinfachte Kennzahlenerhebung ausreichend ist

‍

Diese differenzierte Betrachtung ermöglicht es Einkäufern, ihre Ressourcen gezielt einzusetzen und den Controllingaufwand an den tatsächlichen wirtschaftlichen Nutzen anzupassen. Für A-Artikel können beispielsweise tägliche Kennzahlenanalysen sinnvoll sein, während bei C-Artikeln monatliche oder quartalsweise Auswertungen genügen.

‍

Die wichtigsten Lagerkennzahlen für den Einkauf im Detail

‍

Für Einkaufsprofis sind bestimmte Lagerkennzahlen von besonderer Relevanz, da sie direkte Rückschlüsse auf die Effizienz der Beschaffungsprozesse zulassen und konkrete Optimierungspotenziale aufzeigen. Im Folgenden werden die zentralen Kennzahlen vorgestellt, die in keinem Einkaufscontrolling fehlen sollten.

‍

Bestandsbezogene Kennzahlen

‍

• Durchschnittlicher Lagerbestand: Gibt den mittleren Bestand innerhalb eines definierten Zeitraums an und bildet die Basis für viele weitere Berechnungen. Die Formel lautet: (Anfangsbestand + Endbestand) / 2 für eine grobe Berechnung oder (Anfangsbestand + Summe aller Monatsbestände) / (Anzahl der Messzeitpunkte + 1) für eine präzisere Ermittlung.
• Bestandsreichweite: Zeigt an, wie lange der aktuelle Bestand bei gleichbleibendem Verbrauch reichen würde. Berechnet wird sie als: (Durchschnittlicher Lagerbestand / Durchschnittlicher Verbrauch pro Zeiteinheit). Eine Reichweite von beispielsweise 30 Tagen bedeutet, dass der aktuelle Bestand für einen Monat ausreicht.
• Sicherheitsbestand: Der Mindestbestand, der zur Absicherung gegen Lieferverzögerungen oder unerwartete Bedarfsspitzen vorgehalten wird. Er wird basierend auf Faktoren wie Lieferzeit, Lieferzuverlässigkeit und Bedarfsschwankungen kalkuliert.

‍

Dynamische Lagerkennzahlen

‍

• Lagerumschlagshäufigkeit: Misst, wie oft der durchschnittliche Lagerbestand innerhalb eines Zeitraums (meist ein Jahr) umgeschlagen wird. Die Formel lautet: Wareneinsatz / Durchschnittlicher Lagerbestand. Eine höhere Umschlagshäufigkeit deutet auf eine effizientere Lagerhaltung hin, da das gebundene Kapital schneller freigesetzt wird.
• Lagerdauer: Gibt an, wie lange Artikel durchschnittlich im Lager verbleiben, bevor sie weiterverarbeitet oder verkauft werden. Sie wird berechnet als: 365 Tage / Lagerumschlagshäufigkeit. Eine niedrige Lagerdauer ist generell erstrebenswert, muss aber immer im Kontext der Versorgungssicherheit betrachtet werden.
• Wareneinsatz: Zeigt die in einem bestimmten Zeitraum tatsächlich verbrauchte oder verkaufte Warenmenge. Die Berechnung erfolgt nach der Formel: (Anfangsbestand + Zugänge) - Endbestand.

‍

Kosten- und Leistungskennzahlen

‍

• Lagerkosten je Einheit: Ermittelt die durchschnittlichen Kosten pro gelagerter Einheit und umfasst Raum-, Personal-, Energie- und Versicherungskosten sowie Kosten für Lagertechnik. Berechnet wird sie als: Gesamte Lagerkosten / Anzahl gelagerter Einheiten.
• Kapitalbindungskosten: Quantifiziert die Opportunitätskosten des im Lagerbestand gebundenen Kapitals. Die Formel lautet: Durchschnittlicher Lagerbestand in Euro × Kalkulationszinssatz. Ein Unternehmen mit einem durchschnittlichen Lagerbestand von 1 Million Euro und einem Kalkulationszinssatz von 8% hat jährliche Kapitalbindungskosten von 80.000 Euro.
• Servicegrad: Misst die Fähigkeit des Lagers, Kundenaufträge oder interne Bedarfe zeitgerecht und vollständig zu bedienen. Berechnet wird er als: (Anzahl der termingerecht und vollständig erfüllten Aufträge / Gesamtzahl der Aufträge) × 100%.

‍

Prozessbezogene Kennzahlen

‍

• Kommissionierleistung: Gibt die Anzahl der kommissionierten Positionen oder Einheiten pro Zeiteinheit (meist pro Stunde) an und ist ein wichtiger Indikator für die Effizienz der Lagerprozesse.
• Fehlerrate bei der Kommissionierung: Misst den Anteil fehlerhafter Picks an der Gesamtzahl der Kommissioniervorgänge. Eine niedrige Fehlerrate ist ein Zeichen für qualitativ hochwertige Lagerprozesse.
• Belegung der Laderampen: Berechnet die Auslastung der Warenein- und -ausgangskapazitäten und hilft bei der Identifizierung von Engpässen oder ineffizienten Prozessen.

‍

Lagerkennzahlen in der Beschaffungsstrategie

‍

Die systematische Analyse von Lagerkennzahlen liefert wertvolle Erkenntnisse für die Entwicklung und Optimierung der Beschaffungsstrategie. Einkäufer können auf Basis dieser Daten fundierte Entscheidungen über Lieferantenauswahl, Bestellrhythmen und Bestandsniveaus treffen.

‍

Optimierung der Beschaffungspolitik

‍

Durch die Analyse von Kennzahlen wie Lagerumschlagshäufigkeit, Bestandsreichweite und Servicegrad können Einkäufer ihre Beschaffungspolitik kontinuierlich verbessern. Zeigt die Auswertung beispielsweise eine zu geringe Umschlagshäufigkeit bei gleichzeitig hohem Servicegrad, deutet dies auf überhöhte Sicherheitsbestände hin. In diesem Fall könnten Bestellmengen reduziert oder Lieferintervalle verkürzt werden, um die Kapitalbindung zu senken, ohne die Versorgungssicherheit zu gefährden.

‍

Umgekehrt kann eine hohe Umschlagshäufigkeit bei gleichzeitig niedrigem Servicegrad auf zu knapp kalkulierte Bestände hinweisen. Hier wäre eine Anpassung der Sicherheitsbestände oder eine Verbesserung der Prognosegenauigkeit angezeigt, um die Lieferbereitschaft zu erhöhen.

‍

Integration in das Lieferantenmanagement

‍

Lagerkennzahlen spielen auch im Lieferantenmanagement eine wichtige Rolle. So können Einkäufer beispielsweise die durchschnittliche Lieferzeit und -zuverlässigkeit verschiedener Lieferanten vergleichen und auf dieser Basis Entscheidungen über die Lieferantenauswahl oder -entwicklung treffen.

‍

Die Analyse der Bestandsentwicklung in Abhängigkeit von Lieferanten kann zudem Aufschluss über die Qualität der Zusammenarbeit geben. Müssen für bestimmte Lieferanten höhere Sicherheitsbestände vorgehalten werden als für andere, kann dies ein Indikator für Optimierungspotenzial in der Lieferantenbeziehung sein.

‍

Bedarfsprognosen und Beschaffungsplanung

‍

Die historische Entwicklung von Lagerkennzahlen bildet eine wichtige Grundlage für Bedarfsprognosen und die darauf aufbauende Beschaffungsplanung. Durch die Analyse von Verbrauchsmustern, saisonalen Schwankungen und Bestandsentwicklungen können Einkäufer zukünftige Bedarfe präziser vorhersagen und ihre Beschaffungsaktivitäten entsprechend ausrichten.

‍

Moderne Prognoseverfahren kombinieren historische Lagerdaten mit aktuellen Marktinformationen und ermöglichen so eine vorausschauende Bestandsoptimierung. Dies ist besonders wichtig bei Produkten mit langen Beschaffungszeiten oder starken Bedarfsschwankungen.

‍

Praxisbeispiel: Optimierung der Lagerkennzahlen in einem Industrieunternehmen

‍

Ein mittelständischer Automobilzulieferer mit einem Jahresumsatz von 150 Millionen Euro stand vor der Herausforderung, seine Lagerhaltung effizienter zu gestalten und die gebundenen finanziellen Mittel zu reduzieren. Durch eine systematische Analyse und Optimierung der Lagerkennzahlen konnte das Unternehmen signifikante Verbesserungen erzielen.

‍

Ausgangssituation und Problemanalyse

‍

Die Analyse der Ist-Situation ergab folgende Kennzahlen:

‍

• Durchschnittlicher Lagerbestand: 12 Millionen Euro
• Lagerumschlagshäufigkeit: 6 pro Jahr
• Durchschnittliche Lagerdauer: 60 Tage
• Servicegrad: 98,5%
• Kapitalbindungskosten (bei 8% Kalkulationszinssatz): 960.000 Euro pro Jahr

‍

Bei einer detaillierten Bestandsanalyse wurde festgestellt, dass insbesondere bei B- und C-Artikeln überhöhte Sicherheitsbestände vorgehalten wurden, während bei einigen A-Artikeln immer wieder Lieferengpässe auftraten. Zudem waren die Bestellprozesse nicht optimal an die tatsächlichen Bedarfsverläufe angepasst.

‍

Implementierte Maßnahmen

‍

Basierend auf der Analyse wurden folgende Maßnahmen umgesetzt:

‍

• Einführung eines differenzierten Bestandsmanagements: Für A-Artikel wurde ein engmaschiges Monitoring mit täglicher Bestandsüberwachung etabliert, während B- und C-Artikel in größeren Intervallen kontrolliert wurden.
• Optimierung der Sicherheitsbestände: Basierend auf einer statistischen Analyse von Lieferzeiten und Bedarfsschwankungen wurden die Sicherheitsbestände neu kalkuliert – mit einer Erhöhung bei kritischen A-Artikeln und einer deutlichen Reduzierung bei B- und C-Artikeln.
• Anpassung der Bestellrhythmen: Für Artikel mit stabilen Bedarfsverläufen wurden längerfristige Liefervereinbarungen mit gestaffelten Abrufmengen implementiert, während bei Artikeln mit volatiler Nachfrage auf flexiblere, bedarfsorientierte Beschaffungskonzepte umgestellt wurde.
• Intensivierung der Lieferantenkooperation: Mit Schlüssellieferanten wurden Vendor Managed Inventory (VMI) und Just-in-Time-Konzepte vereinbart, um die Lagerbestände zu reduzieren und gleichzeitig die Versorgungssicherheit zu erhöhen.

‍

Ergebnisse und Erfolgsmessung

‍

Nach einem Jahr zeigten die Lagerkennzahlen folgende Entwicklung:

‍

• Durchschnittlicher Lagerbestand: Reduktion auf 9 Millionen Euro (-25%)
• Lagerumschlagshäufigkeit: Steigerung auf 8 pro Jahr (+33%)
• Durchschnittliche Lagerdauer: Verkürzung auf 45 Tage (-25%)
• Servicegrad: leichte Steigerung auf 99,0% (+0,5 Prozentpunkte)
• Kapitalbindungskosten: Reduktion auf 720.000 Euro pro Jahr (-240.000 Euro)

‍

Unter Berücksichtigung der reduzierten Lagerkosten für Fläche, Personal und Handling sowie der verbesserten Prozesseffizienz ergab sich eine jährliche Gesamtkostenersparnis von über 400.000 Euro. Gleichzeitig konnte durch die bedarfsgerechtere Bestandshaltung die Versorgungssicherheit verbessert werden, was zu weniger Produktionsunterbrechungen und einer höheren Kundenzufriedenheit führte.

‍

Dieses Beispiel verdeutlicht, wie eine systematische Analyse und Optimierung von Lagerkennzahlen zu signifikanten Verbesserungen in der gesamten Supply Chain führen kann. Entscheidend für den Erfolg war dabei die konsequente Ausrichtung der Maßnahmen an den spezifischen Anforderungen der unterschiedlichen Artikelgruppen sowie die enge Verzahnung von Einkauf, Logistik und Produktion.

‍

Digitalisierung im Lagerkennzahlen-Management

‍

Die Digitalisierung hat das Management von Lagerkennzahlen revolutioniert und bietet Einkaufsabteilungen heute völlig neue Möglichkeiten zur Datenerfassung, -analyse und -visualisierung. Moderne Systeme ermöglichen eine automatisierte, echtzeitnahe Berechnung von KPIs und unterstützen datengetriebene Entscheidungsprozesse im Einkauf.

‍

Vorteile digitaler Lösungen gegenüber manuellen Prozessen

‍

• Höhere Datenqualität und -aktualität: Digitale Systeme erfassen Bestandsbewegungen in Echtzeit und minimieren manuelle Fehler bei der Datenerhebung. Dies führt zu präziseren und aktuelleren Lagerkennzahlen.
• Schnellere Auswertung und Reaktion: Die automatisierte Berechnung von Kennzahlen ermöglicht eine unmittelbare Analyse und schnellere Reaktion auf Veränderungen im Lagerbestand oder in der Bedarfssituation.
• Umfangreichere Analysemöglichkeiten: Moderne Software-Lösungen bieten erweiterte Analysefunktionen wie Trend- und Mustererkennungen, multidimensionale Auswertungen und prädiktive Analysen.
• Bessere Visualisierung und Kommunikation: Digitale Dashboards visualisieren Lagerkennzahlen übersichtlich und ermöglichen eine effektivere Kommunikation zwischen Einkauf, Logistik und anderen Abteilungen.

‍

Integrierte Systeme für das Lagerkennzahlen-Management

‍

Für ein effektives digitales Management von Lagerkennzahlen kommen verschiedene Systemkategorien zum Einsatz:

‍

• Enterprise Resource Planning (ERP) Systeme: Bilden die Grundlage für die Integration von Bestands- und Transaktionsdaten und ermöglichen eine unternehmensweite Sicht auf Lagerkennzahlen.
• Warehouse Management Systeme (WMS): Spezialisierte Lösungen für die detaillierte Steuerung und Überwachung von Lagerprozessen, die präzise operative Kennzahlen liefern.
• Supplier Relationship Management (SRM) Systeme: Verknüpfen Lieferantendaten mit Bestandsinformationen und ermöglichen eine integrierte Betrachtung von Beschaffungs- und Lagerkennzahlen.
• Business Intelligence (BI) Tools: Bieten erweiterte Analyse- und Visualisierungsfunktionen für Lagerkennzahlen und unterstützen das Management bei der strategischen Entscheidungsfindung.

‍

Künstliche Intelligenz und prädiktive Analysen

‍

Die neueste Generation von Lösungen für das Lagerkennzahlen-Management nutzt Künstliche Intelligenz (KI) und Machine Learning, um über das reine Reporting hinauszugehen und prädiktive Funktionen zu bieten:

‍

• Bedarfsprognosen: KI-Algorithmen analysieren historische Bestandsdaten, Saisonalitäten und externe Faktoren, um präzisere Vorhersagen über zukünftige Bedarfe zu treffen.
• Automatische Bestandsoptimierung: Selbstlernende Systeme passen Bestellmengen und -zeitpunkte kontinuierlich an, um die Balance zwischen Kapitalbindung und Versorgungssicherheit zu optimieren.
• Frühwarnsysteme: KI-basierte Analysen erkennen frühzeitig Anomalien in Bestandsbewegungen oder Verbrauchsmustern und generieren automatisch Warnungen bei drohenden Engpässen oder Überbeständen.
• Simulationsmodelle: Digitale Zwillinge und Simulationstools ermöglichen die Vorhersage der Auswirkungen von Veränderungen in der Beschaffungs- oder Lagerstrategie auf relevante Kennzahlen.