Warum die Formel die falsche Antwort liefert
Die Standard-Sicherheitsbestandsformel — Z × σd × √L — ist elegant und weit verbreitet. Sie unterstellt normalverteilte Nachfrageschwankung, von der Nachfrage unabhängige Lieferzeiten, keine Rückwirkung von Fehlbeständen auf die künftige Nachfrage und sofortige Wiederauffüllung beim Erreichen des Bestellpunkts. Keine dieser Annahmen gilt in realen Lieferketten.
In der Praxis ist die Nachfrage sprunghaft — einige große Bestellungen treffen unvorhersehbar zwischen ruhigen Phasen ein. Lieferzeiten liegen meist nah am Mittel und springen dann gelegentlich hoch — und die Spitzen fallen mit Nachfragespitzen zusammen, wenn Sie den Bestand am dringendsten brauchen. Fehlbestände erzeugen Rückstände, die die nächste Bestellung aufblähen, und lösen Bullwhip-Effekte aus, die eine Formel nicht erkennt.
Das Ergebnis: Formelbasierte Bestandsstrategien sind entweder überbestückt (weil Analysten aus Misstrauen gegen die Formel Puffer ergänzen) oder unterbestückt, wenn die Annahmen der Formel bei Nachfragespitzen zusammenbrechen. Die Simulation ersetzt die Annahmen durch tatsächliche, an Ihre Daten angepasste Verteilungen.
Was die Bestandssimulation beantwortet
Sicherheitsbestandsniveaus
Wie viel Pufferbestand nötig ist, um einen Ziel-Servicegrad — 95 %, 98 %, 99,5 % — unter Ihrer tatsächlichen Nachfrageschwankung und Lieferzeitverteilung zu erreichen, nicht unter der von der Formel unterstellten Normalverteilung.
Bestellpunkt & -menge
Wann eine Nachbestellung ausgelöst wird und in welcher Menge — im Ausgleich zwischen Bestellhäufigkeit (Transaktionskosten), Lagerhaltungskosten und dem Risiko, zwischen Bestellung und Eintreffen leerzulaufen.
Lieferzeitrisiko der Lieferanten
Welche Lieferanten mit ihrer Lieferzeitschwankung am meisten zu Ihrem Bestandsrisiko beitragen — und welcher zusätzliche Puffer je Lieferant nötig ist, um Ihren Ziel-Servicegrad unter deren spezifischem Liefermuster zu halten.
Mehrstufiger Bestand
Für Distributionsnetze mit Zentrallager und Regionallagern: wie der Bestand zwischen den Stufen aufzuteilen ist, um den Gesamtnetzbestand zu minimieren und zugleich den Servicegrad an jedem Punkt der Kette zu halten.
Saison- & Aktionsnachfrage
Wie viel vor einem Nachfrageschub vorzuproduzieren ist — saisonaler Hochlauf, Aktionen, Produktneueinführungen — damit der Schub den Sicherheitsbestand nicht erschöpft, bevor der Nachschub reagieren kann.
Störungsszenarien der Versorgung
Welches Bestandsniveau eine konkrete Lieferantenstörung übersteht — 2 Wochen Verzögerung, 40 % Kapazitätsreduktion, kompletter Ausfall — ohne Servicegrad-Bruch. Für Lieferkettenrisikobewertung und Notfallplanung.
Monte Carlo vs. ereignisdiskret: welcher Ansatz?
Beide Methoden haben ihre Berechtigung — und wir nutzen beide, je nachdem, was die Frage erfordert:
| Ansatz | Am besten für | Typischer Einsatz |
|---|---|---|
| Monte-Carlo-Simulation | Reine Fragen der Bestandspolitik | Sicherheitsbestand & Bestellpunkt, wenn der Bestand unabhängig vom operativen Fluss ist |
| Ereignisdiskret (Simio / AnyLogic) | Bestand + Betrieb gemeinsam | Wenn Nachschub mit Lagerkapazität, Wareneingangsdurchsatz oder Produktionsplanung zusammenwirkt |
| System Dynamics | Bullwhip & Politik auf Netzwerkebene | Mehrstufige Netzwerke, Analyse der Nachfrageverstärkung über die Lieferkettenstufen |
| Tabellenformel | Einfache, stabile Umgebungen | Geeignet, wenn die Nachfrage wirklich normalverteilt und die Lieferzeiten stabil sind — in der Praxis selten |
For most inventory policy questions, we start with Monte Carlo and upgrade to discrete-event when the operational context matters — for example when the question is "how much safety stock do we need if our receiving dock is also processing returns during peak?"
Our process
Datenanpassung & Verteilungsanalyse
Wir passen statistische Verteilungen an Ihre Nachfragedaten und Lieferzeitaufzeichnungen an — prüfen Normalität, identifizieren schwere Ränder und Saisonalität und markieren Ausreißer, die separat modelliert werden sollten. Dieser Schritt zeigt oft, dass die Nachfrage weit variabler ist als die Formel unterstellt, und erklärt, warum die aktuellen Sicherheitsbestände falsch wirken.
Modellaufbau & Basislinienvalidierung
Das Simulationsmodell wird gegen die historische Leistung aufgebaut und validiert: Reproduziert das Modell bei Ihren real erlebten Nachfrage- und Lieferzeitdaten die beobachtete Fehlbestandshäufigkeit und Ihre Bestandsniveaus? Ein validiertes Modell gibt Sicherheit, dass die Politikempfehlungen im realen Betrieb halten.
Politik-Szenariomatrix
Wir testen die zu bewertenden Politikvarianten — unterschiedliche Sicherheitsbestände, Bestellpunkte, Bestellmengen — gegen Ihre historischen Nachfrage- und Lieferzeitverteilungen plus Stressszenarien (Nachfragespitzen, Versorgungsstörungen). Jedes Szenario läuft über Tausende simulierte Perioden, um stabile Servicegrad- und Bestandsschätzungen zu liefern.
Empfehlung & Kostenanalyse
Sie erhalten eine Politikempfehlung mit konkretem Sicherheitsbestand und Bestellpunkt je Artikelgruppe oder Produktfamilie, eine Kompromisskurve Servicegrad vs. Lagerhaltungskosten mit dem optimalen Betriebspunkt, ein Lieferantenrisiko-Ranking und das Simulationsmodell — Ihres, um es bei geänderten Nachfragemustern oder neuen Lieferanten erneut laufen zu lassen.
Was Sie am Ende erhalten
Verbindung zu Digitalem Zwilling & Produktionsplanung
Die Bestandssimulation beantwortet die strategische Frage: Welche Politik sollen wir fahren? Ein Digitaler Zwilling beantwortet die operative Frage: Was sollen wir bei den heutigen Beständen und eingehenden Aufträgen jetzt tun? Beide ergänzen sich, sie konkurrieren nicht.
Wir bauen oft beides: Die Simulationsstudie legt Ziel-Sicherheitsbestand und Bestellparameter fest, und der Digitale Zwilling nutzt Live-ERP-/LVS-Daten, um zu überwachen, ob diese Parameter im realen Betrieb halten, und meldet, wenn sich die Nachfragemuster von den Modellannahmen entfernen.
Wenn Sie bereits einen Digitalen Zwilling haben, kann eine simulationsbasierte Bestandsstudie als Parallelprojekt laufen und ihr Ergebnis direkt in die Nachschublogik des Zwillings geladen werden. Wenn Sie noch keinen Digitalen Zwilling haben, ist das Bestandsmodell auch für sich allein voll nutzbar.
Werkzeuge & Technologie
Monte-Carlo-Bestandsstudien entstehen in Python mit angepassten statistischen Verteilungen und paralleler Szenarioausführung. Ereignisdiskrete Bestandsmodelle — wenn die operative Wechselwirkung zählt — entstehen in Simio oder AnyLogic. Für Studien auf Netzwerkebene, mehrstufig oder zur Nachfrageverstärkung nutzen wir die System-Dynamics-Fähigkeiten von AnyLogic. Alle Modelle werden mit dokumentierten Annahmen und einer Python- oder Excel-Oberfläche für Neuläufe ohne Spezialsoftware geliefert.
Welche Daten benötigen wir?
- Nachfragehistorie — 12–24 Monate Bestell- oder Verbrauchsdaten je Artikel, mit Datum und Menge (ERP- oder LVS-Export)
- Lieferzeitaufzeichnungen — Bestellhistorie mit Bestell- und Wareneingangsdatum je Lieferant und Artikel
- Aktuelle Bestandspolitik — bestehende Sicherheitsbestände, Bestellpunkte und Bestellmengen
- Servicegrad-Ziele — Ihr Ziel-Servicegrad oder Ihre Auftragserfüllungsquote je Produktgruppe
- Kostenparameter — Lagerhaltungskostensatz und Bestelltransaktionskosten, falls eine Kostenoptimierung nötig ist (für reine Servicegrad-Studien nicht erforderlich)
- Geplante Änderungen — neue Lieferanten, neue Artikel, anstehende Nachfrageereignisse oder Umbaupläne der Lieferkette
So sieht es in der Praxis aus
Stahlverarbeitung — Sicherheitsbestand bei sprunghafter Nachfrage und variablen Werkslieferzeiten
Python · Supply Chain
Automobilzulieferer — WIP-Pufferdimensionierung über 4-stufige Produktionslinie
Simio · Manufacturing