Ein Bestandsoptimierungs-Case fragt, wie viel Bestand ein Unternehmen halten sollte und wo, um Fehlbestände zu vermeiden, ohne überschüssiges Kapital in Lagern zu binden. Die Kernmethode besteht darin zu diagnostizieren, ob das Problem zu viel Bestand, zu wenig Bestand oder der falsche Mix ist, und anschließend die Lagerhaltungspolitik anhand von Servicegrad-Zielen, Nachfrageschwankungen und dem Trade-off zwischen Lagerhaltungskosten und Fehlmengenkosten neu aufzubauen — nicht nur die Empfehlung ‘weniger bestellen’ oder ‘mehr bestellen’ auszusprechen.
Inventory-Optimierungsfälle klingen nach einer Matheübung, und Kandidaten behandeln sie oft genauso — Zahlen in eine EOQ-Formel einsetzen, ein Ergebnis erhalten, weitermachen. Dieser Instinkt verpasst, was der Interviewer eigentlich testet. Ein Kunde fragt selten isoliert “Was ist unsere optimale Bestellmenge”; er fragt, weil Betriebskapital gebunden ist, ein Lager überläuft oder eine Produktlinie während der Spitzennachfrage ständig ausverkauft ist. Die Formel ist ein kleiner Teil des Cases. Die größere Fähigkeit besteht darin, zu diagnostizieren, mit welchem Bestandsproblem man es tatsächlich zu tun hat, bevor man überhaupt rechnet.
Warum Bestandsfälle Diagnose vor Formeln belohnen
Überbestand und unzureichender Bestand sehen aus der Distanz ähnlich aus — beide erscheinen im Prompt als “Bestand ist ein Problem” —, erfordern aber entgegengesetzte Lösungen. Ein Kandidat, der direkt zur Berechnung einer optimalen Nachbestellmenge springt, ohne zuvor festzustellen, ob der Kunde über- oder unterbevorratet ist, läuft Gefahr, das falsche Problem korrekt zu lösen.
Basierend auf unserer Analyse von Operations- und Kostensenkungs-Case-Prompts erscheinen Bestandsfragen als eigenständiger Case-Typ in etwa 10 % der Fälle und deutlich häufiger als unterstützende Teilfrage innerhalb von Profitabilitäts- oder Working-Capital-Cases — Bestandshaltungskosten sind häufig der verborgene Hebel hinter einem Margenerosions-Prompt, der “Bestand” gar nicht erwähnt.
flowchart LR
A[Bestandsproblem identifiziert] --> B{Symptom?}
B -->|Kapital gebunden, Lager voll| C[Diagnose: Überbestand]
B -->|Fehlbestände, Umsatzverluste| D[Diagnose: Unterbestand]
B -->|Beides, nach SKU| E[Diagnose: Mix und Segmentierung]
C --> F[Bestandspolitik neu aufbauen]
D --> F
E --> F
F --> G[Empfehlung + Wirkung quantifizieren]
Schritt 1: Diagnostizieren, welches Bestandsproblem tatsächlich vorliegt
Vor jeder Berechnung sollte das Symptom festgestellt werden. Frage nach dem Trend der Bestandsumschlagshäufigkeit, der Häufigkeit von Fehlbeständen nach Produktlinie und danach, wie der Kunde derzeit Bestellmengen festlegt. Drei Archetypen decken fast jeden Bestandsfall ab:
| Archetyp | Signal im Prompt | Was tatsächlich falsch läuft |
|---|---|---|
| Überbestand / Working Capital | “Kapital ist gebunden”, “Lager sind voll”, Margenerosion durch Preisabschriften | Bestellmengen oder Sicherheitsbestand im Verhältnis zur tatsächlichen Nachfragevariabilität zu hoch angesetzt |
| Unterbestand / Fehlbestände | “Umsatzverluste”, “Kunden finden das Produkt nicht”, saisonale Nachfragespitzen | Bestellpunkte zu niedrig angesetzt oder Lieferzeit länger als in der Richtlinie angenommen |
| Mix / Segmentierung | “Manche SKUs sind ausverkauft, während andere liegen bleiben”, Bestand wirkt in der Aggregation unauffällig | Eine einheitliche Bestandspolitik wird gleichmäßig auf SKUs mit sehr unterschiedlichen Nachfragemustern angewendet |
Der Mix-Archetyp wird von den meisten Kandidaten übersehen, weil aggregierte Bestandskennzahlen gesund aussehen können, während das zugrunde liegende Bild auf SKU-Ebene tatsächlich problematisch ist — ein Einzelhändler kann einen “normalen” Gesamtbestand führen, während seine Top-Seller ständig ausverkauft sind und sein Long Tail verstaubt.
Schritt 2: Nachfrage segmentieren, bevor die Formel angewendet wird
Nicht jede SKU verdient dieselbe Bestandspolitik. Wende eine einfache Zwei-Achsen-Segmentierung an, bevor du irgendetwas empfiehlst: Verkaufsvolumen (hoch vs. niedrig) und Nachfragevariabilität (stabil vs. volatil).
flowchart TD
A[SKU-Segmentierung] --> B[Hohes Volumen, stabile Nachfrage]
A --> C[Hohes Volumen, volatile Nachfrage]
A --> D[Niedriges Volumen, stabile Nachfrage]
A --> E[Niedriges Volumen, volatile Nachfrage]
B --> F["Enge Bestellpunkte, niedriger Sicherheitsbestand"]
C --> G["Höherer Sicherheitsbestand, häufige Überprüfung"]
D --> H["Größere Bestellmengen, seltene Überprüfung"]
E --> I["Kandidat für Auslistung oder Make-to-Order"]
Artikel mit hohem Volumen und stabiler Nachfrage (man denke an die Bestseller-Grundnahrungsmittel einer Supermarktkette) können schlank gefahren werden — die Nachfrage ist vorhersehbar genug, dass ein kleiner Sicherheitspuffer die meiste Variabilität abdeckt. Artikel mit hohem Volumen und volatiler Nachfrage (saisonale Mode, Aktionselektronik) brauchen einen größeren Puffer, weil ein Fehlbestand bei einem beliebten Artikel echten Umsatz kostet. Artikel mit niedrigem Volumen und volatiler Nachfrage sind häufig diejenigen, die das Überbestandsproblem verursachen: Sie werden in den gleichen Losgrößen bestellt wie alles andere, obwohl ein Fehlbestand kaum eine Rolle spielt und ein übrig gebliebenes Stück monatelang im Regal liegt.
Schritt 3: Den Trade-off aufbauen, nicht nur die Zahl
Sobald klar ist, für welches Segment man löst, besteht der zentrale Trade-off zwischen Lagerhaltungskosten und Fehlbestandskosten — und der Interviewer möchte sehen, dass du dies als Trade-off formulierst, bevor du überhaupt rechnest.
Lagerhaltungskosten umfassen Lagerflächenkosten, im nicht verkauften Bestand gebundenes Kapital, Versicherung, Veralterungsrisiko und Abschreibungsrisiko für verderbliche oder saisonale Artikel. Fehlbestandskosten umfassen die entgangene Verkaufsmarge und — bei Geschäften mit Wiederholungskäufen — einen schwerer zu quantifizierenden Kundenloyalitätsverlust, wenn ein Käufer, der ein Produkt nicht findet, zu einem Wettbewerber wechselt.
Die grundlegenden quantitativen Bausteine:
- Economic Order Quantity (EOQ): gleicht Bestellkosten mit Lagerhaltungskosten ab, um die Bestellmenge zu finden, die die Gesamtkosten minimiert. Nützlich zur Strukturierung, aber als Ausgangspunkt zu behandeln — Interviewer legen mehr Wert darauf, ob du die Inputs benennen kannst (Nachfragerate, Bestellkosten, Lagerhaltungskosten pro Einheit) und begründen kannst, welcher Hebel das Ergebnis bewegt, als darauf, ob du die exakte Formel aus dem Gedächtnis berechnest.
- Sicherheitsbestand: der Puffer, der über der erwarteten Nachfrage während der Lieferzeit gehalten wird, dimensioniert, um bei gegebener Nachfragevariabilität ein Zielserviceniveau zu erreichen. Höhere Nachfragevariabilität oder längere, weniger zuverlässige Lieferzeiten treiben den Sicherheitsbestand beide nach oben.
- Bestellpunkt: erwartete Nachfrage während der Lieferzeit plus Sicherheitsbestand — das Bestandsniveau, das eine neue Bestellung auslöst.
Man muss diese im Interview nicht von Grund auf herleiten. Was starke Antworten auszeichnet, ist die Verknüpfung der Formel mit der Geschäftsfrage: “Wenn die Variabilität der Lieferzeit der eigentliche Treiber unserer Fehlbestände ist, liegt die Lösung in einer Anpassung des Sicherheitsbestands oder einem Gespräch über Lieferantenzuverlässigkeit — nicht in einer pauschal größeren Bestellung über alle SKUs hinweg.”
Durchgerechnetes Beispiel: Ein Unterhaltungselektronik-Einzelhändler
Prompt: Die Bestandsumschlagshäufigkeit eines Unterhaltungselektronik-Einzelhändlers ist über zwei Jahre von 8x auf 5x gefallen und hat zusätzliche 40 Mio. $ an Working Capital gebunden, während sich die Kundenbeschwerden über Fehlbestände bei den drei meistverkauften Produkten verdoppelt haben.
Diagnose: Dies ist der Mix-Archetyp — der aggregierte Bestand steigt (Umschlagshäufigkeit sinkt), aber die Beschwerde bezieht sich auf Fehlbestände bei bestimmten Artikeln mit hohem Volumen. Eine einheitliche Bestandspolitik erzeugt sehr wahrscheinlich beide Symptome gleichzeitig: Überbestellung langsam drehender Artikel bei gleichzeitiger Unterbestellung der schnelldrehenden Artikel, die tatsächlich den Umsatz treiben.
Segmentierung: SKU-Verkaufsgeschwindigkeit und -Variabilität heranziehen. Wahrscheinliches Ergebnis: Die drei Bestseller haben hohes Volumen und mäßige Volatilität (neue Produktzyklen, Aktionsspitzen), während ein Long Tail älterer SKUs niedriges Volumen und langsame Drehung aufweist, aber trotzdem in ähnlichen Losgrößen bestellt wird.
Empfehlung: Sicherheitsbestand und Überprüfungshäufigkeit gezielt bei den Top-Sellern erhöhen, um die Fehlbestandslücke zu schließen; engere Nachbestellmengen — oder einen Räumungs-/Auslistungsplan — beim langsam drehenden Long Tail anwenden, um Working Capital freizusetzen. Quantifizieren: Wenn der Long Tail beispielsweise 50 Mio. $ der über 40 Mio. $ Working-Capital-Erhöhung ausmacht, finanziert eine Teilliquidation die Erhöhung des Sicherheitsbestands bei den Bestsellern ohne zusätzliches Nettokapital — und macht aus einem “Wir brauchen mehr Kapital”-Fall eine “Wir müssen umverteilen, was wir haben”-Empfehlung, was die stärkere Antwort ist, auf die Interviewer hören.
Wie man diesen Case-Typ übt
Ein Framework zu lesen ist nicht dasselbe, wie es live unter Zeitdruck anzuwenden — die Mix-Archetyp-Falle im durchgerechneten Beispiel oben ist auf Papier leicht zu erkennen und leicht zu übersehen, wenn man selbst am Zug ist. Der KI-Mock-Interview von CasesCoach spielt genau diesen Case-Typ gegen dich durch und bewertet den Versuch anhand von fünf Dimensionen: Struktur, Analyse, Kommunikation, Business-Urteilsvermögen und Mathematik.
Zwei Modi passen zu unterschiedlichen Phasen der Vorbereitung. Guided Mode stupst dich an, falls du zu einer Formel springst, bevor du die Nachfrage segmentiert hast — nützlich, während du dir die von diesem Case-Typ geforderte Gewohnheit “Diagnose vor Berechnung” noch aneignest. Expert Mode entfernt die Hinweise und strafft das Tempo, näher an dem, was ein echter Interviewer in der zweiten Runde tut, wenn du “einfach mehr bestellen” vorschlägst, ohne vorher zu fragen, ob der Kunde über- oder unterbevorratet ist. Wenn du dein Framework zunächst mit weniger Druck an einem echten Prompt testen möchtest, führt dich Chat with Case durch dieselbe Abfolge Hintergrund → Framework → Daten → Analyse → Fazit anhand eines echten Cases aus der Bibliothek, in deinem eigenen Tempo, bevor du es in ein zeitlich begrenztes Mock-Interview überträgst.
Die kostenlose Stufe umfasst 3 vollständige Cases und einen kostenlosen KI-Mock-Interview-Versuch, sodass du sehen kannst, wie die Bewertung funktioniert, bevor du dich festlegst. Pro schaltet die vollständige Bibliothek mit über 835 Cases und mehrere zusätzliche KI-Mock-Versuche frei.
Die wichtigsten Erkenntnisse
- Diagnostiziere, bevor du rechnest: Überbestand-, Unterbestand- und Mix-Probleme sehen im Prompt ähnlich aus, erfordern aber entgegengesetzte Lösungen
- Aggregierte Bestandskennzahlen können ein Segmentierungsproblem verschleiern — ein Unternehmen kann bei der Umschlagshäufigkeit “unauffällig” wirken, während seine Bestseller ausverkauft sind und seine langsam drehenden Artikel sich stapeln
- EOQ, Sicherheitsbestand und Bestellpunkt sind die zentralen quantitativen Werkzeuge, aber Interviewer gewichten deine Fähigkeit, sie mit dem geschäftlichen Trade-off zu verknüpfen, stärker als das exakte Auswendigwissen der Formel
- Die stärksten Empfehlungen verteilen bestehende Bestandsinvestitionen um, statt mehr Kapital zu fordern
- Übe diesen Case-Typ mit einem KI-Mock-Interview, das anhand von Struktur, Analyse, Kommunikation, Business und Mathematik bewertet wird — oder beginne mit Chat with Case, um einen echten Case in deinem eigenen Tempo durchzugehen, bevor du dich selbst unter Zeitdruck setzt
Bereit, dein Bestands-Framework an einem echten Case zu testen? Kostenlos registrieren für 3 vollständige Cases und ein kostenloses KI-Mock-Interview, oder entdecke das Operations-Case-Framework für das breitere Lieferketten-Toolkit, in das dieser Case-Typ eingebettet ist.