Woche 2 | Sitzung 5: Bestandssegmentierung - Methoden, Fortgeschrittene Ansätze und AHP-Fallstudie

Kurs: Supply-Chain-Digitalisierung

---

Rückblick und Sitzungskontext

Hinweis

Sitzung 4 behandelte: Analytische Produktsegmentierung mit dem Nachfragevariabilität-vs-Wochenumsatz-Quadrant (VK-basiert) → 4-Quadranten-Matrix → Push/Pull/Hybrid-Strategien und die Kraljic-Matrix für die Beschaffung.

Diese Sitzung: Bestandssegmentierung - was sie ist, die vier beliebten Einzelkriterien-Methoden, fünf fortgeschrittene Mehrkriterien-Ansätze und eine vollständige AHP-basierte Fallstudie.

Dies ist die letzte Sitzung von Modul 2 - Supply-Chain-Segmentierung.

---

Was ist Bestandssegmentierung?

Hinweis

Definition: Den Bestand eines Unternehmens basierend auf definierten Kriterien in verschiedene Gruppen kategorisieren, damit jede Gruppe eine maßgeschneiderte Managementstrategie erhält.

Hauptvorteile:

Vorteil	Beschreibung
Kostenoptimierung	SC-Ressourcen genau dort zuweisen, wo sie den größten Wert generieren
Verbesserte Serviceniveaus	Das richtige Serviceniveau je SKU-Kategorie festlegen und aufrechterhalten
Richtiges Lagersystem	Geeignete Lagerinfrastruktur je Bestandstyp zuweisen
Bessere Kommissionierstrategie	Lager- und Verteilzentrumsprozesse basierend auf Bewegungshäufigkeit und Artikelmerkmalen gestalten
Operative Leistung	Gesamtverbesserung bei Erfüllung, Nachschub und Bestandsgenauigkeit

---

Beliebte Bestandssegmentierungsmethoden - 4 Traditionelle Ansätze

Hinweis

Alle vier traditionellen Methoden sind Einzelkriterien-Ansätze. Obwohl jede in ihrem Bereich wirkungsvoll ist, erfordern reale Geschäftsentscheidungen mehrere Kriterien gleichzeitig. Einzelkriterien-Methoden riskieren Vereinfachung - weshalb fortgeschrittene Mehrkriterien-Methoden existieren.

1. ABC-Analyse - Umsatzbasiert

Kriterium: Umsatzbeitrag

Klassifikation basierend auf dem Umsatzbeitrag jedes Bestandsartikels - das Pareto-Prinzip angewendet auf den Bestand.

Segment	Anteil der Produkte	Anteil am Umsatz	Managementpriorität
A	~20 %	~80 %	Höchste - eng überwacht, häufige Überprüfung
B	~30 %	~15 %	Mittel - regelmäßige Überprüfung
C	~50 %	~5 %	Niedrigste - vereinfachtes, automatisiertes Management

Hinweis

★ ABC = Pareto-Prinzip angewendet auf den Bestand. 20 % der SKUs generieren 80 % des Umsatzes - Managementaufwand entsprechend fokussieren.

---

2. FSN-Analyse - Bewegungsbasiert

Kriterium: Bewegungsgeschwindigkeit

Klassifikation basierend auf der Verbrauchsrate und Bewegungsgeschwindigkeit durch das Lager.

Segment	Anteil der Artikel	Bewegungsverhalten	Durchschn. kumulativer Verbleib
F - Schnelldrehend	~10 %	Sehr kurzer Verbleib im Lager; schnell verbraucht	Weniger als 10 % des durchschn. kumulativen Verbleibs
S - Langsamdrehend	~30 %	Moderate Bewegung; verbleibt länger im Lager	~20 % des durchschn. kumulativen Verbleibs
N - Nicht-bewegend	~50 %	Stagnierender Bestand - kein Verbrauch für längere Zeit; Lagerumschlagsquotient < 1	Hoher kumulativer Verbleib

Tipp

Anwendung der Konzepte: Nicht-bewegende (N) Artikel sind eine direkte Haltekostenhaftung. Sie zu identifizieren ermöglicht dem Unternehmen zu entscheiden, ob liquidiert, rabattiert oder eingestellt werden soll - anstatt weiterhin Lagerkosten für Bestand zu zahlen, der sich nie bewegt.

---

3. VED-Analyse - Kritizitätsbasiert

Kriterium: Operative Kritizität

Klassifikation basierend auf der Kritizität jedes Artikels für den Geschäftsbetrieb - nicht seinem Wert oder seiner Bewegungsgeschwindigkeit.

Segment	Bedeutung	Beschreibung
V - Vital	Kann ohne ihn nicht betrieben werden	Absolut entscheidend - Geschäft stoppt bei Nichtverfügbarkeit
E - Wesentlich	Sehr wichtig	Hohe Priorität nach Vital; erhebliche Störung bei Nichtverfügbarkeit
D - Erwünscht	Nicht unbedingt erforderlich	Betrieb kann ohne ihn fortfahren, aber Qualität oder Effizienz leidet

Hinweis

★ VED ist am häufigsten in Fertigung, Krankenhäusern und Verteidigung - überall wo bestimmte Artikel missionskritisch sind, unabhängig von Kosten oder Nachfragehäufigkeit. Ein kostengünstiger Artikel kann trotzdem Vital sein.

---

4. XYZ-Analyse - Nachfragevariabilitätsbasiert

Kriterium: Nachfragevoraussagbarkeit

Klassifikation basierend auf der Vorhersagbarkeit der Nachfrage über die Zeit - ergänzend zur ABC-Analyse.

Segment	Nachfrageverhalten	Managementansatz
X	Geringe oder keine Variation - hochgradig vorhersagbar	Schlanker Bestand; enge Nachschubzyklen
Y	Ungleichmäßige Nachfrage - aber zu einem gewissen Grad vorhersagbar	Moderater Sicherheitsbestand; regelmäßige Überprüfung
Z	Sehr hohe Variation - kein erkennbarer Trend oder kausale Faktoren	Hoher Sicherheitsbestand; häufige Überwachung; am schwierigsten zu managen

---

Schnellreferenz - 4 Traditionelle Methoden

Methode	Klassifikationskriterium	Segmente
ABC	Umsatzbeitrag	A (hoch) / B (mittel) / C (niedrig)
FSN	Bewegungsgeschwindigkeit / Verbrauchsrate	F (schnell) / S (langsam) / N (nicht-bewegend)
VED	Kritizität für den Betrieb	V (vital) / E (wesentlich) / D (erwünscht)
XYZ	Nachfragevoraussagbarkeit / -variabilität	X (stabil) / Y (variabel) / Z (unvorhersagbar)

---

Fortgeschrittene Bestandssegmentierungsansätze

Mehrkriterien-Methoden

Hinweis

Ermöglicht durch: die Kombination von Datenverfügbarkeit und gesteigerter Rechenkapazität - beides für die meisten Organisationen jetzt zugänglich. Fortgeschrittene Methoden verarbeiten zwei oder mehr Kriterien gleichzeitig für realistische, praxisgerechte Segmentierung.

1. Mathematische Programmierung

• Lineare Programmierung (LP) oder Nichtlineare Programmierung (NLP)
• Formuliert das Segmentierungsproblem als mathematisches Optimierungsmodell, das mehrere Kriterien gleichzeitig integriert

2. Metaheuristiken

Verwendet, wenn das Problem zu komplex für exakte mathematische Programmierung ist:

Algorithmus	Typ
Genetischer Algorithmus (GA)	Evolutionäre Optimierung
Partikelschwarm-Optimierung (PSO)	Schwarm-Intelligenz
Simulated Annealing	Probabilistische lokale Suche

3. KI / Machine Learning

Stark datengetrieben - gut geeignet für die heutige datenreiche SC-Umgebung:

Algorithmus	Typ
Künstliche Neuronale Netze (KNN)	Deep Learning
Support Vector Machines (SVM)	Überwachte Klassifikation
Rückpropagierungsnetze	Neuronales Netzwerktraining
K-Nächste-Nachbarn (KNN)	Instanzbasiertes Lernen
Regressionsmodelle	Prädiktive Modellierung

4. Mehrkriterien-Entscheidungsfindung (MCDM)

Integriert Expertenmeinung zur Gewichtung mehrerer Faktoren:

Methode	Beschreibung
AHP - Analytischer Hierarchieprozess	Paarweiser Vergleich von Kriterien zur Ableitung von Prioritätsgewichten
Fuzzy AHP	AHP mit Fuzzy-Logik zur Handhabung von Unsicherheit im Expertenurteil
ANP - Analytischer Netzwerkprozess	Erweiterung des AHP, die Abhängigkeiten zwischen Kriterien zulässt

5. Hybride Ansätze

Kombinationen der obigen - z.B. AHP + ML, GA + LP - verwendet wenn keine einzelne Methode allein ausreicht.

Tipp

★ Prüfungstipp - Fortgeschrittene Methoden: Alle vier traditionellen Methoden im Detail kennen. Für fortgeschrittene Methoden jede Kategorie benennen und angeben können, warum sie verwendet wird: mehrere Kriterien gleichzeitig behandeln, Datenverfügbarkeit nutzen oder Komplexität jenseits von Einzelkriterien-Ansätzen managen.

---

AHP - Analytischer Hierarchieprozess

MCDM-Rahmen

Hinweis

Vorgeschlagen von: Thomas L. Saaty

Typ: Mehrkriterien-Entscheidungsfindungsmethode (MCDM)

Anwendungen: Lieferantenauswahl, Beschaffungsentscheidungen, Produkt- und Servicedesign, Ressourcenzuweisung und Bestandssegmentierung.

Kernidee

AHP organisiert eine komplexe, multifaktorielle Entscheidung in eine hierarchische Struktur, führt paarweise Vergleiche aller Faktoren durch, um ihre relative Wichtigkeit zu bestimmen, und gibt quantitative, konsistente Prioritätsgewichte für jeden Faktor aus.

AHP-Hierarchiestruktur

Problem definieren & Ziel bestimmen

↓

Hierarchischen Rahmen entwickeln

↓

Paarweise Vergleichsmatrix je Ebene aufstellen

↓

Vektorprioritäten & Gewichte berechnen

↓

Konsistenzverhältnis (CR) berechnen

↓

Ist CR < 0,1?

↓  ja

Erhaltene Kriteriengewichte verwenden

Ist CR ≥ 0,1 (Nein) → zurück zur paarweisen Vergleichsmatrix und die Urteile wiederholen.

Die AHP-Methode organisiert ein komplexes Problem hierarchisch, vergleicht Elemente paarweise und iteriert, bis die Urteile konsistent sind (CR < 0,1), bevor die abgeleiteten Gewichte verwendet werden.

Saaty-Skala (1-9)

Hinweis

Skalenwert	Bedeutung
1	Gleich wichtig
3	Mäßig wichtiger
5	Stark wichtiger
7	Sehr stark wichtiger
9	Extrem wichtiger
2, 4, 6, 8	Zwischenwerte zwischen benachbarten Urteilen

AHP-Schritte

1. Problem definieren - Ziel klar formulieren
2. Hierarchisches Rahmen entwickeln - alle Kriterien auflisten und ihre Beziehungen abbilden
3. Paarweise Vergleichsmatrix erstellen für jede Ebene mit der Saaty-Skala (1-9)
4. Matrix normalisieren - Kriteriengewichte berechnen (der Prioritätsvektor)
5. Konsistenzquotienten (CR) berechnen mit: CR = CI / RI wobei CI = Konsistenzindex und RI = Zufallsindex (Standardtabellenwert basierend auf Matrixgröße)
6. CR prüfen: Wenn CR < 0,1 → konsistent, fortfahren. Wenn CR ≥ 0,1 → inkonsistent, zu Schritt 3 zurückgehen und paarweisen Vergleich wiederholen

Hinweis

★ CR < 0,1 ist die MUSS-BESTEHEN-Bedingung im AHP. Wenn diese Schwelle nicht erfüllt wird, gelten die paarweisen Urteile des Experten als intern inkonsistent und unzuverlässig - der Vergleich muss wiederholt werden.

---

Fallstudie - AHP-basierte Bestandssegmentierung: XYZ E-tailer

Fallstudie

Fallaufbau

Parameter	Detail
Unternehmen	XYZ E-tail - ein E-Commerce-Händler
Einschränkung	Fester Lagerraum unter einem 3-Jahres-Vertrag
Listungsrichtlinie	Ein Produkt wird nur als ‘verfügbar’ gelistet, wenn es physisch im Lager vorhanden ist
Herausforderung	Management möchte das Produktportfolio erweitern, aber der Lagerraum ist begrenzt
Frühere Richtlinie	95 % Serviceniveau einheitlich für alle SKUs
Neuer Plan	25 SKUs in 3 Gruppen mit differenzierten Serviceniveaus klassifizieren
Tool	AHP - zur Klassifizierung von 25 SKUs in Klasse A / B / C

Ziel-Serviceniveaus unter der neuen Klassifikation:

Klasse	Serviceniveau
A	95 %
B	90 %
C	85 %

---

SKU-Daten - 25 SKUs über 6 Kriterien

Tabelle 2 - SKU-Daten über die sechs Kriterien:

SKU	Monatliche Nachfrage	Kategoriepriorität (1-10)	Lieferantenzuverlässigkeit (%)	Gewinnmarge (%)	Vorlaufzeit (Std.)	Rückgabe­wahrsch. (%)
1	1.366.987	10	97	10	72	4
2	321	3	93	16	60	2
3	1.488.630	10	97	14	48	2
4	629	4	89	15	107	7
5	1.428.018	9	98	9	90	2
6	88.232	7	94	7	78	3
7	8.778	4	90	5	99	1
8	1.384.335	10	95	13	48	1
9	7.202	3	95	7	49	2
10	38	3	96	7	66	1
11	53	1	98	5	105	1
12	5.990	3	95	9	78	2
13	1.277	3	89	4	107	3
14	872.270	7	95	7	107	2
15	783.381	7	85	8	112	3
16	78	1	89	12	62	8
17	301	2	85	12	100	7
18	105	2	86	16	86	5
19	12	1	93	7	119	7
20	29	1	91	5	85	6
21	74	2	88	7	78	4
22	55	3	96	7	91	6
23	109	1	88	11	105	6
24	578.358	6	96	14	107	3
25	200	2	85	5	93	6

---

6 Bewertungskriterien

Die sechs verwendeten Kriterien mit ihrer Präferenzrichtung:

#	Kriterium	Einheit	Richtung
1	Monatliche Nachfrage	Einheiten/Monat	Höher = Besser
2	Priorität der Produktkategorie	Wert 1-10	Höher = Besser
3	Lieferantenuverlässigkeit	% perfekte Bestellungen	Höher = Besser
4	Gewinnmarge	%	Höher = Besser
5	Vorlaufzeit	Stunden	Niedriger = Besser
6	Rückgabewahrscheinlichkeit	%	Niedriger = Besser

Hinweis

★ Gemischte Richtungen sind wichtig: Kriterien 5 und 6 sind “Niedriger = Besser”. Die Normalisierung muss dies berücksichtigen - sie werden vor der Bewertung invertiert. Kriterien in verschiedenen Einheiten oder Richtungen können nicht direkt verglichen oder multipliziert werden, ohne Normalisierung.

---

Schritt 1 - Paarweise Vergleichsmatrix

Tabelle 1 - relative Prioritäten der Faktoren (1 = gleich wichtig; 9 = extrem wichtiger):

	Monatl. Nachfrage	Kategoriepriorität	Lieferantenzuverl.	Gewinnmarge	Vorlaufzeit	Rückgabewahrsch.
Monatl. Nachfrage	1	3	5	2	6	5
Kategoriepriorität	1/3	1	2	3	3	5
Lieferantenzuverl.	1/5	1/2	1	2	4	5
Gewinnmarge	1/2	1/3	1/2	1	3	3
Vorlaufzeit	1/6	1/3	1/4	1/3	1	3
Rückgabewahrsch.	1/5	1/5	1/5	1/3	1/3	1

Beispiellesart: Monatliche Nachfrage vs. Priorität der Produktkategorie → Monatliche Nachfrage bewertet 3× wichtiger (Saaty-Skala = 3).

---

Schritt 2 - Normalisierte Matrix und Kriteriengewichte

Jede Spalte von Tabelle 1 wird durch ihre Spaltensumme geteilt; die Zeilenmittelwerte ergeben die Kriteriengewichte (Prioritätsvektor):

Kriterium	MN	KP	LZ	GM	VZ	RW	Gewicht
Monatl. Nachfrage	0,42	0,56	0,56	0,23	0,35	0,23	0,39
Kategoriepriorität	0,14	0,19	0,22	0,35	0,17	0,23	0,22
Lieferantenzuverl.	0,08	0,09	0,11	0,23	0,23	0,23	0,16
Gewinnmarge	0,21	0,06	0,06	0,12	0,17	0,14	0,13
Vorlaufzeit	0,07	0,06	0,03	0,04	0,06	0,14	0,07
Rückgabewahrsch.	0,08	0,04	0,02	0,04	0,02	0,05	0,04

Schritt 3 - Konsistenzprüfung

Hinweis

Ergebnis: CR = 0,08 < 0,1 → Konsistent ✓

Die paarweisen Vergleiche des Experten bestehen die AHP-Konsistenzschwelle. Die abgeleiteten Kriteriengewichte sind gültig und können für die SKU-Bewertung verwendet werden.

---

Kriteriengewichte-Ergebnis

Kriteriengewichte (Prioritätsvektor)

• Monatliche Nachfrage - 0,39
• Kategoriepriorität - 0,22
• Lieferantenzuverlässigkeit - 0,16
• Gewinnmarge - 0,13
• Vorlaufzeit - 0,07
• Rückgabewahrscheinlichkeit - 0,04

Konsistenzprüfung

• λ_max = 6,51 · n = 6
• Konsistenzindex (CI) = 0,101
• Random Index (RI) = 1,24
• CR = CI / RI = 0,082
• CR < 0,1 → die Matrix ist hinreichend konsistent ✓

---

Normalisierung der SKU-Daten

Problem: Alle sechs Kriterien haben verschiedene Einheiten - sie können nicht direkt verglichen oder multipliziert werden.

Lösung: Alle Kriterien auf eine 0-1-Skala normalisieren, bevor die Bewertung erfolgt.

Hinweis

Für Höher-ist-Besser-Kriterien (Monatliche Nachfrage, Kategorieprioritätsvät, Lieferantenzuverlässigkeit, Gewinnmarge):

Normalisierter Score = (xᵢ − min) / (max − min)

Für Niedriger-ist-Besser-Kriterien (Vorlaufzeit, Rückgabewahrscheinlichkeit):

Normalisierter Score = 1 − [(xᵢ − min) / (max − min)]

Diese Invertierung wandelt “niedriger ist besser” in eine konsistente “höher ist besser”-Skala um - damit alle sechs Kriterien in dieselbe Richtung zeigen, bevor sie mit ihren AHP-Gewichten multipliziert werden.

Hinweis

Die sechs Rohwerte jeder der 25 SKUs werden mit den obigen Formeln auf eine 0-1-Skala normalisiert (Vorlaufzeit und Rückgabewahrscheinlichkeit invertiert, da niedriger besser ist). Jeder normalisierte Wert wird dann mit seinem Kriteriumsgewicht multipliziert und summiert - das ergibt einen kombinierten SKU-Score je SKU, die Scores der Klassifikationstabelle unten.

---

Berechnung des SKU-Scores

Hinweis

Für jede SKU: jeden normalisierten Kriteriumsscore mit seinem AHP-Kriteriumsgewicht multiplizieren, dann über alle sechs Kriterien summieren:

SKU-Score = Σ (AHP-Gewichtᵢ × Normalisierter Scoreᵢ)

Ein höherer kombinierter Score zeigt eine strategisch wichtigere SKU an.

---

ABC-Klassifikation aus SKU-Scores

1. Sortieren alle 25 SKUs nach kombiniertem SKU-Score in absteigender Reihenfolge (höchster → wichtigster)
2. Kumulativen Score berechnen und den kumulativen % des Gesamtscores für jede SKU
3. Schwellenwerte anwenden um Klassen zuzuweisen:
   • Klasse A → Top-SKUs bis ~60 % des kumulativen Scores → 7 von 25 Artikeln → 95 % Serviceniveau
   • Klasse B → nächste ~25 % des kumulativen Scores → 8 von 25 Artikeln → 90 % Serviceniveau
   • Klasse C → verbleibende ~15 % → 10 von 25 Artikeln → 85 % Serviceniveau

Hinweis

★ Die Schwellenwerte (60 % / 25 % / 15 %) sind keine universellen festen Werte. Sie werden vom Unternehmen basierend auf eigener Geschäftsstrategie, Lagerraumkapazität und Serviceniveauzielen festgelegt.

---

Endgültige Klassifikationsergebnisse

SKUs nach kombiniertem Score sortiert; Grenzwerte bei ~60 % / 85 % des kumulierten Scores weisen die Klassen A / B / C zu:

SKU	Score	Kumuliert	% Kumuliert	Klasse
3	0,96	0,96	10,7 %	A
8	0,90	1,86	20,7 %	A
1	0,85	2,72	30,2 %	A
5	0,84	3,56	39,6 %	A
14	0,58	4,14	45,9 %	A
24	0,55	4,69	52,1 %	A
15	0,43	5,12	56,8 %	A
6	0,38	5,49	61,0 %	B
2	0,36	5,86	65,1 %	B
10	0,31	6,16	68,5 %	B
9	0,31	6,47	71,9 %	B
12	0,30	6,77	75,2 %	B
22	0,25	7,02	78,0 %	B
4	0,25	7,28	80,8 %	B
11	0,23	7,51	83,4 %	B
18	0,21	7,71	85,7 %	C
7	0,21	7,92	88,0 %	C
16	0,19	8,11	90,1 %	C
21	0,15	8,26	91,8 %	C
13	0,14	8,40	93,3 %	C
19	0,14	8,54	94,8 %	C
23	0,14	8,67	96,3 %	C
17	0,13	8,80	97,8 %	C
20	0,13	8,93	99,2 %	C
25	0,07	9,00	100,0 %	C

ABC-Klassifikation mit AHP

↓

Klasse A28 % der SKUs · 95 % Serviceniveau

Klasse B32 % der SKUs · 90 % Serviceniveau

Klasse C40 % der SKUs · 85 % Serviceniveau

Endergebnis - der AHP-Score steuert eine differenzierte Serviceniveau-Politik: Klasse A (60 % des Gesamtscores) bei 95 %, Klasse B (25 %) bei 90 %, Klasse C (15 %) bei 85 %.

---

Modul-2-Zusammenfassung - Supply-Chain-Segmentierung (Alle 5 Sitzungen)

Sitzung	Behandeltes Thema
Sitzung 1	SC-Herausforderungen - Begründung, warum Segmentierung notwendig ist
Sitzung 2	8 Gründe für Segmentierung + 7 Segmentierungstypen
Sitzung 3	Funktionale vs. Innovative Produkte → Effiziente vs. Reaktionsfähige SC → Push / Pull / Hybrid → Push-Pull-Grenze
Sitzung 4	Analytische Produktsegmentierung (VK-Quadrant) + Kraljic-Matrix
Sitzung 5	Bestandssegmentierung - ABC / FSN / VED / XYZ + Fortgeschrittene Methoden + AHP-Mehrkriterien-Klassifikations-Fallstudie

Tipp

★ Prüfungstipp - Bestandssegmentierung: Für traditionelle Methoden immer das verwendete Kriterium angeben: Umsatz = ABC | Bewegung = FSN | Kritizität = VED | Variabilität = XYZ

Für AHP-Fragen: Alle sechs Schritte klar angeben und immer die CR < 0,1-Bedingung erwähnen - sie ist die Schwelle, die die paarweisen Urteile des Experten validiert.

Wichtigster konzeptueller Beitrag dieser Sitzung: AHP bietet einen prinzipiellen, datengestützten Weg, um Mehrkriterien-, gemischte Einheiten- und gemischte Richtungsfaktoren zu handhaben - sie zu einem einzigen konsistenten Klassifikationsscore zu kombinieren. Das können traditionelle Einzelkriterien-Methoden nicht leisten.