Holzeinkauf mit KI optimieren

Das echte Ausmaß des Problems

Ein Einkaufsleiter in der Holz- und Möbelbranche jongliert gleichzeitig mit mehreren Unbekannten, die sich gegenseitig beeinflussen:

Auf der Nachfrageseite: Welche Aufträge kommen in den nächsten 10 bis 16 Wochen herein? Welche Holzarten und -stärken braucht die Produktion dafür? Wie viel Verschnitt entsteht erfahrungsgemäß? Was ist bereits im Lager, und wie lange ist es noch trocknungsgerecht lagerfähig?

Auf der Angebotsseite: Wie entwickeln sich Eichenpreise in den nächsten zwei bis drei Monaten? Hat das Sägewerk noch ausreichend frische Ware? Sind Lieferzeiten stabil oder verkürzen sie sich, weil andere Käufer abwarten?

Diese Kombination aus Produktionsprognose und Markteinschätzung überfordert jeden Menschen, nicht weil er zu wenig weiß, sondern weil zu viele Variablen gleichzeitig berücksichtigt werden müssen. Erfahrungsgemäß reagieren Einkäufer in dieser Situation mit zwei Verhaltensweisen: entweder sie bestellen mit großem Sicherheitspuffer (hohe Lagerhaltungskosten, gebundenes Kapital) oder sie warten bis es dringend wird (Lieferrisiko, Preisaufschläge bei Eilbestellungen).

Laut einer Studie zur Demand-Forecasting-Implementierung in Fertigungsunternehmen (WJARR, 2024) erreichen Betriebe, die von manueller Disposition auf KI-gestützte Bestellempfehlungen umstellen, typischerweise 15–25 Prozent Bestandsreduzierung bei gleichzeitig verbesserter Lieferfähigkeit. Eine Fallstudie an einem internationalen Möbelhersteller (ResearchGate, 2024) zeigt, dass LSTM-basierte Prognosemodelle die Bestandsplanung bei saisonalen Schwankungen deutlich stabiler machen als klassische gleitende Durchschnitte.

Für eine Möbelproduktion mit einem jährlichen Holzeinkauf von rund einer Million Euro bedeutet eine 20-prozentige Lagerreduktion im Schnitt: 50.000 bis 80.000 Euro weniger Kapitalbindung pro Jahr, Kapital, das nicht im Lager liegt, sondern im Betrieb arbeiten kann.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die letzte Zeile ist entscheidend und wird von Anbietern gerne weggelassen: KI-Modelle lernen aus historischen Mustern. Lieferschocks durch politische Ereignisse sind in keiner Trainingshistorie vorhanden, und können es strukturell nicht sein.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5)
Der primäre Hebel dieses Anwendungsfalls liegt nicht in der täglichen Zeitersparnis, sondern im finanziellen Ergebnis. Ein Einkaufsleiter spart realistisch zwei bis drei Stunden pro Woche an manueller Bestandsanalyse, verglichen mit Anwendungsfällen wie der automatischen Fertigungsdokumentation oder Montageanleitungs-Generierung ist das ein bescheidener Zeitgewinn. Der Wert liegt woanders.

Kosteneinsparung, hoch (4/5)
Bestandsreduktion um 15–25 Prozent ist in der Literatur und in Praxisberichten gut belegt. Bei einem Holzeinkaufsvolumen von einer Million Euro pro Jahr bedeutet das 50.000 bis 200.000 Euro weniger gebundenes Kapital, zuzüglich eingesparter Lagerkosten (Halle, Versicherung, Schwund durch Trocknung, Qualitätsverluste bei langer Lagerung). Das ist messbar und fällt direkt aufs EBIT ein. Nur die Materialoptimierung beim Zuschnitt bietet in dieser Branche einen vergleichbar direkten Kostenhebel.

Schnelle Umsetzung, nicht vorhanden (1/5)
Das ist der schwierigste Einstieg in dieser Kategorie. Warum: Das Modell braucht mindestens 18 Monate saubere Bestellhistorie im ERP, nicht Papierbelege, nicht Excel-Tabellen, sondern strukturierte digitale Daten mit Materialart, Menge, Lieferdatum und Einkaufspreis. Dazu kommt die Integration externer Preisdaten, die ERP-Anbindung, eine Trainingsphase von acht bis zwölf Wochen, und dann noch ein Validierungszeitraum, bevor das System produktiv geht. Kein anderer Anwendungsfall in dieser Kategorie stellt vergleichbare Infrastrukturvoraussetzungen.

ROI-Sicherheit, mittel (3/5)
Die Lagerkosten-Komponente des ROI ist eindeutig messbar: Bestand vorher vs. nachher, Kapitalbindungskosten, Fehlmengenquote. Die Preis-Timing-Komponente (kaufe ich Eiche jetzt oder in sechs Wochen günstiger?) ist strukturell unsicherer, weil Holzmärkte, besonders Laubholz, dünn und wenig liquide sind. Die Prognosequalität hängt stark von Datenqualität und Markttiefe ab. Ein konservatives Szenario, das nur die Lagerkosten einrechnet, ist deutlich verlässlicher als eines, das auf optimales Preis-Timing setzt.

Skalierbarkeit, hoch (4/5)
Ist das Modell einmal aufgebaut, lässt es sich auf weitere Holzarten, Produktionslinien und Standorte ausweiten, ohne die Infrastruktur neu aufzubauen. Jedes neue Materialsegment braucht eigene Trainingshistorie, aber die Systemintegration steht bereits. Das ist ein echter Langzeithebel für wachsende Betriebe.

Richtwerte, stark abhängig von Unternehmensgröße, Holzsortimentsbreite und vorhandener ERP-Datenqualität.

Was das System konkret macht

Predictive Analytics-Systeme für den Holzeinkauf verbinden zwei Prognose-Ströme, die klassischerweise getrennt verwaltet werden.

Strom 1, Interne Bedarfsprognose: Das Modell analysiert die Auftragshistorie der letzten 18 bis 36 Monate, erkennt saisonale Muster (Küchenhersteller haben andere Hochsaisonen als Gartenmöbel), berücksichtigt den aktuellen Auftragseingang und liefert eine stückgenaue Prognose für jede Holzart: „In acht Wochen werden voraussichtlich 42 Kubikmeter Eichendielen 26/50 benötigt.”

Strom 2, Externe Marktpreisprognose: Das Modell zapft Preisfeed-Daten an, den HPE-Holzpreisindex, BMEL-Erzeugerpreise, optional kommerzielle Preisdaten-Dienste, und schätzt die Preisentwicklung für die nächsten vier bis zwölf Wochen. „Fichtenpreise zeigen aktuell steigende Tendenz (+7 % in den letzten vier Wochen; Modell erwartet Konsolidierung in Woche 6–8).”

Kombination: Aus beiden Strömen entstehen Bestellempfehlungen mit Zeitfenster und Mengenangabe, optional priorisiert nach Urgenz und Preissignal. Der Einkäufer entscheidet, das System begründet den Vorschlag.

Was das System nicht macht: Es prognostiziert keine politischen Schocks, Naturkatastrophen oder Schädlingskalamitäten. Es kennt keine off-market Kontingente, die dein Sägewerkpartner reservieren könnte. Und es ersetzt nicht das Telefongespräch, mit dem ein erfahrener Einkäufer hört, ob der Lieferant gerade unter Druck steht oder Engpässe kommen sieht.

Laubholz und Nadelholz: zwei grundverschiedene Märkte

Das ist kein akademischer Unterschied, er bestimmt, wie gut ein Prognosemodell funktioniert.

Nadelholz (Fichte, Kiefer, Lärche): Relativ standardisierter, großvolumiger Markt mit regionalen Handelspreisen, die wöchentlich veröffentlicht werden. Futures-ähnliche Preisindizes existieren (Holzprodukteindex der BMEL, HPE-Index für bestimmte Sortimente). Das Modell hat ausreichend externe Datenpunkte, um kurzfristige Preisbewegungen mit akzeptabler Qualität zu prognostizieren.

Laubholz (Eiche, Buche, Esche): Ein strukturell anderes Tier. Eichenholz wird weitgehend über direkte Handelsbeziehungen und Auktionen verkauft. Es gibt keinen tiefen, liquiden Terminmarkt. Preise werden regional und bilateral ausgehandelt, ein Index wie der HPE oder die Destatis-Erzeugerpreise bildet das Marktgeschehen mit erheblicher Verzögerung ab. Das bedeutet: Preisprognose für Laubholz ist schwieriger als für Nadelholz, und die Unsicherheitsintervalle müssen breiter angesetzt werden.

Für Möbelhersteller, die hauptsächlich Laubholz verwenden, liegt der Mehrwert der KI weniger in der Preistiming-Optimierung als in der internen Bedarfsprognose und Lageroptimierung. Das ist ehrlicher, und es ist immer noch wertvoll.

Warum 18 Monate Bestellhistorie keine Formalie sind

Die Zahl taucht in jedem Anbieter-Prospekt auf. Was dahinter steckt, verdient mehr Erklärung.

Ein Demand-Forecasting-Modell für Holzeinkauf muss mindestens folgende Muster erlernen:

• Saisonalität: Küchen- und Schlafzimmermöbel haben Hochsaisonen, die je nach Absatzkanal um 4 bis 12 Wochen gegenüber dem Bestellzeitpunkt verschoben liegen. Das Modell braucht mehrere vollständige Jahreszyklen, um dieses Muster zuverlässig zu erkennen.
• Korrelation Auftragseingang ↔ Materialverbrauch: Wie viel Eiche in 26/50 steckt in einem typischen Auftrag „Schlafzimmer Typ A”? Das Modell lernt diese Korrelation aus Bestellhistorie plus Produktionsdaten, und braucht dafür Volumen.
• Lieferanten-Vorlaufzeiten: Wie lange dauert es wirklich von Bestellung bis Wareneingang, für jedes Sortiment, jeden Lieferanten, jede Jahreszeit? Diese Streuung ist oft größer als gedacht und beeinflusst den optimalen Bestellzeitpunkt erheblich.

Was 18 Monate bedeutet: Du brauchst diese Daten digital, vollständig und korrekt im ERP, nicht auf Papierlieferscheinen, nicht in einer Excel-Tabelle, die nicht mit der Produktion verknüpft ist, nicht mit Lücken wegen Systemmigrationen. Wer seine Holzeinkäufe bislang nicht systematisch im ERP erfasst hat, muss erst sauber dokumentieren, bevor er KI aufsetzen kann.

Das ist der häufigste Showstopper in der Praxis, nicht die Technologie, sondern die Datenhistorie.

Preisdatenquellen: kostenlos vs. kommerziell

Bevor du teure kommerzielle Preisfeeds einbindest, lohnt ein Blick auf die frei verfügbaren deutschen Datenquellen:

Kostenlos und solide:

• BMEL-Statistik / Destatis-Erzeugerpreisindex: Monatliche Erzeugerpreise für Holzeinschlagsprodukte, sortiert nach Baumart und Sortiment. Kostenlos über bmel-statistik.de und destatis.de. Verzögerung: 4–6 Wochen. Gut für Trendanalyse, nicht für kurzfristige Preissignale.
• HPE-Holzpreisindex: Monatlicher Index der Holzpackmittelbranche (teilweise relevant für Strukturbauholz, nicht spezifisch für Möbelholz). Öffentlich zugänglich unter hpe.de/holzpreisindex.
• Forstpraxis.de: Monatliche regionale Holzpreistabellen aus verschiedenen deutschen Forstkammern, für regionale Einkäufer sehr wertvoll.

Kommerziell mit höherer Aktualität:

• ChAI: Commodity-Preisprognose-Plattform mit 1- bis 12-Monats-Horizont. Für Holz ist die Abdeckung inhomogen, gut für strukturierte Commodities, schwächer für bilateralen Laubholzhandel. Pricing typisch ab 5.000–15.000 Euro/Monat, nur für Unternehmen mit sehr großem Einkaufsvolumen wirtschaftlich.
• Holzkurier / Euwid: Fachpresse mit Marktberichten. Nicht KI-integriert, aber für den Einkäufer nützliche Hintergrundquelle.

Für die meisten mittelständischen Möbelhersteller reichen die kostenlosen Quellen als Signaldaten, sie müssen nur sauber in das Forecasting-Modell eingespeist werden.

Konkrete Werkzeuge, was wann passt

Die Toolwahl hängt stark von Unternehmensgröße, ERP-System und Holzvolumen ab.

Netstock, für mittelständische Hersteller und Händler, die ihrem ERP entwachsen sind. Netstock dockt als Schicht auf bestehende ERP-Systeme (SAP, Sage, NetSuite, Dynamics) auf und liefert KI-gestützte Bestellempfehlungen. Besonders relevant: die Bill-of-Materials (BOM)-Forecasting-Funktion, die Materialbedarfe aus Auftragsstrukturen ableitet, genau das, was für Stücklisten-basierte Möbelproduktion gebraucht wird. Implementierungsdauer typisch 4–6 Wochen (schneller als Alternativen), weil über 200 ERP-Konnektoren vorkonfiguriert sind. Kosten ab ca. 500–1.500 USD/Monat. Kein deutsches Interface, kein EU-Hosting, DSGVO-Prüfung vorab nötig.

Slim4 von Slimstock, für mittelgroße bis größere Hersteller mit mehrstufiger Lagerstruktur (Zentrallager + Werkslager) und vielen SKUs. Slimstock hat ein DACH-Team mit deutschsprachigem Support, ein echter Vorteil für die Implementierungsphase. Implementierungsdauer 3–6 Monate, Jahreslizenzen im sechsstelligen Bereich. Geeignet, wenn du Slim4 auch für Fertigwarenbestände und S&OP nutzen willst, nicht nur für den Rohholzeinkauf.

SAP IBP (Integrated Business Planning), wenn dein Unternehmen bereits auf SAP S/4HANA läuft und eine native Integration ohne Schnittstellenaufwand will. SAP IBP ist die leistungsfähigste Option, aber auch die teuerste: Jahreslizenzen ab 50.000 Euro, Implementierungskosten oft 100–300 Prozent des ersten Lizenzjahres. Sinnvoll erst ab einem gewissen Reifegrad der SAP-Landschaft.

ChAI, ausschließlich für die Preis-Timing-Komponente: Wann ist Holz (oder ein bestimmtes Sortiment) günstiger oder teurer als aktuell? ChAI ist kein Bestandsplanungs-Tool, sondern ein Rohstoff-Preisprognose-Werkzeug. Für Möbelhersteller mit mehr als 2 Mio. Euro jährlichem Holzeinkaufsvolumen kann der ergänzende Einsatz sinnvoll sein, bei kleineren Volumen ist das Pricing (ab ca. 5.000–15.000 Euro/Monat) kaum zu rechtfertigen.

Zusammenfassung: Wann welcher Ansatz

• KMU mit 0,2–2 Mio. € Holzeinkauf, ERP vorhanden → Netstock
• Mittelgroßer Hersteller mit mehreren Lagern, DACH-Support gewünscht → Slim4
• SAP-Haus mit S/4HANA → SAP IBP
• Ergänzende Preistiming-Funktion, großes Einkaufsvolumen → ChAI zusätzlich

Datenschutz und Datenhaltung

Holzeinkaufsdaten sind in der Regel keine personenbezogenen Daten, sie enthalten Materialmengen, Preise und Lieferantendaten (juristische Personen). Die DSGVO-Relevanz ist daher begrenzt, aber nicht null: Lieferkontakte und Ansprechpartner beim Lieferanten sind Personendaten, wenn sie in das System fließen.

Für die gängigen Werkzeuge gilt:

• Netstock (global): Daten können außerhalb der EU gespeichert werden. Vor Einführung prüfen, ob ein AVV abgeschlossen werden kann und ob die Standard-Contractual Clauses der EU greifen. Für reine Einkaufsdaten ohne personenbezogene Inhalte oft handhabbar.
• Slim4 von Slimstock (EU/hybrid): Primär EU-Hosting, US-Transfers für Subprozessoren möglich. AVV erhältlich, explizit einfordern.
• SAP IBP: EU-Hosting verfügbar und das Standard-Setup für deutsche SAP-Kunden. Datenresidenz in Deutschland konfigurierbar.
• ChAI: UK/US-gehostet, kein EU-Hosting. Für Preissignal-Analysen (keine Transaktionsdaten) ist das weniger kritisch.

Wer Lieferantenkonditionen, Rabattstaffeln oder längerfristige Rahmenverträge digital verwaltet, sollte bei der ERP-Integration prüfen, welche Felder ins Forecasting-System übertragen werden, und vertragliche Geheimhaltungsvereinbarungen mit dem Tool-Anbieter absichern.

Was es kostet, realistisch gerechnet

Einmalige Setup-Kosten

• Datenaufbereitung (ERP-Historien, Stammdatenbereinigung): intern 4–8 Wochen Aufwand oder extern 5.000–15.000 Euro
• Externe Preisdaten-Anbindung (wenn über kostenlose Quellen hinaus): 2.000–8.000 Euro einmalig
• Software-Implementierung und ERP-Konnektor-Einrichtung: je nach Tool, typisch 8.000–25.000 Euro

Laufende Kosten (monatlich)

• Netstock: ab ca. 500–1.500 USD/Monat (abhängig von SKU-Anzahl)
• Slim4: sechsstellige Jahresbeträge (kein öffentliches Pricing)
• SAP IBP: ab 50.000 Euro/Jahr + Implementierungskosten
• Kostenlose Preisdatenquellen (Destatis, BMEL): 0 Euro

Konservative ROI-Rechnung
Annahme: Möbelhersteller mit 1,2 Mio. Euro jährlichem Holzeinkauf, aktuell 14 Wochen mittlerer Lagerbestand.

Ziel: Reduktion auf 11 Wochen durch bessere Prognose (–21 %).

Berechnung: 1,2 Mio. € × 21 % × Kapitalbindungskosten (5–6 %/Jahr) = 12.600–15.120 Euro/Jahr weniger Kapitalbindungskosten. Hinzu kommen: eingesparte Lagerhaltungskosten (Raumkosten, Versicherung, Qualitätsverluste), erfahrungsgemäß weitere 3–8 % des Lagerwertes, also 7.500–19.200 Euro/Jahr.

Konservativ (Kapitalbindung + 50 % Lagerkosten): rund 18.000–25.000 Euro/Jahr eingespart. Bei Netstock-Kosten von ca. 12.000 USD/Jahr ist der ROI im zweiten Jahr realistisch, unter der Bedingung, dass die Datenqualität stimmt und das System aktiv genutzt wird.

Wer auch das Preis-Timing einrechnet (günstigere Einkaufspreise durch bessere Markttransparenz), kann theoretisch höhere Einsparungen erzielen, aber dieser Teil ist schwerer zu isolieren und nicht garantiert.

Drei typische Einstiegsfehler

1. Mit einem sauberen Modell anfangen wollen, ohne saubere Daten zu haben.
Das ist der häufigste Showstopper. Wer seine Bestellhistorie nicht digital und vollständig im ERP hat, kann kein Forecasting-Modell aufbauen, egal wie gut das Tool ist. In der Praxis bedeutet das oft: vor dem KI-Projekt ein Stammdaten-Projekt. Lieferzeiten, Materialstammkennzeichen, historische Eingangsmengen und Preise müssen vollständig und konsistent sein. Ohne diesen Schritt wird das Modell auf schlechten Daten trainiert und liefert schlechte Empfehlungen, mit hohem Vertrauen, was gefährlicher ist als gar keine Empfehlung.

2. Das Modell wird nicht gewartet, nachdem es läuft.
Ein Forecasting-Modell braucht regelmäßige Pflege. Wenn ein neues Produkt in die Linie kommt, das andere Holzarten verwendet, muss das im System nachgepflegt werden. Wenn ein Lieferant seine übliche Lieferzeit von vier auf sechs Wochen verlängert, muss das aktualisiert werden. Wenn ein Holzsortiment saisonale Verfügbarkeit hat, die das Modell nicht kennt, gibt es systematisch falsche Bestellzeitpunkte. Wer das System einführt und dann nicht pflegt, hat nach 12 Monaten ein Modell, das auf überholten Daten arbeitet, und das niemand mehr vertraut.

3. Das Modell als Orakel behandeln, nicht als Assistent.
Ein Forecasting-System liefert Wahrscheinlichkeiten, keine Gewissheiten. Der Fehler tritt auf, wenn ein Einkäufer aufhört, Lieferantenbeziehungen zu pflegen und Marktgespräche zu führen, weil das Modell ja alles weiß. Das Modell weiß nichts über das Telefonat, in dem ein Sägewerksmitarbeiter andeutet, dass die nächste Charge Eiche ungewöhnlich lange braucht. Diese Art von Signalinformation landet nicht in Datenbanken. Das System soll den Einkäufer unterstützen, nicht ersetzen, und ein guter Einkäufer kombiniert die Modellempfehlung mit eigenem Marktwissen.

Die Grenzen von KI bei Marktschocks: der Ukraine-Krieg als Lehrstück

Im Februar 2022 sind die Lieferketten für europäisches Eichenholz innerhalb von Wochen zerbrochen.

Die Ukraine war ein bedeutender Exporteur von Eichenstammholz nach Europa. Mit dem Kriegsausbruch und den anschließenden Sanktionen gegen Russland und Belarus (beide ebenfalls Lieferanten von Birkenholz und anderen Hartholzsortimenten) fielen schlagartig erhebliche Mengen aus. Die europäische Möbelindustrie meldete Preisanstiege und Lieferengpässe insbesondere bei Eichenholz (Möbelmarkt.de, März 2022). Ähnliche Effekte zeigten sich bei Birkensperrholz, das im Möbelbau eingesetzt wird.

Kein Forecasting-Modell hätte das vorhergesagt. Solche Ereignisse lassen sich strukturell nicht aus historischen Preistrends ableiten, sie sind Force Majeure. Das gilt genauso für die Borkenkäfer-Kalamitäten, die ab 2018 den deutschen Fichtenmarkt geflutet haben und zu einem drastischen Preisverfall geführt haben (der ein anderes Problem für den Holzkäufer erzeugte: zu viel Angebot zu niedrigen Preisen).

Was das bedeutet: KI im Holzeinkauf reduziert strukturelle Ineffizienzen, schlechte Prognosen, überhöhte Sicherheitspuffer, mangelnde Preistransparenz. Sie eliminiert nicht das Risiko von Marktschocks. Wer ein KI-System einführt und damit aufhört, Lieferantenbeziehungen zu pflegen, diversifizierte Beschaffungskanäle aufzubauen und Marktinformationen qualitativ auszuwerten, wird beim nächsten Schock genauso überrascht sein wie ohne KI.

Was mit der Einführung wirklich passiert, und was nicht

Die ersten Wochen nach dem Go-live sind oft enttäuschend. Das Modell hat die ersten Bestellempfehlungen ausgespuckt, und der erfahrene Einkäufer schaut sie an und denkt: „Das hätte ich auch selbst gewusst.” Das ist normal, und ein gutes Zeichen.

Das System hat zuerst die offensichtlichen Muster gelernt: Saisonpeaks, typische Bestellmengen, Standardvorlaufzeiten. Die Qualität der Empfehlungen steigt mit der Zeit, wenn das Modell mehr Daten sieht und der Einkäufer beginnt, Korrekturen einzuspielen (zum Beispiel: „Diese Empfehlung war zu konservativ, weil die Fachmesse in der folgenden Woche für höhere Aufträge gesorgt hat”).

Widerstandsmuster, die in der Einführung typisch auftreten:

Die skeptische Einkäuferin. „Das Modell kennt unsere Lieferanten nicht.” Stimmt, zumindest nicht in der Art, wie sie es kennt. Was hilft: zeigen, dass das System nicht die Entscheidung übernimmt, sondern die Vorbereitung. Der finale Anruf beim Sägewerk liegt weiter beim Menschen.

Die überarbeitete Disposition. Der Dispositionsleiter hat täglich so viel zu tun, dass er das neue Tool anfangs als zusätzliche Aufgabe wahrnimmt, nicht als Entlastung. Was hilft: klar kommunizieren, welche Schritte wegfallen (manuelle Bestandsabfrage im ERP, eigene Excel-Bedarfsrechnung), und was dafür neu kommt (Empfehlungsprüfung, 20 Minuten täglich).

Was nicht passiert: Das System bestellt nicht selbst. Das System verhandelt nicht. Das System weiß nicht, ob euer wichtigster Lieferant gerade Liquiditätsprobleme hat. Diese Lücken bleiben, sie sind keine Bugs, sondern der Beweis dafür, warum der Mensch im Einkauf weiterhin unverzichtbar ist.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir haben das immer so gemacht und es hat funktioniert.”
Stimmt, bis auf die Male, wo es nicht geklappt hat. Der Einkaufsleiter erinnert sich an die Lieferengpässe bei der Schlafzimmerlinie, aber weniger präzise an die Quartale, in denen 18 Wochen Eichenbestand das Kapital blockiert hat. Ein ehrlicher Rückblick auf die letzten zwei Jahre, wie oft gab es Lieferengpässe, wie oft war der Bestand zu hoch, ist der nüchternste Weg, die Baseline zu verstehen.

„Holzmärkte sind zu unberechenbar für KI.”
Zur Hälfte richtig. Marktschocks wie der Ukraine-Krieg sind nicht prognostizierbar, da ist die KI genauso blind wie der Mensch. Aber die strukturellen Schwankungen, saisonale Nachfragepeaks, typische Lieferzeitvariationen, Korrelationen zwischen Auftragseingang und Materialbedarf, sind durchaus erlernbar. Der Mehrwert liegt nicht darin, den Markt perfekt zu timen, sondern darin, die eigene Bedarfsprognose stabiler zu machen.

„Das lohnt sich bei unserer Größe nicht.”
Möglicherweise richtig. Unter 200.000 Euro jährlichem Holzeinkauf und weniger als zehn bis fünfzehn verschiedenen Materialien ist der Aufwand kaum zu rechtfertigen, da reicht ein gut strukturiertes Excel mit monatlicher Bestandsanalyse. Die KI-Lösung zahlt sich erst ab einem gewissen Volumen und einer gewissen Materialkomplexität aus (mehr dazu im Abschnitt „Woran du merkst, dass das zu dir passt”).

Woran du merkst, dass das zu dir passt

Drei Signale, die auf einen sinnvollen Einsatz hindeuten:

• Holzeinkaufsvolumen über 300.000 Euro/Jahr und mehr als 15 verschiedene Materialpositionen, erst dann ist die Hebelmasse groß genug, um den Setup-Aufwand zu rechtfertigen
• Mehr als einmal pro Jahr hattest du in den letzten drei Jahren gleichzeitig Überbestände in einer Holzart und Lieferprobleme in einer anderen, das ist das klassische Signal für mangelnde Prognosefähigkeit
• Deine Bestellhistorie ist seit mindestens zwei Jahren vollständig im ERP, mit Materialart, Menge, Lieferdatum und Lieferant, das ist die Minimalbedingung für jedes Forecasting-Modell

Drei harte Ausschlusskriterien, wer es noch nicht tun sollte:

1. Einkaufsvolumen unter 200.000 Euro/Jahr, weniger als 10 verschiedene Holzmaterialien. Der Implementierungsaufwand übersteigt den Mehrwert bei weitem. Eine monatliche Bestandsübersicht in Excel und ein verlässliches Liefergespräch mit dem Hauptlieferanten bringen mehr. Erst wenn das Sortiment und das Volumen wachsen, rechnet sich die Komplexität.

2. Keine vollständige digitale Bestellhistorie der letzten 18 Monate. Das ist kein weicher Richtwert, sondern eine harte technische Voraussetzung. Wer Einkäufe per Telefon, E-Mail oder Papierlieferschein abwickelt und nicht systematisch im ERP erfasst, hat keine Trainingsdaten. Keine Trainingsdaten, kein sinnvolles Modell. Der notwendige erste Schritt ist dann Prozess-Digitalisierung, nicht KI-Einführung.

3. Ausschließlich Spotbeschaffung ohne Rahmenverträge. Wenn du Holz überwiegend situativ kaufst, je nach Lage des Marktes, ohne Jahresverträge oder regelmäßige Lieferantenbindung, hat das Modell nichts Verlässliches, worauf es Prognosen aufbauen kann. Nachfrageprognose setzt voraus, dass Bedarfe auch abgerufen werden können; bei reinem Spot-Einkauf fehlt dieser Hebel.

Das kannst du heute noch tun

Bevor du in ein Forecasting-Tool investierst, lohnt eine einfache Bestandsaufnahme. Lade deine letzten 24 Monate Bestellhistorie aus dem ERP in eine Tabelle und stelle drei Fragen:

1. Welche drei Holzsorten machen zusammen mehr als 70 Prozent des Einkaufsvolumens aus?
2. Wie groß war der mittlere Lagerbestand je Sorte, und wie groß ist die Streuung?
3. Wie oft lag die tatsächliche Lieferzeit mehr als zwei Wochen über der vereinbarten?

Wenn du diese Zahlen kennst, hast du die Baseline für jede ROI-Rechnung. Und du merkst, ob deine ERP-Daten vollständig genug sind, um damit weiterzuarbeiten.

Für eine erste KI-gestützte Analyse dieser Daten kannst du ChatGPT oder Claude mit einem strukturierten Prompt nutzen, ohne ERP-Anbindung, ohne Toolkosten, ohne Implementierungsaufwand. Das gibt dir ein erstes Gefühl dafür, welche Muster in deinen Daten stecken.

Quellen & Methodik

• 15–25 % Bestandsreduktion durch Demand Forecasting: Wjarr (World Journal of Advanced Research and Reviews), „AI-enhanced inventory and demand forecasting”, 2024 (wjarr.com). Sowie: Demand Forecasting Case Studies, The Marketing Agency, Toronto 2024 (themarketingagency.ca).
• LSTM-Modelle in der Möbelindustrie: ResearchGate-Publikation: „Impact of Covid-19 Pandemic on Demand and Demand Forecasting in a Furniture Wholesale Company”, 2023 (DOI: 10.13140/RG.2.2.33773.64484). Methodik: LSTM-Vergleichsmodell gegen klassische Zeitreihenverfahren, LSTM robust bei saisonalen Krisen-Daten.
• Ukraine-Krieg und Holzmarkt: Forstpraxis.de, „Ukraine-Krieg: Sanktionen verändern Holzmarkt dauerhaft”, März 2022 (forstpraxis.de). Möbelmarkt.de, „Folgen des Ukraine-Kriegs: Möbelindustrie fürchtet Preissteigerungen und Lieferengpässe”, März 2022 (moebelmarkt.de). Holzkurier, „Zahlen und Daten über die Holzbranche in der Ukraine und Russland”, Februar 2022 (holzkurier.com).
• Holzpreisindex und Erzeugerpreise Deutschland: Statistisches Bundesamt (Destatis), Erzeugerpreise der Produkte des Holzeinschlags, laufend aktualisiert (destatis.de). HPE-Holzpreisindex (hpe.de/holzpreisindex). BMEL-Statistik Holzmarkt (bmel-statistik.de).
• Tool-Preise und -eigenschaften: Netstock (netstock.com, Stand April 2026), Slimstock Slim4 (slimstock.com, Stand April 2026), SAP IBP (sap.com, Stand April 2026), ChAI Predict (chaipredict.com, Stand April 2026). Alle Preisangaben Orientierungswerte, aktuelle Konditionen erfordern ein Angebot beim Anbieter.
• Laubholzmärkte als dünne Märkte: Pricepedia.it, „Update of wood supply chain prices to April 2024” (pricepedia.it/en). ScienceDirect, „Wood-based panel futures price prediction incorporating supply chain features”, 2025 (DOI: 10.1016/j.sforo.2025.XX).

Du willst wissen, ob deine ERP-Daten für ein Forecasting-Projekt ausreichen, und was ein erster Pilotversuch konkret kosten würde? Das klären wir in einem 30-minütigen Gespräch.