Maschinelles Lernen revolutioniert Inventuren: TU Darmstadt verbessert Bestandsgenauigkeit und Ressourceneffizienz im Handel

16. Juli 2026

Effizientere Inventuren durch Vorhersagemodelle – Forschungsprojekt mit Beteiligung der TU Darmstadt

Darmstadt, 16. Juli 2026. Im Handel sind etwa 60 Prozent der Bestandsdaten trotz regelmäßiger Inventuren fehlerhaft. Diese Ungenauigkeiten verursachen aufwändige Prüfprozesse, verzögern Bestellungen und führen zu Umsatzeinbußen. Ein gemeinsames Forschungsprojekt unter Beteiligung der TU Darmstadt hat untersucht, wie sich diese Problematik durch den Einsatz von Maschinellem Lernen verbessern lässt.

Herausforderungen bei herkömmlichen Inventuren

Inventuren sind im Handel ein etabliertes Mittel, um Warenbestände zu überwachen, Abweichungen zu erkennen und Nachbestellungen zu steuern. Bei erkannten Fehlern erhöhen Händler häufig die Anzahl und den Umfang der Zählungen. Diese Praxis bindet jedoch erhebliche personelle und zeitliche Ressourcen und ist angesichts wachsender Produktvielfalt und Personalengpässen nicht nachhaltig.

Forschungsansatz und Methodik

Das interdisziplinäre Team um Professor Christoph Glock (TU Darmstadt, Produktion und Supply Chain Management), Professor Yacine Rekik (emlyon Business School) und Professor Aris Syntetos (Cardiff Business School) analysierte über 1,3 Millionen Bestandsprüfungen von sechs führenden Unternehmen im Lebensmitteleinzelhandel zwischen Mai 2018 und April 2022. Ziel war es, durch den gezielten Einsatz künstlicher Intelligenz die Inventurprozesse zu optimieren.

Ergebnisse und Anwendung

Das entwickelte Modell für Maschinelles Lernen priorisiert Teilinventuren nach ihrem Einfluss auf Warenverfügbarkeit und Ressourceneffizienz.
Bestandsdaten stabiler, umsatzstarker Artikel können häufig automatisch korrigiert werden.
Warengruppen mit hoher Schwankungsanfälligkeit, wie frische oder beworbene Produkte, werden gezielt für zusätzliche Zählungen vorgeschlagen.
Die Methode identifiziert etwa 19 Prozent mehr fehlerhafte Bestandsdaten als herkömmliche Verfahren.
Phantombestände – also fälschlich als vorhanden registrierte Artikel – werden zu über 80 Prozent erkannt, bevor daraus Umsatzverluste entstehen.

Dadurch werden vorhandene Ressourcen effizienter eingesetzt, indem der Fokus auf die Inventur der Artikel gelegt wird, bei denen die Überprüfung den größten Nutzen bringt.

Verfügbarkeit der Forschungsergebnisse

Der kürzlich veröffentlichte Forschungsbericht erläutert die Funktionsweise des Vorhersagemodells und ermöglicht Händlern, das Verfahren auf eigene Bestandsdaten anzuwenden. Zusätzlich werden Online-Seminare angeboten, um die Verbreitung und praktische Umsetzung der Erkenntnisse zu fördern.