Mit KI zur optimalen Produktvielfalt: Wie Unternehmen ihr Portfolio intelligent steuern

Moderne Unternehmen stehen vor der Herausforderung, ihr Produkt- oder Leistungsportfolio so zu steuern, dass Kundennutzen und Rentabilität maximiert und gleichzeitig Komplexität und Kosten in der Lieferkette minimiert werden. Ein zentrales Kriterium dabei ist die Breite des Produktportfolios. Je größer und unstrukturierter das Sortiment, desto höher sind in der Regel Aufwand, Kosten und Komplexität in der Supply Chain. Wer sein Portfolio nicht einfach wachsen lässt, sondern es aktiv managt und schlank hält, schafft die Grundlage für effiziente Abläufe und vermeidet unnötige Belastungen.

Portfolio Management im Supply-Chain-Kontext bedeutet deshalb, das Sortiment gezielt zu gestalten: Welche Produkte und Varianten bleiben im Angebot, welche werden reduziert oder entfernt? Ziel ist es, die richtigen Produkte in optimaler Menge zur Verfügung zu stellen, um den Marktanforderungen gerecht zu werden – ohne dabei Ressourcen zu verschwenden. Entscheidungsgrundlagen liefern dabei sowohl Markt- und Nachfragedaten als auch Informationen zu Kosten, Produktion und Logistik.

Der Fachverband ASCM (Association for Supply Chain Management) betont, dass ein ganzheitliches Product Portfolio Management ein entscheidender Hebel für eine resilientere, agilere Supply Chain ist – insbesondere, wenn neue Technologien wie KI (Künstliche Intelligenz) gezielt eingesetzt werden. KI kann hier nicht nur die Datenverarbeitung automatisieren, sondern durch Mustererkennung und Szenario-Analysen Entscheidungsprozesse fundiert unterstützen.[1]

Viele Unternehmen verlassen sich heute noch auf klassische Portfolio-Management-Methoden – etwa manuelle Sortimentsreviews, ABC-Analysen oder einfache Daumenregeln. Diese Ansätze stoßen jedoch schnell an Grenzen, wenn Produktvielfalt und Marktvolatilität wachsen. In der Praxis beobachtet man oft ein „Überangebot“ an Produkten: Es sind zu viele Varianten im System, von denen ein großer Teil kaum Umsatz bringt.

Bereits vor einigen Jahren wies McKinsey in einer Studie darauf hin, dass Unternehmen riskieren, Kunden mit zu wenigen Angeboten zu verlieren, andererseits durch ein Überangebot an „falschen“ Produkten Kosten verursachen und Umsatzpotenziale verlieren.[2]

Zudem sind klassische Methoden häufig retrospektiv, betrachten Produkte isoliert und unterschätzen die Auswirkungen auf die gesamte Lieferkette. So führen zu viele Low-Performer nicht nur zu hohen Lager- und Rüstkosten, sondern auch zu Planungsineffizienz und unnötigem Ressourcenverbrauch. Portfolioentscheidungen werden oft in Silos getroffen – z. B. durch Produktmanagement oder Vertrieb – ohne dass Produktions-, Logistik- oder Supply Chain Management- (SCM) Funktionen eingebunden sind. Das Ergebnis: fehlende Reaktionsfähigkeit, ineffiziente Bestände und nicht selten Kannibalisierungseffekte innerhalb des Portfolios.

• Zentrale Datenplattform
  Sämtliche internen Daten aus Vertrieb, Einkauf, Produktion und Logistik sowie externe Signale (Markttrends, Wetterdaten, Social-Media-Stimmungen) fließen in ein Data-Lake- oder Cloud-Warehouse.
• KI-Analyse-Engine
  • Predictive Analytics prognostiziert stock keeping unit (SKU) Nachfrage und identifiziert potenzielle Engpässe.
  • Optimierungsalgorithmen balancieren Servicegrad, Bestandskosten und Durchlaufzeit aus.
  • Explainable Artificial Integlligence (AI) sorgt für Transparenz, indem sie die Top-Treiber jeder Empfehlung wie z.B. Deckungsbeitrag oder Lieferrisiko offenlegt.
• Szenario- und Simulationstool
  Interaktive Dashboards ermöglichen es, Parameter wie Nachfragetrends oder Produktionskapazitäten in Echtzeit anzupassen und die Auswirkungen auf Bestände, Kosten und Servicegrad zu visualisieren.
• Kontinuierlicher Feedback-Loop
  Produktivität und Absatzdaten der letzten Periode fließen automatisch zurück in die Modelle, sodass die KI-Prognosen und Handlungsempfehlungen permanent verfeinert werden.[2]
• Nahtlose Prozessintegration
  Empfehlungen werden direkt in Sales & Operations (S&OP) Prozesse eingespeist und via Schnittstellen zum Enterprise Resource Planning (ERP) / Advanced Planning and Scheduling (APS) System automatisch umgesetzt.
• Governance & Rollen
  Ein klares Operating Model definiert Verantwortlichkeiten (z. B. SCM, Produktmanagement, Finance) und stellt sicher, dass Entscheidungen nachvollziehbar dokumentiert werden.

Dieses Zielbild vereint Agilität, Transparenz und Nachhaltigkeit – und trägt entscheidend dazu bei, das Portfolio kontinuierlich an dynamische Marktbedingungen anzupassen und somit Effizienz sowie Resilienz in der Lieferkette zu steigern.

• Komplexitäts- und Kostensenkung
  KI-gestützte Portfolio-Analysen decken systematisch Überfluss und Ineffizienzen auf. Studien zeigen, dass Unternehmen durch gezielte Sortimentsbereinigung ihre Produktkosten um 10 – 20 % senken und die Planbarkeit verbessern können.[3]
• Schnellere Reaktionsfähigkeit
  KI-Systeme erkennen Abweichungen in der Nachfrage oder Lieferfähigkeit automatisch. Unternehmen können dadurch rascher auf Nachfrageschwankungen, Lieferengpässe oder Markttrends reagieren. Ein solches System ermöglicht die agile Abstimmung von Angebot und Nachfrage, indem KI Nachfrageschwankungen antizipiert und die Ressourcenplanung sowie den Fokus auf Portfolio-Management dadurch optimiert werden.
• Steigerung der Profitabilität
  Indem das Portfolio konsequent entlang von Deckungsbeiträgen und strategischer Priorität gesteuert wird, steigen Margen und Innovationspotenzial. Margenschwache oder nicht differenzierende Produkte werden schneller erkannt und ausgesteuert.
• Erhöhte Resilienz
  Ein fokussiertes Portfolio reduziert Abhängigkeiten, erleichtert den Phase-Out nicht performanter Artikel und macht die gesamte Wertschöpfungskette robuster.
• Praxisbeispiel Unilever
  Unilever setzt KI-gestützte Portfolio-Optimierung ein, um sein Produktangebot effizienter zu gestalten. Ein zentrales Instrument dabei ist ein datengestütztes Tool, das mithilfe fortschrittlicher Analysen und Einblicke eine ganzheitliche Bewertung des Portfolios ermöglicht. Dieses Tool analysiert, ob ein bestimmter Artikel im Sortiment bleiben oder aus dem Angebot genommen werden sollte, basierend auf dem Nutzen für Kunden, Konsumenten und Unilever selbst. Durch die Entfernung von Produkten mit geringer Leistung schafft Unilever Raum für Wachstum, konzentriert sich stärker auf Kernprodukte und entwickelt neue Artikel entsprechend den sich ändernden Verbraucherbedürfnissen.[4]

Die Einführung KI-gestützter Portfolio-Optimierung bringt konkrete Mehrwerte – aber auch typische Herausforderungen, bei denen wir Unternehmen gezielt begleiten:

• Datenqualität und Verfügbarkeit
  Viele Unternehmen verfügen über heterogene oder unvollständige Daten, die fundierte Entscheidungen erschweren. Wir helfen, relevante Datenquellen zu identifizieren, Qualität und Struktur zu bewerten und die Basis für verlässliche Analysen zu schaffen.
• Investment & Business Case
  KI-Projekte müssen wirtschaftlich sinnvoll sein. Wir unterstützen dabei, den Business Case für KI in der Portfolio-Steuerung zu entwickeln – mit klaren Use Cases, realistischen Potenzialabschätzungen und messbaren Effekten.
• Change Management
  Der Wandel zu datengetriebenen Entscheidungen ist nicht nur technisch, sondern vor allem kulturell. Wir begleiten Organisationen beim Kompetenzaufbau, der Rollenklärung und der Akzeptanzschaffung auf allen Ebenen.

Unser strukturierter Ansatz:

• Reifegrad-Assessment
  Wir bewerten die bestehende Daten- und Systemlandschaft sowie die organisatorische Reife für datengestützte Entscheidungen – als Grundlage für realistische Roadmaps.
• Zielbilder & Dashboards
  Gemeinsam mit dem Kunden definieren wir relevante Kennzahlen, Simulationslogiken und Visualisierungen, die eine verständliche und nachvollziehbare Steuerung ermöglichen.
• Technologieauswahl & Umsetzung
  Wir begleiten die Einführung passender Werkzeuge – von flexiblen Analyseplattformen bis zu Explainable-AI-Lösungen, deren Empfehlungen nachvollziehbar und akzeptiert sind.

Unser Ziel ist keine Blackbox, sondern ein transparentes, verständliches und anschlussfähiges Entscheidungsinstrument, dass Fachbereiche und Management gleichermaßen nutzen können – für bessere Entscheidungen bei weniger Komplexität.

 

 

Quellen:
[1] ASCM, 2025: „Product & Portfolio Management“ [Aufgerufen: 9 Juni 2025]
[2] McKinsey & Company, 2020: “Mastering complexity with the consumer-first product portfolio”,  [Aufgerufen: 9 Juni 2025]
[3] World Economic Forum, 2025: “AI will protect global supply chains from the next major shock”, [Aufgerufen: 9 Juni 2025]
[4] Unilever, 2022: „Using AI to optimize our portfolio and fuel growth“ [Aufgerufen: 9 Juni 2025]

In unserer Serie „KI in der Supply Chain Planung“ zeigen wir unsere wichtigsten Anwendungsfälle für Künstliche Intelligenz in der Lieferkette. Frühere Use Cases sowie weitere Trends finden Sie in unseren Insights.