Veröffentlicht am 21. Oktober 2026
Regale ohne Ware gehören zu den hartnäckigsten Umsatzverlusten im Einzelhandel – und zugleich zu den am schlechtesten gemessenen. Ein Geschäft kann bei einem schnellen Gang durch die Gänge vollständig bestückt wirken, während einzelne SKUs innerhalb einer Kategorie seit Stunden leer sind, weil die Lücke im Regal nicht immer auf den ersten Blick sichtbar ist, außer jemand achtet gezielt darauf. Die Standardlösung – regelmäßige manuelle Rundgänge durch das Personal – erfasst einiges davon, ist aber naturgemäß nur eine Stichprobe: Mitarbeitende können nicht jedes Regal dauerhaft beobachten, sodass die Verzögerung zwischen einem Fehlbestand und dem Moment, in dem ihn jemand bemerkt, oft in Stunden und nicht in Minuten gemessen wird.
Computer Vision für die Regalüberwachung ist eine der ausgereifteren und weniger gehypten Anwendungen von AI im Einzelhandel, gerade weil das Problem eng begrenzt und klar definiert ist: ein Regal ansehen, prüfen, ob die erwarteten Produkte in der erwarteten Menge vorhanden sind, und Lücken melden. Dafür muss das System weder das Verhalten von Kundinnen und Kunden verstehen noch die Nachfrage vorhersagen – es muss einfach zuverlässig die Frage beantworten: „Ist diese Regalposition bestückt oder leer, genau jetzt?“ Das ist ein gut lösbares Computer-Vision-Problem mit einem relativ direkten Weg von der Erkennung zur Maßnahme.
Wie Regalüberwachung in der Praxis tatsächlich funktioniert
Die meisten produktiven Systeme zur Regalüberwachung stützen sich auf eine von zwei Datenquellen: fest installierte Kameras, die bestimmte Regalabschnitte kontinuierlich beobachten, oder periodische Bildaufnahmen durch mobile Roboter oder Handgeräte, die den Laden nach Zeitplan ablaufen. Fest installierte Kameras liefern nahezu Echtzeit-Erkennung, sind aber teurer, wenn sie über alle Gänge hinweg ausgerollt werden sollen; geplante Aufnahmen sind günstiger einzuführen, tauschen dafür aber Echtzeit-Erkennung gegen ein Aufnahmeintervall ein. Das bedeutet, ein Fehlbestand kann so lange unentdeckt bleiben, wie dieses Intervall angesetzt ist.
Unabhängig davon bleibt die Kernaufgabe des Modells gleich: Objekterkennung und Klassifizierung auf Regalbildern, wobei festgestellt wird, welche SKUs gemäß dem Planogramm für diese Regalposition vorhanden sein sollten, und dieser Soll-Zustand mit dem abgeglichen wird, was das Bild tatsächlich zeigt. Das Ergebnis ist nicht nur „leer oder voll“ – ein gut aufgebautes System unterscheidet zwischen einem echten Fehlbestand, einem Produkt, das an der falschen Stelle steht, und einem Regal, das lediglich von Kundinnen und Kunden durcheinandergebracht wurde, ohne dass der Artikel wirklich ausverkauft ist, denn diese drei Situationen erfordern unterschiedliche Reaktionen.
Warum Planogrammgenauigkeit wichtiger ist als reine Erkennungsgenauigkeit
Ein System, das erkennen kann, dass „diese Regalposition leer aussieht“, ist zwar hochgenau, aber ohne zu wissen, was dort stehen sollte und wie viele Facing es geben soll, nur halb nützlich. Die Planogramm-Daten – also das vorgesehene Produktlayout des Ladens – müssen mit dem abgeglichen werden, was das Vision-System prüft, und Planogramme ändern sich in der Praxis häufiger, als viele Händler bei der Planung eines solchen Projekts zunächst berücksichtigen. Ein Fehlbestandsalarm, der tatsächlich mit einem Planogramm aus dem letzten Quartal verglichen wird, erzeugt Fehlalarme, die das Vertrauen des Personals in das System schnell untergraben. Das ist für einen Rollout ein größerer praktischer Risikofaktor als die reine Erkennungsgenauigkeit des Modells.
Was nach der Erkennung passiert: Der Teil, der den ROI bestimmt
Einen Fehlbestand zu erkennen ist der einfache Teil des Wertversprechens; die Erkennung so in eine Maßnahme zu überführen, die auch wirklich jemand ausführt, entscheidet darüber, ob sich viele dieser Projekte rechnen oder stillschweigend nicht mehr genutzt werden. Eine Erkennung, die einen Alarm erzeugt, auf den niemand reagiert, weil er in einem Dashboard verborgen ist, das niemand prüft, hat denselben praktischen Effekt wie gar keine Erkennung. Die Systeme, die das Nachbestellverhalten tatsächlich verändern, leiten Alarme meist direkt in die Tools, die das Personal ohnehin nutzt – eine Aufgabe auf einem Handgerät, eine priorisierte Nachbestellliste zum Schichtbeginn oder eine Integration in das bestehende Bestandsführungssystem, das prüfen kann, ob die Lücke ein Problem bei der Regalauffüllung ist oder ein echter Bestandsengpass weiter oben in der Kette.
Genau dieser letzte Unterschied ist wichtig: Eine Regal-Lücke, die dadurch entsteht, dass Ware im Lager liegt, aber nicht eingeräumt wurde, ist ein völlig anderes Problem mit einer völlig anderen Lösung als eine Regal-Lücke, weil das Lager den Artikel tatsächlich nicht mehr hat. Ein Überwachungssystem, das nur das Symptom auf Regalebene meldet, ohne sich mit Bestandsdaten zu verbinden, um diese beiden Ursachen zu unterscheiden, überlässt den schwierigsten Teil der Diagnose am Ende doch wieder einem Menschen.
Wo das typischerweise schiefläuft
Der häufigste Fehler ist kein schlechtes Modell – sondern das Projekt von Anfang an auf jede SKU im gesamten Laden auszurichten. Kameradeckung, Planogramm-Pflege und Alarmweiterleitung werden mit dem Umfang linear schwerer zu steuern, und ein Rollout, der versucht, den kompletten SKU-Bestand eines ganzen Ladens abzudecken, bevor der Ablauf mit einer kleineren Auswahl bewiesen ist, bleibt meist an den operativen Teilen hängen (Planogramme aktuell halten, das Personal tatsächlich zum Reagieren auf Alarme bringen), lange bevor das Vision-Modell selbst zum Engpass wird.
Ein enger gefasster Startumfang — eine klar definierte, hochdynamische Kategorie, in der bekannte Lagerlücken teuer sind, in einigen Pilotstandorten — liefert ein realistisches Bild der Erkennungsgenauigkeit und vor allem davon, ob der Alarm-zu-Maßnahme-Loop in einem echten Store tatsächlich funktioniert, bevor weiter skaliert wird. Die meisten wichtigen Erkenntnisse (Planogramm-Abweichungen, Alarmmüdigkeit, Fehlalarme durch Störungen am Regal) zeigen sich im kleinen Maßstab schnell und lassen sich dort deutlich günstiger beheben als nach einem vollständigen Rollout.
Wo es im Vergleich zu anderen Retail-AI-Investitionen einzuordnen ist
Regalüberwachung ist oft nur ein Baustein eines breiteren Pakets zur operativen Automatisierung, das Retailer parallel zu Themen wie Retourenabwicklung und Bestandsprognosen prüfen. Meist ist sie eine naheliegendere frühe Investition als einige der auffälligeren Retail-AI-Anwendungen, weil Input (Regalbilder), Aufgabe (erkennen und klassifizieren) und Output (eine Nachbestellaktion) alle konkret und messbar sind. Das macht es einfacher, kostengünstig zu pilotieren und den Nutzen nachzuweisen, bevor größere, offener angelegte Automatisierungsprojekte gestartet werden.
Datenschutz und Überlegungen zur Kameraplatzierung
Auf Regale gerichtete Kameras werfen weniger Datenschutzfragen auf als kundengerichtete Überwachung, da ein sauber abgegrenztes System Produktpositionen erfasst, nicht Kunden, und sich so konfigurieren lässt, dass Bilder so zugeschnitten und verarbeitet werden, dass Gesichter von Kunden gar nicht erst erfasst oder gespeichert werden. Trotzdem muss die Kameraplatzierung bewusst geplant werden — eine Kamera, die für die Regalüberwachung den gesamten Gang erfassen soll, nimmt oft auch Personen auf, die durchs Bild laufen. Das heißt: Speicher-, Aufbewahrungs- und Zugriffsrichtlinien für dieses Material müssen vor dem Einsatz feststehen und dürfen nicht erst nachträglich geklärt werden, wenn die Kameras schon live sind. Retailer, die diese Reihenfolge falsch angehen, stoßen meist auf vermeidbare Reibungen mit Mitarbeitern, Kunden oder beiden.
Kostenüberlegungen jenseits der Kameras selbst
Die Kamera-Hardware ist in einem Regalüberwachungs-Rollout meist nicht der größte Kostenblock, wenn man das Gesamtbild berücksichtigt: stabile Netzwerkanbindung, um Bilddaten zuverlässig von Hunderten fest installierter Kameras abzuleiten, Rechenleistung für das Ausführen der Erkennungsmodelle in der erforderlichen Frequenz und der laufende Aufwand, Planogrammdaten über jedes überwachte Regal hinweg aktuell zu halten, während sich das Merchandising verändert. Retailer, die das zum ersten Mal planen, kalkulieren manchmal nur mit der Hardware und unterschätzen die beiden anderen Punkte — genau deshalb ist ein enger gefasster Pilot mit weniger Kameras und einer kleineren Zahl überwachter Kategorien sinnvoll, nicht nur um zu beweisen, dass das Erkennungsmodell funktioniert. Er gibt auch einen realistischen Eindruck davon, wie die laufenden Betriebskosten aussehen, bevor man sich auf einen Rollout im ganzen Store festlegt.
Ausgangspunkt
Wenn Lagerlücken ein bekanntes Problem sind, das Ausmaß aber nie tatsächlich gemessen wurde — was häufig vorkommt, denn genau das Problem ist schwer sichtbar ohne Instrumentierung — ist ein kurzer Messpilot an einigen Standorten meist sinnvoller als der direkte Sprung in einen vollständigen Einführungsplan. Er zeigt, wie oft Lagerlücken tatsächlich auftreten, in welchen Kategorien und ob sich der Erkennungs-zu-Nachbestellungs-Loop realistisch schnell genug schließen lässt, um relevant zu sein. Melden Sie sich bei uns, wenn Sie besprechen möchten, wie ein begrenzter Pilot für Ihre Filialstruktur aussehen könnte.
Verwandt