Portfolio-Optimierung
Wie Sie durch datengestütztes Product Mining sofort Marge und EBIT steigern

In produzierenden Industrieunternehmen mit technisch komplexen Produkten schlummert ein ungenutzter Renditehebel: das historisch gewachsene Produktportfolio. Während strategische Neuausrichtungen oft Jahre dauern, bietet die Portfolio-Optimierung unmittelbare „Wirksamkeit heute“.

Stehen auch Sie vor der Herausforderung, dass ungebremste Variantenvielfalt und unprofitable Sonderlösungen wertvolle Ressourcen binden, das Working Capital belasten und die operativen Margen schmälern?

Dieser Guide zeigt wie Sie durch datengestütztes Product Mining (Enterprise Decision Twin) bis zu 30 % Ballastprodukte gezielt eliminieren und damit eine sofortige EBIT- und Margensteigerung realisieren – ohne das Kerngeschäft zu gefährden.

Die Differenzierung zwischen werthaltiger und wertvernichtender Komplexität

Nicht jede Form von Variantenvielfalt ist per se schädlich. Die strategische Herausforderung im Produktmanagement besteht vielmehr darin, durch datengetriebene Analysen präzise zwischen werthaltiger („guter“) und wertvernichtender („schlechter“) Komplexität zu differenzieren

Werthaltige Komplexität generiert auf Kundenseite einen signifikanten Mehrwert, der sich in einer messbaren Preisbereitschaft niederschlägt. In Kombination mit einer intelligenten Modularisierungsstrategie und definierten Baukastensystemen ermöglicht diese Form der Vielfalt es den Herstellern, Risiken zu streuen, unterschiedliche Marktsegmente maßgeschneidert zu bedienen und gleichzeitig Skaleneffekte auf der Ebene standardisierter Basiskomponenten zu nutzen

Wertvernichtende Komplexität hingegen entsteht durch Produktvarianten, die keinen wahrnehmbaren Mehrwert für den Endkunden bieten, jedoch die internen Wertschöpfungsprozesse massiv aufblähen. Dies manifestiert sich häufig in historisch gewachsenen Sonderlösungen, die aus Bequemlichkeit als Standard in den Katalog übernommen wurden. Diese Form der Komplexität führt zu überproportional steigenden Lagerhaltungs- und Handlingskosten, erhöht die Rüstzeiten in der Fertigung signifikant und verlangt komplexere, fehleranfälligere Configure-to-Order-Prozesse in der Montage. Zudem bindet sie wertvolle Ressourcen in der Entwicklung (durch die Pflege von Altprodukten über den gesamten Lebenszyklus) und im strategischen Einkauf (durch die Verwaltung von zusätzlichen Lieferanten für Low-Volume-Teile).

Die methodischen Grenzen traditioneller Bereinigungsansätze

Wenn B2B-Unternehmen den finanziellen Leidensdruck der Komplexität spüren, reagieren sie oft mit konventionellen Sortimentsbereinigungsprojekten. Diese stützen sich typischerweise auf relative Marktanteilsdaten, historische Bestellvolumina, den Umsatzbeitrag oder stark vereinfachte Analysemodelle wie die Boston Consulting Group (BCG) Matrix, um Produkte in „Stars“, „Cash Cows“, „Question Marks“ und „Poor Dogs“ zu kategorisieren. Der primäre Fokus liegt hierbei auf der Identifikation und Eliminierung der Produkte mit den geringsten Verkaufszahlen (dem sogenannten Longtail).

Dieser eindimensionale Ansatz scheitert jedoch in der industriellen Praxis regelmäßig an der Realität hochkomplexer Fertigungsstrukturen. Wenn lediglich die am schlechtesten verkauften Endprodukte aus dem Katalog gestrichen werden, sinkt zwar auf dem Papier die sichtbare Anzahl der SKUs, die interne Prozess- und Fertigungskomplexität bleibt jedoch oft nahezu unverändert.

Der mehrstufige Ausführungsprozess: Von der Analyse zur Governance

Die prozessuale Implementierung einer datengestützten Sortimentsbereinigung erfordert eine strikte methodische Vorgehensweise. Basierend auf unserer Best Practices lässt sich ein standardisierter, vierstufiger Rahmenprozess definieren, der die Komplexität nachhaltig reduziert.

Phase 1: Datenkonsolidierung und „Single Source of Truth“

Die erste Phase besteht darin, die heterogenen Datenquellen (ERP, PLM und CRM) über leistungsfähige APIs oder spezialisierte Middleware-Plattformen zu integrieren und zu bereinigen. Das primäre Ziel ist die Erschaffung eines „Decision Twin“ des gesamten Produktportfolios, der absolute Transparenz über alle Verwendungsnachweise, Margen und Abhängigkeiten bietet.

Phase 2: Bewertung der strategischen Potenziale durch Scoring-Modelle

Auf Basis der validierten, konsolidierten Daten erfolgt die strukturierte, objektive Bewertung jeder einzelnen SKU. Wir empfehlen die Etablierung eines punktbasierten Scoring-Modells, das komplexe Formeln durch eine gewichtete Evaluierung ersetzt. Ein solches Modell bewertet die SKUs typischerweise nach folgenden Kriterien:

• Gross Margin / Bruttomarge
• Sales Velocity / Absatzgeschwindigkeit
• Strategic Importance / Strategische Relevanz
• Inventory Turnover / Lagerumschlagshäufigkeit

Phase 3: Die „Keep, Kill, Optimize“-Entscheidungsmatrix

Nach der quantitativen und qualitativen Analyse werden die Produkte, Varianten und Bauteile harten, unwiderruflichen Entscheidungen unterworfen, die sich in drei Kernkategorien gliedern:

• Keep (Behalten): Hierunter fallen hochprofitable Produkte mit hoher strategischer Relevanz, geringer Supply-Chain-Risikoexposition und optimalem „Sweet Spot“ zwischen Herstellkosten und dem vom Kunden wahrgenommenen Wert.
• Kill (Auslisten/Phase-Out): Dies betrifft die sogenannten „Poor Dogs“, absolute Null-Dreher und versteckte Margenfresser, deren Deckungsbeitrag (nach Zuweisung der wahren Prozesskosten) negativ ist und die keine systemische Relevanz für den Verkauf anderer Produkte aufweisen. Ein essenzielles Management-Prinzip in dieser Phase ist die Umkehrung der Beweislast (Burden of Proof): Nicht die geplante Streichung eines Artikels muss verteidigt werden, sondern dessen Erhalt. Die Beweislast liegt bei derjenigen Abteilung (meist dem Vertrieb), die den Artikel behalten möchte.
• Optimize (Optimieren): Diese Kategorie umfasst Produkte, die ein nachgewiesenes Marktpotenzial besitzen, deren Herstellkosten jedoch zu hoch sind oder die zu viele exklusive, nicht-standardisierte Bauteile binden. Hier greift das Redesign (Value Engineering) oder die konsequente Modularisierung (Baukastenbildung), um die marktseitig geforderte Vielfalt mit einer internen, operativen Beherrschbarkeit zu verbinden.

Phase 4: Operative Umsetzung und Governance

Die tatsächliche Umsetzung scheitert in der industriellen Praxis alarmierend oft daran, dass beschlossene Streichlisten in isolierten Excel-Dokumenten verbleiben und nicht konsequent in den operativen Systemen gesperrt werden. Ein erfolgreicher, nachhaltiger Phase-Out-Prozess muss im ERP-System durch restriktive Verkaufssperren und tiefgreifende Stücklistenbereinigungen technologisch flankiert werden.

Damit der gefürchtete „Jo-Jo-Effekt“ ausbleibt, muss die Portfoliobereinigung organisatorisch in die Unternehmens-DNA übergehen. Durch ein kontinuierliches Monitoring mit vordefinierten KPI-Triggern (beispielsweise automatische Warnmeldungen, wenn die Nachfrage oder Marge einer SKU unter einen definierten Schwellenwert fällt) wird die Portfoliooptimierung von einem reaktiven, schmerzhaften Kraftakt zu einer datengesteuerten, präventiven Routine („Daily Habit“).

Mit diese Vorgehensweis können Sie bis zu 30 % Ballastprodukte gezielt eliminieren und damit eine sofortige EBIT- und Margensteigerung realisieren – ohne das Kerngeschäft zu gefährden.