Stammdaten und Bewegungsdaten: Fundament der Supply Chain
In der modernen Logistik bilden Stammdaten und Bewegungsdaten das digitale Fundament sämtlicher Lager-, Transport- und Supply-Chain-Prozesse. Während Stammdaten die Grundstruktur und die Objekte eines Unternehmens definieren, spiegeln Bewegungsdaten die dynamischen Vorgänge und Zustandsänderungen im Zeitverlauf wider.
Beide Datenarten stehen in einer permanenten Wechselbeziehung und bestimmen maßgeblich die Effizienz, Transparenz und Automatisierbarkeit aller logistischen Abläufe.
Definition und Abgrenzung: Das Statische und das Dynamische
Zur klaren Einordnung digitaler Informationen im Logistikbereich wird grundlegend zwischen statischen und dynamischen Daten unterschieden.
Stammdaten, im Englischen als Master Data bezeichnet, sind die Grunddaten eines Unternehmens, die sich durch eine hohe Statik und eine langfristige Gültigkeit auszeichnen. Sie beschreiben physische oder abstrakte Objekte völlig unabhängig von einzelnen Geschäftsvorgängen.
Demgegenüber stehen die Bewegungsdaten, auch Transaction Data genannt. Hierbei handelt es sich um ereignisbezogene, hochdynamische Daten, die im Rahmen von operativen Geschäftsprozessen fortlaufend neu entstehen. Sie dokumentieren konkrete Handlungen, Aktionen oder Zustandsänderungen und besitzen zwingend immer einen zeitlichen Bezug.
Neben diesen beiden Hauptkategorien existieren in der Logistik noch die Bestandsdaten. Diese bilden quasi das mathematische Schnittfeld, denn der aktuelle Bestand auf einem bestimmten Lagerplatz ist schlichtweg das Ergebnis aller bisherigen Bewegungsdaten in Form von Zu- und Abgängen, angewendet auf den jeweiligen Stammdatenartikel.
Grafik: Erstellt mit KI
Stammdaten als Referenz für ERP, WMS und TMS
Stammdaten stellen die unverzichtbaren Referenzpunkte dar, auf die sämtliche IT-Systeme wie Enterprise Resource Planning (ERP), Warehouse Management Systeme (WMS) oder Transport Management Systeme (TMS) zugreifen.
Im logistischen Umfeld umfassen sie vor allem Artikelstammdaten, die geometrische und physikalische Eigenschaften wie Länge, Breite, Höhe, Gewicht, Packmitteltyp oder Temperaturvorgaben definieren. Ebenso wichtig sind die Partnerstammdaten, die alle relevanten Informationen über Lieferanten, Kunden und Dienstleister inklusive Adressen und Zeitfensterpräferenzen bündeln.
Darüber hinaus erfordert die Logistik präzise Infrastruktur- und Lagerplatzstammdaten zur Abbildung der Regalplatzkoordinaten und Gewichtsgrenzen sowie Ressourcenstammdaten zu den technischen Merkmalen des Fuhrparks oder der Flurförderzeuge. Obwohl sich diese Daten selten verändern, erfordern sie eine äußerst sorgfältige und zentral gesteuerte Pflege durch ein konsequentes Master Data Management.
Bewegungsdaten als der Motor der Lieferkette
Während die Stammdaten die Rahmenbedingungen vorgeben, beschreiben die Bewegungsdaten den tatsächlichen physischen und informatorischen Fluss der Waren. Sie zeichnen sich durch eine extrem hohe Änderungshäufigkeit sowie ein massives Datenvolumen aus und sind vor allem kurzfristig operativ relevant.
Zu diesen Daten gehören sämtliche Lager- und Materialbewegungen wie Wareneingangsbuchungen, Pick-Vorgänge oder Umlagerungen. Ebenso fallen Auftrags- und Transportdaten darunter, beispielsweise Kundenbestellungen, Statusmeldungen im Track-and-Trace-Prozess oder kaufmännische Transaktionsdaten wie Lieferscheine und Rechnungen.
Jeder einzelne dieser Datensätze ist mit spezifischen Variablen wie einem exakten Zeitstempel, einer Mengenänderung und einer Prozess-ID versehen. Nach ihrer operativen Abwicklung verlieren Bewegungsdaten zwar ihre direkte Steuerungsfunktion, verbleiben aber für die Rechnungslegung, die Nachvollziehbarkeit und für weitreichende Analysen in den historischen Archiven des Unternehmens.
Das Zusammenspiel im Logistikalltag anhand eines Beispiels
Bewegungsdaten können niemals völlig isoliert existieren, da sie strukturell immer auf bestehende Stammdaten verweisen müssen. Dieser Umstand lässt sich sehr gut an einer gewöhnlichen Kundenbestellung verdeutlichen.
Bestellt ein Kunde in einem Onlineshop fünf Einheiten eines Produktes, entsteht in diesem Moment ein neuer Bewegungsdatensatz in Form eines Kundenauftrags samt Zeitstempel. Das System verknüpft diese Auftragsnummer sofort mit den statischen Partnerstammdaten, um die Lieferadresse abzurufen, sowie mit den Artikelstammdaten, um Abmessungen und Gewicht der Ware zu kennen.
Erst durch diese Verknüpfung ist das Warehouse Management System in der Lage, automatisch die optimale Kartongröße zu berechnen und das Transport Management System oder das Versandsystem kann den günstigsten Dienstleister für die Route ermitteln.
Scannt der Logistikmitarbeiter den Artikel schließlich beim Picken, erzeugt dieser Vorgang einen weiteren Bewegungsdatensatz, der den Bestandsdaten sofort entnimmt, dass nun fünf Einheiten weniger verfügbar sind. Ohne korrekte Stammdaten würden dem System die Parameter für all diese Berechnungen fehlen, und ohne Bewegungsdaten bliebe die Logistik reine Theorie, da keinerlei Aktionen ausgelöst würden.
Datenqualität von Stamm- und Bewegungsdaten als kritischer Erfolgsfaktor
In der modernen, zunehmend automatisierten Logistik gilt ausnahmslos das Prinzip: Garbage in, garbage out. Fehler in den Stammdaten wirken sich wie eine Kaskade auf sämtliche nachgelagerten Bewegungsdaten und physischen Prozesse aus.
Werden beispielsweise die Abmessungen eines Artikels fehlerhaft im System erfasst, weist das WMS im laufenden Betrieb systematisch zu kleine Lagerfächer oder falsche Versandkartons zu. In automatischen Kleinteilelagern führt dies unweigerlich zu Sensorstörungen, verklemmten Behältern oder kompletten Notabschaltungen der Anlage.
Auch fehlerhafte Gewichtsangaben haben dramatische Folgen, da sie zu falschen Zuladungsberechnungen bei Lastkraftwagen, überladenen Achsen oder fehlerhaften Frachtabrechnungen führen. Eine kontinuierliche Stammdatenpflege und strikte Qualitätskontrollen im Wareneingang sind daher keine optionale Verwaltungsaufgabe, sondern zwingende Voraussetzung für funktionierende Logistikketten.
Die Zukunft der Datenverarbeitung durch IoT und KI
Durch die fortschreitende Digitalisierung verändert sich derzeit massiv, wie Stamm- und Bewegungsdaten erfasst und genutzt werden. Mithilfe von Computervision und optischer Messtechnik lassen sich Stammdaten neuer Produkte im Wareneingang mittlerweile in Sekundenschnelle berührungslos digitalisieren. Das senkt die Fehleranfälligkeit drastisch.
Gleichzeitig verwandeln Internet-of-Things-Sensoren, RFID-Transponder und GPS-Tracker ehemals passive Frachtstücke in aktive Datensender. Bewegungsdaten entstehen dadurch nicht mehr nur punktuell an fest installierten Scannern, sondern fließen als kontinuierlicher Datenstrom, der beispielsweise die lückenlose Temperaturüberwachung einer Kühlkette in Echtzeit ermöglicht.
Moderne Systeme der künstlichen Intelligenz verknüpfen diese gigantischen Mengen historischer Bewegungsdaten mit externen Faktoren, um künftige Bedarfe präzise vorherzusagen. Ein solch präzises Zusammenspiel aus hochgradig gepflegten Stammdaten und in Echtzeit verarbeiteten Bewegungsdaten bildet die Grundlage für wirklich skalierbare und widerstandsfähige Logistiknetzwerke.
Automatisierung und Feedback-Schleifen: Wie Bewegungsdaten heute Stammdaten heilen
In modernen Logistikarchitekturen weicht die historisch strikte Trennung zwischen starren Stammdaten und vorübergehenden Bewegungsdaten zusehends auf. Der entscheidende Fortschritt liegt heute in geschlossenen Daten-Feedbackschleifen, bei denen operative Bewegungsdaten kontinuierlich zur automatischen Korrektur und Dynamisierung von Stammdaten genutzt werden. In der Praxis wird das als Self-Healing Master Data bezeichnet:
Statt darauf zu warten, dass Mitarbeiter fehlerhafte Stammdaten manuell anpassen, vergleichen KI-gestützte Vision-Systeme an Packtischen oder Kamera-Messstrecken im Wareneingang permanent die tatsächlichen Ist-Werte durchgeführter Transaktionen mit den hinterlegten Soll-Werten. Weicht das reale Gewicht oder das Verpackungsvolumen eines Artikels bei mehreren Pick-Vorgängen systematisch von den Stammdaten ab, korrigiert das System die Stammdaten im Hintergrund autonom oder leitet gezielt einen Prüfauftrag ein.
Gleichzeitig verwandeln sich früher statische Stammdateneigenschaften in dynamische Systemvariablen. Während eine ABC-Klassifizierung zur Lagerplatzzuordnung früher einmal im Jahr manuell berechnet wurde, werten Event-Driven Architectures heute die Frequenz der Bewegungsdaten in Echtzeit aus.
Verzeichnet ein Artikel einen plötzlichen Nachfrageanstieg, passt das System das Stammdatenattribut der Umschlagshäufigkeit fließend an und veranlasst automatisch eine Umlagerung in greifnähere Zonen, noch bevor Engpässe entstehen. Bewegungsdaten dienen also der Dokumentation und steuern heute als aktiver "Sensor" die kontinuierliche Optimierung der zugrundeliegenden Stammdatenstruktur.
