Lagerbestand reduzieren mit AI und MCP-Anbindung an den Magento-Shop

Zu viel Ware im Lager bindet Kapital. Gleichzeitig darf eine Bestandsreduzierung nicht dazu führen, dass wichtige Produkte ständig ausverkauft sind. Für Einkauf und Logistik besteht die eigentliche Aufgabe deshalb darin, Überbestände gezielt zu erkennen und diejenigen Bestände zu reduzieren, die für die Lieferfähigkeit nicht benötigt werden.

Ein Magento-Shop enthält bereits einen Teil der dafür relevanten Informationen. Dazu gehören Produkte, Bestellungen, Verkaufsverläufe und Bestandsdaten. Magento Open Source und Adobe Commerce stellen dafür REST-APIs und eigene Inventory-Management-Schnittstellen bereit.

Über einen MCP-Server können solche Daten für AI-Anwendungen zugänglich gemacht werden. MCP erlaubt es einem Server, definierte Tools bereitzustellen, über die ein Sprachmodell APIs abfragen, Datenbanken nutzen oder Berechnungen anstoßen kann.

Damit entsteht ein interessanter Anwendungsfall für Magento-Betreiber:

Ein Mitarbeiter fragt nicht mehr nur nach Lagerbeständen, sondern beispielsweise danach, welche Artikel aktuell besonders viel Kapital binden und sich gleichzeitig nur noch selten verkaufen.

Inhaltsverzeichnis

Warum entsteht überhaupt zu hoher Lagerbestand?

Überbestände haben selten nur eine Ursache.

Ein Einkauf kann sich beispielsweise an historischen Erfahrungswerten orientieren, obwohl sich die Nachfrage inzwischen verändert hat. Saisonartikel verkaufen sich langsamer als erwartet. Sicherheitsbestände wurden vor Jahren festgelegt und danach nicht mehr überprüft. Ein Großkunde hat einmal ungewöhnlich viel bestellt und dadurch die Absatzhistorie verzerrt.

Typische Ursachen sind:

sinkende Nachfrage
zu hohe Bestellmengen
Mindestabnahmemengen beim Lieferanten
lange Beschaffungszyklen
falsch dimensionierte Sicherheitsbestände
saisonale Nachfrage
einmalige Großbestellungen
schlechte Absatzprognosen
fehlende Abstimmung zwischen Einkauf, Shop und Warenwirtschaft
ausgelaufene oder wenig attraktive Produkte

Die reine Information „500 Stück auf Lager“ sagt deshalb wenig aus.

Erst zusammen mit Verkaufsentwicklung, Einkaufspreis, Lieferzeit und Produkttyp lässt sich beurteilen, ob 500 Stück zu viel, zu wenig oder genau richtig sind.

Welche Magento-Daten helfen beim Reduzieren von Lagerbeständen?

Für eine erste Analyse sind insbesondere historische Verkaufsdaten und aktuelle Bestände wichtig.

Magento kann über seine Web-APIs Produkt-, Bestell- und Bestandsinformationen bereitstellen. Inventory Management unterstützt zusätzlich Bestände über Sources und Stocks sowie die Ermittlung verkaufbarer Mengen.

Für eine Lageranalyse sind unter anderem folgende Daten interessant:

Daten	Mögliche Verwendung
SKU (Artikelnummer)	eindeutige Zuordnung
aktueller Bestand	Ausgangspunkt der Bestandsanalyse
verkaufte Stückzahl	tatsächliche Nachfrage
Verkaufsdatum	zeitliche Entwicklung
Anzahl Bestellungen	Verkaufshäufigkeit
Menge je Bestellung	Nachfrageprofil
letzter Verkauf	Slow Mover erkennen
Umsatz	wirtschaftliche Bedeutung
Retouren	Nettoabsatz besser einschätzen
Stornierungen	ungewöhnliche Nachfrage erkennen
Store oder Verkaufskanal	Unterschiede zwischen Absatzkanälen

Dabei muss die AI nicht zwingend jede einzelne Bestellung erhalten. Für viele Analysen reicht beispielsweise eine Aggregation je SKU und Woche.

Das reduziert Datenmenge und erleichtert eine strukturierte Auswertung.

Wie lässt sich erkennen, ob ein Produkt zu viel Bestand hat?

Eine einzelne Kennzahl reicht dafür selten aus. Hilfreicher ist die Kombination mehrerer Werte.

Ein Produkt kann beispielsweise folgende Merkmale besitzen:

hoher aktueller Bestand
geringe Verkaufsmenge
sinkender Absatz
hoher Einkaufspreis
lange Zeit seit dem letzten Verkauf

Je mehr dieser Faktoren gleichzeitig auftreten, desto interessanter wird der Artikel für eine genauere Prüfung.

Eine mögliche AI-Abfrage könnte deshalb lauten:

Welche Produkte besitzen mehr als 5.000 Euro Lagerwert und wurden innerhalb der vergangenen 180 Tage weniger als zehnmal verkauft?

Dafür müssen mindestens drei Datenbereiche zusammengeführt werden:

Bestand + Einkaufspreis + Verkaufsdaten

Der Einkauf erhält so keine vollständige Liste aller Produkte, sondern eine priorisierte Auswahl möglicher Überbestände.

Was sagt die Lagerreichweite aus?

Eine besonders verständliche Kennzahl ist die Lagerreichweite.

Sie beantwortet vereinfacht:

Wie lange reicht der aktuelle Bestand, wenn sich das Produkt weiterhin ungefähr so verkauft wie bisher?

Eine einfache Berechnung lautet:

Lagerbestand / durchschnittliche Verkaufsmenge pro Tag

Beispiel:

Ein Produkt hat 600 Stück Bestand.

Innerhalb der vergangenen 90 Tage wurden durchschnittlich drei Stück pro Tag verkauft.

Die rechnerische Lagerreichweite beträgt:

600 / 3 = 200 Tage

Das bedeutet nicht automatisch, dass 600 Stück zu viel sind.

Wenn ein Lieferant nur zweimal im Jahr liefert, kann dieser Bestand sinnvoll sein. Bei einer Lieferzeit von wenigen Tagen könnte dagegen ein Überbestand vorliegen.

Genau deshalb eignet sich die Lagerreichweite besonders gut als Filter für weitere Entscheidungen, aber weniger als alleinige Entscheidungsregel.

Eine mögliche AI-Frage wäre:

Welche Produkte haben aktuell mehr als 180 Tage Lagerreichweite?

Noch hilfreicher:

Welche Produkte haben mehr als 180 Tage Lagerreichweite und einen Lagerwert über 2.000 Euro?

Wie lassen sich Slow Mover erkennen?

Slow Mover sind Artikel mit geringer Warenbewegung.

Für ihre Identifikation können verschiedene Kriterien genutzt werden:

geringe Verkaufsmenge
wenige Bestellungen
lange Zeit seit dem letzten Verkauf
hohe Lagerreichweite
sinkende Absatzentwicklung

Eine mögliche Abfrage lautet:

Welche Produkte wurden innerhalb der vergangenen sechs Monate weniger als fünfmal verkauft und liegen noch mit mindestens 50 Stück auf Lager?

Damit lassen sich Kandidaten identifizieren, die genauer betrachtet werden sollten.

Wichtig ist die anschließende fachliche Prüfung.

Ein Ersatzteil kann nur zweimal pro Jahr verkauft werden und trotzdem wichtig sein. Gleiches gilt für strategische Produkte, Serviceartikel oder Waren mit ungewöhnlich langen Lieferzeiten.

AI sollte solche Artikel deshalb nicht automatisch als unnötigen Bestand einstufen.

Was ist Dead Stock?

Dead Stock bezeichnet Bestände, für die praktisch keine relevante Nachfrage mehr besteht.

Ein möglicher Kandidat wäre beispielsweise:

100 Stück auf Lager
letzter Verkauf vor 14 Monaten
keine aktuellen Verkäufe
keine geplanten Aktionen
kein strategischer Grund für die Bevorratung

Gerade bei großen Sortimenten können solche Artikel über Jahre unbemerkt Kapital binden.

Eine AI-Analyse könnte beispielsweise fragen:

Welche Produkte befinden sich noch im Lager, wurden aber seit zwölf Monaten nicht mehr verkauft?

Zusammen mit dem Einkaufspreis wird daraus eine Kapitalbindungsanalyse:

Welchen Lagerwert besitzen Produkte ohne Verkauf innerhalb der vergangenen zwölf Monate insgesamt?

Damit wird aus einer operativen Produktliste eine Management-Kennzahl.

Welche Rolle spielt der Lagerumschlag?

Der Lagerumschlag zeigt, wie häufig der durchschnittliche Bestand innerhalb eines Zeitraums umgesetzt wird.

Oracle beschreibt z.B. Inventory Turnover als Verhältnis zwischen Wareneinsatz und durchschnittlichem Lagerbestand beziehungsweise Lagerwert. Diese Kennzahl hilft dabei, Bestände mit ihrer tatsächlichen wirtschaftlichen Nutzung zu vergleichen. (Oracle Dokumentation)

Ein niedriger Lagerumschlag kann auf hohe Kapitalbindung hindeuten. Er kann aber auch vollkommen normal sein.

Typische Beispiele sind:

Maschinenersatzteile
sehr hochwertige Spezialprodukte
saisonale Ware
sicherheitskritische Komponenten

Für AI-Auswertungen sollte der Lagerumschlag deshalb mit Produktgruppen oder anderen Eigenschaften kombiniert werden.

Beispielsweise:

Welche Produkte innerhalb der Produktgruppe Zubehör haben den niedrigsten Lagerumschlag?

Das ergibt deutlich sinnvollere Vergleiche als eine Rangliste über das gesamte Sortiment.

Wie kann eine ABC-Analyse helfen?

Die ABC-Analyse priorisiert Produkte anhand ihrer wirtschaftlichen Bedeutung.

Microsoft Business Central verwendet beispielsweise Verkaufswerte, um Artikel in A-, B- und C-Kategorien einzuordnen. Die Analyse soll unter anderem Einkauf und Bestandssteuerung unterstützen. (Microsoft Learn)

Vereinfacht könnten A-Artikel diejenigen Produkte sein, die einen besonders großen Anteil am Umsatz ausmachen.

Für die Lagerreduzierung entstehen daraus interessante Kombinationen.

Beispielsweise:

Welche C-Artikel besitzen gleichzeitig mehr als zwölf Monate Lagerreichweite?

Oder:

Welche Artikel binden viel Kapital, tragen aber nur sehr wenig zum Umsatz bei?

Die ABC-Analyse kann auch nach anderen Kriterien erfolgen, beispielsweise nach Deckungsbeitrag oder Verbrauchswert. Welche Variante sinnvoll ist, hängt vom Geschäftsmodell ab.

Warum reicht der Blick auf den Jahresabsatz nicht aus?

Ein Produkt mit 1.200 Verkäufen pro Jahr kann sehr unterschiedliche Nachfrageverläufe haben.

Produkt A:

jeden Monat ungefähr 100 Stück

Produkt B:

Dezember 900 Stück
restliche elf Monate zusammen 300 Stück

Der Gesamtabsatz ist identisch.

Die Lagerplanung darf trotzdem nicht identisch aussehen.

Für eine sinnvolle Analyse sollte deshalb mit Zeitreihen gearbeitet werden.

Geeignete Intervalle sind beispielsweise:

täglich
wöchentlich
monatlich

Damit lassen sich saisonale Muster und Nachfrageänderungen erkennen.

Eine AI könnte beispielsweise fragen:

Welche Produkte verkaufen sich in den vergangenen acht Wochen deutlich schlechter als im Durchschnitt der vorherigen zwölf Monate?

Das kann auf einen entstehenden Überbestand hinweisen, noch bevor ein Produkt zum klassischen Slow Mover wird.

Welche Rolle spielen Lieferzeiten?

Bestände lassen sich nicht sinnvoll allein anhand des Absatzes reduzieren.

Die Wiederbeschaffungszeit ist ebenfalls wichtig.

Oracle beschreibt Reorder-Point-Verfahren so, dass vorhandene Menge, geplante Zugänge, Sicherheitsbestand und erwartete Nachfrage während der Wiederbeschaffungszeit gemeinsam betrachtet werden. (Oracle Dokumentation)

Beispiel:

Produkt A:

100 Stück pro Monat Absatz
500 Stück Bestand
Lieferzeit zwei Tage

Produkt B:

ebenfalls 100 Stück pro Monat Absatz
500 Stück Bestand
Lieferzeit fünf Monate

Obwohl beide Artikel die gleiche Lagerreichweite besitzen, muss ihr Bestand unterschiedlich bewertet werden.

Damit wird deutlich, weshalb eine reine Magento-Auswertung irgendwann an Grenzen stößt.

Lieferzeiten, offene Einkaufsbestellungen oder Einkaufspreise befinden sich häufig im ERP oder in der Warenwirtschaft.

Welche Daten liegen häufig außerhalb von Magento?

Für eine tiefergehende Bestandsoptimierung können weitere Datenquellen notwendig sein.

Information	Typische Quelle
Verkäufe	Magento
Bestellungen	Magento
aktueller Bestand	Magento / ERP
verkaufbare Menge	Magento
Einkaufspreis	ERP / Warenwirtschaft
Lieferant	ERP / PIM
Lieferzeit	ERP / Einkauf
offene Einkaufsbestellung	ERP
bestätigter Wareneingang	ERP / Lieferant
Mindestbestellmenge	Einkauf / ERP
Lagerkosten	ERP / Controlling
Prognose	Planungssystem

Erst die Kombination dieser Informationen ermöglicht anspruchsvollere Fragen.

Beispielsweise:

Welche Produkte haben mehr als sechs Monate Lagerreichweite, obwohl der Lieferant innerhalb von fünf Werktagen liefern kann?

Das ist eine wesentlich konkretere Entscheidungshilfe als die alleinige Anzeige eines Lagerbestands.

Wie kommt MCP ins Spiel?

MCP bietet eine standardisierte Möglichkeit, AI-Anwendungen mit externen Datenquellen und Tools zu verbinden. Ein MCP-Server kann beispielsweise Tools definieren, die Magento-APIs, ERP-Schnittstellen oder Berechnungsfunktionen aufrufen. (Model Context Protocol)

Ein vereinfachter Aufbau könnte so aussehen:

Mitarbeiter → AI-Anwendung → MCP-Server → Magento REST API

Bei zusätzlichen Datenquellen:

Mitarbeiter → AI-Anwendung → MCP-Server → Magento + ERP + weitere Systeme

Der entscheidende Punkt ist dabei nicht, möglichst viele Rohdaten an ein Sprachmodell zu senden.

Sinnvoller sind klar definierte Tools. Diese Tools können Magento Erweiterungen sein, die bereits individuelle Auswertungen durchführen bevor diese an den MCP Server übergeben werden.

Ein Tool könnte beispielsweise lauten:

find_excess_inventory

Es erhält Parameter (Zugriff auf Magento Attribute) wie:

Mindestlagerwert (problematisch, weil nicht in Magento)
Mindestlagerreichweite
Betrachtungszeitraum
Produktgruppe

Das Tool führt anschließend die notwendigen Abfragen und Berechnungen aus. Dazu zählt die Abfrage der Werte innerhalb von Magento und womöglich auch schlichte mathematische Berechnungen.

Die AI bekommt über MCP nur das Ergebnis. Sobald es sich hier jedoch nicht um Standardwerte von Magento handelt, ist wie beschrieben individuelle Programmierung nötig. Aktuell kann unsere Magento Erweiterung dies ausdrücklich noch nicht, aber wir freuen uns auf Unternehmen, die es einsetzen möchten und uns somit Rückmeldungen geben können.

Bei Interesse an solch einer Lösung sprechen Sie uns gerne an.

Welche Fragen könnte der Einkauf direkt stellen?

Ein praktischer Nutzen für AI und MCP entsteht insbesondere bei Fragen, die heute mehrere Reports erfordern.

Beispiele:

Welche Produkte binden aktuell am meisten Lagerkapital?

Welche Artikel besitzen mehr als sechs Monate Lagerreichweite?

Welche Produkte wurden seit mindestens 180 Tagen nicht verkauft?

Welche Artikel verkaufen sich aktuell deutlich langsamer als im Vorjahr?

Welche Produktgruppen verursachen den größten Überbestand?

Welche Artikel haben hohen Bestand und gleichzeitig kurze Lieferzeiten?

Welche Produkte haben bereits eine hohe Lagerreichweite und zusätzlich offene Einkaufsbestellungen?

Die letzte Frage zeigt besonders gut, warum eine Verbindung mit ERP-Daten sinnvoll sein kann.

Ein Produkt kann bereits zu viel Bestand haben und trotzdem befinden sich weitere 500 Stück auf dem Weg ins Lager.

Wie könnte ein konkreter Anwendungsfall aussehen?

Ein Magento-Shop besitzt 8.000 aktive Produkte.

Der Einkauf möchte nicht jeden Artikel einzeln prüfen.

Die Frage lautet:

Welche Produkte binden mehr als 5.000 Euro Lagerkapital und reichen beim aktuellen Absatz länger als neun Monate?

Dafür werden benötigt:

aktueller Bestand
Einkaufspreis
Verkäufe der vergangenen Monate

Anschließend werden unter anderem berechnet:

Lagerwert

Bestand × Einkaufspreis

und

Lagerreichweite

Bestand / durchschnittlicher Absatz

Ein mögliches Ergebnis:

SKU	Lagerwert	Verkäufe letzte 90 Tage	Reichweite
A123	8.400 €	4	620 Tage
B882	6.100 €	7	310 Tage
C510	5.700 €	0	keine sinnvolle Berechnung

Der letzte Fall ist wichtig.

Wenn ein Produkt überhaupt nicht verkauft wurde, sollte nicht künstlich eine extrem hohe Lagerreichweite berechnet werden. Das Produkt gehört stattdessen in eine eigene Kategorie wie „kein Absatz im Betrachtungszeitraum“.

So bleiben Ergebnisse nachvollziehbar.

Kann AI direkt Empfehlungen zur Bestellmenge geben?

Technisch lassen sich auch Bestellvorschläge erzeugen.

Dafür werden aber deutlich mehr Informationen benötigt:

aktueller Bestand
Nachfrageentwicklung
Lieferzeit
offene Bestellungen
Sicherheitsbestand
Mindestbestellmenge
erwartete Aktionen
saisonale Effekte

Eine AI könnte daraus beispielsweise eine Empfehlung formulieren:

Die aktuelle Bestellung für Produkt A sollte geprüft werden. Der vorhandene Bestand reicht bei der Absatzentwicklung der letzten zwölf Wochen ungefähr sieben Monate, zusätzlich sind 300 Stück bestellt.

Die Entscheidung sollte zunächst beim Einkauf bleiben.

Für einen Einstieg bietet sich deshalb ein read-only Ansatz mit Analysen und Vorschlägen an.

Welche Daten sollten zuerst angebunden werden?

Für einen ersten Proof of Concept sollte auf keinen Fall die vollständige Unternehmens-IT integriert werden. Hier eine mögliche Roadmap mit Ausbaustufen.

Erste Stufe

Magento-Daten:

SKU
Produkt
aktueller Bestand
verkaufte Menge
Verkaufszeitpunkt
letzter Verkauf

Damit werden bereits möglich:

Lagerreichweite
Slow-Mover-Erkennung
Dead-Stock-Kandidaten
Verkaufstrends
Fast-Mover-Erkennung

Zweite Stufe

Zusätzliche ERP- oder Warenwirtschaftsdaten:

Einkaufspreis
Lieferzeit
offene Bestellung
Lieferant

Damit kommen hinzu:

Kapitalbindungsanalyse
Beschaffungsrisiken
bessere Überbestandsbewertung
Bestellvorschläge
Meldebestand

Dritte Stufe

Weitere Daten:

Mindestabnahmemengen
Lagerkosten
Marketingplanung
Forecasts
Lieferantenperformance

Damit kann die Entscheidungsunterstützung nochmals differenzierter werden.

Wie sollte der Zugriff abgesichert werden?

Ein Lageranalyse-System benötigt für den Einstieg in der Regel keine Schreibrechte.

Ein MCP-Tool kann so gestaltet werden, dass es ausschließlich freigegebene Informationen liest und Berechnungen ausführt.

Sinnvolle Grundsätze sind:

zunächst read-only
klar begrenzte Tools
nur notwendige Datenfelder
beschränkte API-Rechte
Protokollierung der Zugriffe
getrennte Behandlung sensibler Daten
keine beliebigen Datenbankabfragen
klare Eingabeparameter

MCP-Tools verfügen über definierte Eingabeschemata und können ihre Eigenschaften gegenüber dem Client beschreiben. Die aktuelle MCP-Entwicklung beschäftigt sich außerdem ausdrücklich mit Sicherheits- und Risikoeigenschaften von Tools.

Für welche Magento-Shops ist der Ansatz interessant?

Besonders interessant wird eine AI-gestützte Lageranalyse bei:

vielen hundert oder tausend SKUs
hohen Lagerwerten
umfangreichen B2B-Sortimenten
saisonalen Produkten
mehreren Lagern
schwankender Nachfrage
langen Lieferzeiten
Magento in Verbindung mit einem ERP
vielen manuellen Excel-Auswertungen im Einkauf

Bei einem Shop mit 30 überschaubaren Produkten ist der zusätzliche technische Aufwand möglicherweise schwerer zu rechtfertigen. Das Problem sollte deshalb immer zuerst betrachtet werden.

Welche Fragen sollten vor einem Projekt geklärt werden?

Vor der technischen Umsetzung sollte feststehen, welche Entscheidungen verbessert werden sollen.

Hilfreiche Fragen sind:

Wo entsteht aktuell zu viel Lagerbestand?
Welche Auswertungen erstellt der Einkauf heute manuell?
Welche Entscheidungen dauern besonders lange?
Welche Daten liegen in Magento?
Welche Informationen befinden sich im ERP?
Wie weit reicht die Verkaufshistorie zurück?
Gibt es saisonale Produkte?
Welche Lieferzeiten sind bekannt?
Welche KPIs werden bereits verwendet?
Welche Benutzer dürfen welche Daten sehen?

Erst danach lässt sich sinnvoll entscheiden, welche MCP-Tools benötigt werden.

Sprechen Sie uns gerne an um zu prüfen ob/welche Daten unser MCP Server bereits abfragen kann.

Fazit

Lagerbestand lässt sich nicht sinnvoll reduzieren, indem pauschal weniger Ware bestellt wird.

Entscheidend ist die Frage, welche Produkte tatsächlich mehr Bestand besitzen, als aufgrund von Nachfrage, Lieferzeit und wirtschaftlicher Bedeutung notwendig erscheint.

Magento enthält bereits wichtige Grundlagen dafür. Verkaufszahlen, Verkaufshäufigkeit, Bestellhistorie und Bestandsinformationen ermöglichen erste Analysen zu Lagerreichweite, Slow Movern und Absatzentwicklungen. Über ERP- oder Warenwirtschaftsdaten können Einkaufspreise, Lieferzeiten und offene Bestellungen ergänzt werden.

MCP bietet dafür eine interessante technische Verbindungsschicht. Definierte Tools können Magento und weitere Systeme abfragen und einem AI-Assistenten genau die Informationen zur Verfügung stellen, die für eine konkrete Einkaufsfrage benötigt werden.

Der praktische Nutzen entsteht beispielsweise bei Fragen wie:

Welche Produkte binden aktuell unnötig viel Kapital?

Welche Lagerbestände passen nicht mehr zur tatsächlichen Nachfrage?

Welche Bestellungen sollte der Einkauf aufgrund der vorhandenen Reichweite überprüfen?

Gerade bei großen Magento-Sortimenten kann daraus eine neue Form der Bestandsanalyse entstehen, bei der Entscheider nicht mehr zahlreiche Reports durchsuchen müssen, sondern konkrete Fragen an ihre vorhandenen Unternehmensdaten stellen.

Sie möchten weitere Informationen zur Nutzung von Magento Daten und MCP/AI Anbindung?

Sprechen Sie uns gerne für ein unverbindliches und natürlich kostenlose Gespräch an. Gerne tauschen wir uns über mögliche Ideen/Gedanken aus.

Aktuell sind wir dabei unsere MCP Server sowie eine dazu passende Rest-API Erweiterung für Magento umzusetzen. Diese hat das Ziel als mächtiges Werkzeug zu dienen um an die relevanten Magento Produkt- und Verkaufsdaten zu kommen.

Weitere Informationen finden Sie auch hier

Informationen zu KonVis Local AI Connector zur Abfrage von Magento Daten per MCP

generelle Informationen zu Magento Daten mit KI per MCP Server abfragen

Informationen zu Magento Attribute per MCP nutzen

Informationen zu Produktdatenqualität in Magento mit AI verbessern

Informationen zu Programmierung individueller Magento Erweiterungen (Funktionen)

Informationen zu Magento Schnittstellen Programmierung

Informationen zu Magento Betreuung und Verbesserungen

Informationen zu Magento Programmierung generell