In Distributionslagern kommen bei der Kommissionierung von Kleinteilen oft automatische Kleinteilelager (AKL) zum Einsatz. Geringe Mengen der auf Paletten angelieferten Artikel werden in Behälter umgepackt und in das AKL eingelagert, um diese Artikel später schnell für die Kommissionierung bereitzustellen. Die übrigen Mengen werden in ein Palettenlager (Nachschublager) gebracht. Unterschreitet der Bestand im AKL einen festgelegten Wert, wird Nachschub angefordert. Thema der vorliegenden Arbeit ist die Optimierung der Nachschubsteuerung für ein solches AKL. Insbesondere wird überprüft, ob dabei Methoden des maschinellen Lernens eingesetzt werden können. Nach einer kurzen theoretischen Einführung in die Lagerung und Kommissionierung wird auf die Grundlagen für den praktischen Teil eingegangen. Dazu werden das betrachtete Lager und die relevanten Prozesse beschrieben sowie die Beschaffung und Aufbereitung der Daten geschildert. Danach wird die aktuelle Vorgehensweise bei der Nachschubsteuerung im betrachteten AKL vorgestellt und einer kritischen Prüfung unterzogen. Dabei zeigt sich, dass die über die statistische Verteilung der Bedarfsmengen getroffene Annahme nicht gültig ist. Daher wird abschließend versucht, mithilfe von maschinellem Lernen eine gute Bedarfsprognose zu erzielen. Zusätzlich werden für diese Schritte jeweils zunächst die theoretischen Grundlagen erläutert.