28.05.2026

Absatzprognose im Mittelstand: Methoden, Fehler und Excel-Grenzen

Eine Absatzprognose zu erstellen ist nicht schwer. Eine präzise Prognose für 3.000 Artikel mit Saisonalität, wechselnden Aktionen und unregelmäßigen Neulistungen zu erstellen, ist eine andere Frage. Wer das mit einer Vorjahres-Pivot-Tabelle versucht, hat eine Methode, die funktioniert, solange nichts Unerwartetes passiert. In der Praxis passiert ständig etwas Unerwartetes. Dieser Artikel zeigt fünf Methoden, ihre Voraussetzungen, die häufigsten Fehler und wann der Aufwand für eine strukturiertere Lösung gerechtfertigt ist.

Im Mittelstand dominiert Excel als Prognosewerkzeug, nicht weil es das beste Werkzeug wäre, sondern weil es verfügbar und vertraut ist. Laut PWC-Studie 2025 bleibt die manuelle, tabellengestützte Planung im Mittelstand weit verbreitet, während die BVL-Trendstudie 2025/26 Digitalisierung und Künstliche Intelligenz als die am stärksten wachsenden Themen der Branche ausweist. Das Bewusstsein ist da, der Schritt zur strukturierten Methode oft nicht. Die eigentliche Frage ist nicht das Werkzeug, sondern die Methode dahinter. Wer eine Absatzprognose erstellen will, die der Realität standhält, beginnt nicht mit Excel, sondern mit der Methode.

Absatzprognose erstellen: fünf Methoden und was jede davon voraussetzt

Es gibt nicht die eine richtige Methode für die Absatzprognose. Es gibt Methoden mit unterschiedlichen Anforderungen an Datenqualität, Rechenaufwand und Sortimentskomplexität. Wer die falsche Methode im falschen Kontext wählt, bekommt präzise berechnete, aber strukturell falsche Ergebnisse. Eine Absatzprognose (die Vorausschätzung der künftigen Nachfrage auf Artikelebene als Grundlage für Bestellplanung und Bestandssteuerung) basiert immer auf einer expliziten Methode, auch wenn diese Methode nur ein gleitender Durchschnitt im Pivot ist.

Vorjahreswert und gleitender Durchschnitt: einfach, schnell und manchmal genau richtig

Die zwei einfachsten Methoden brauchen keine Statistik. Die naive Prognose nimmt den letzten verfügbaren Wert oder den entsprechenden Vorjahreswert als Prognose. Der gleitende Durchschnitt mittelt die letzten drei oder sechs Monate. Beide sind direkt aus ERP-Daten ablesbar und ohne Schulungsaufwand einsetzbar. In Excel sind sie die häufigsten Prognosemethoden.

Beide reagieren strukturell nicht auf Veränderungen. Der gleitende Durchschnitt reagiert verzögert auf einen Trend, weil ältere Werte den neuen erst nach Monaten ablösen. Der Vorjahreswert ignoriert strukturelle Veränderungen vollständig. Ein Beispielszenario: Ein Artikel verkaufte sich von April bis Juni des Vorjahres stark, weil ein Mitbewerber ausgefallen war. Die Vorjahresprognose bildet diesen Peak unverändert für das Folgejahr ab, in dem der Mitbewerber wieder am Markt ist.

Trotzdem haben beide Methoden ihren Platz. Bei Neuartikeln ohne Historie sind sie die einzig praktikable Wahl, kombiniert mit Analogie- oder Vertriebsschätzung. Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose ordnet sie als legitime Einstiegsverfahren ein, deren Grenzen bei wachsender Sortimentskomplexität schnell erreicht sind.

Die Prüffrage: Wie viele Ihrer Vorjahresprognosen mussten Sie im letzten Jahr manuell korrigieren, weil ein Einmaleffekt unverändert übernommen wurde?

Exponentielle Glättung und Holt-Winters: wenn Saisonalität strukturell abgebildet werden muss

Die exponentielle Glättung (Exponential Smoothing oder ETS) ist die einfachste statistische Methode jenseits des Durchschnitts. Sie gewichtet jüngere Datenpunkte stärker als ältere, ein Glättungsfaktor steuert die Reaktionsgeschwindigkeit. Damit ist sie schneller als der gleitende Durchschnitt, bleibt aber eine reine Vergangenheitsmethode.

Für saisonale Artikel reicht das nicht. Holt-Winters erweitert die exponentielle Glättung um zwei Komponenten: einen Trend und einen Saisonalitätsindex. Der Saisonalitätsindex ist der Faktor, der den saisonalen Anteil von der regulären Nachfrage trennt. Er beantwortet die Frage: Was wäre der Absatz dieses Artikels ohne saisonalen Effekt? Erst diese Trennung erlaubt eine Prognose, die im Sommer und Winter unterschiedliche Werte liefert, ohne dass jemand zwei Tabellen pflegt.

Die Voraussetzungen sind höher. Holt-Winters braucht mindestens 24 Monate saubere Historie, damit zwei vollständige Saisonzyklen vorliegen. Strukturbrüche wie ein ERP-Wechsel verfälschen die Saisonschätzung. Aktionen und Wetter sind nicht abgebildet, sie müssen über sogenannte Kovariaten (externe Treiber wie Wetterdaten oder Promotionspläne) ergänzt werden.

Die Prüffrage: Haben Sie für Ihre saisonalen A-Artikel eine dokumentierte Saisonalkurve, oder passen Sie die Prognose jedes Jahr manuell an?

ML-basierte Methoden: wann sie einen echten Mehrwert liefern

Maschinelles Lernen (ML) ist in der Absatzprognose kein eigener Methodentyp, sondern eine Sammlung von Algorithmen, die Muster in Daten erkennen, ohne dass die Form der Muster vorab definiert wird. ML-Methoden erfassen nicht-lineare Zusammenhänge, verarbeiten mehrere Kovariaten gleichzeitig und decken über automatische Parametrisierung große Sortimente ab.

Echten Mehrwert liefern sie unter klaren Bedingungen: hohe Nachfragevariabilität, viele externe Treiber und ein Sortiment mit Tausenden Artikeln. Bei stabilen Artikeln mit kleinem Sortiment ist der Aufwand selten gerechtfertigt, weil eine gut konfigurierte exponentielle Glättung ähnliche Ergebnisse liefert.

Die Voraussetzungen sind anspruchsvoll: zwei bis drei Jahre bereinigte Absatzhistorie, eine Datenpipeline für externe Signale und ein laufender Betrieb für Modellpflege. Bei Sparse Data wie Neuartikeln sind ML-Methoden nicht besser als statistische Verfahren. McKinsey zeigt allerdings, dass auch bei dünner Datenlage ML einsetzbar ist, mit anderen Modellklassen und expliziter Berücksichtigung der Datenbegrenzung. Welche Datenvoraussetzungen für KI-Prognosen gelten, behandelt der Artikel zur KI-Datenbasis.

Die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung beschreibt die Datenvoraussetzungen als die Hürde, an der ML-Projekte im Mittelstand häufig scheitern.

Die Prüffrage: Verfügen Sie für die Artikel, deren Prognose Sie verbessern wollen, über zwei bis drei Jahre bereinigte Absatzdaten?

Warum Absatzprognosen im Mittelstand scheitern: vier strukturelle Fehlerquellen

Die meisten Prognosefehler im Mittelstand sind nicht zufällig. Sie folgen erkennbaren Mustern, die unabhängig vom Werkzeug entstehen, mit Excel aber nicht systematisch beherrschbar werden, sobald das Sortiment eine bestimmte Komplexität erreicht. Vier Fehlerquellen kommen besonders häufig vor.

Nicht bereinigte Basislinie: wenn Aktionen als Normalzustand gelten

Die Baseline (oder Basislinie) bezeichnet die reguläre Nachfrage eines Artikels ohne Aktionen, Saisonpeaks oder Sonderereignisse. Sie ist der wichtigste Bezugspunkt jeder Prognose. Wer die Baseline nicht sauber trennt, vermischt regelmäßige und außerordentliche Nachfrage in einem einzigen Datenstrom.

Die Folge zeigt sich erst bei der nächsten Prognose. Ein Artikel, der vor sechs Monaten im Aktionszeitraum das Doppelte verkauft hat, erscheint in unbereinigter Historie als Artikel mit einer Spitze, die irgendwann wiederkehrt. Die Prognose plant diese Spitze ein, obwohl keine Aktion läuft. Überbestand und Margenverlust sind die Folge.

In Excel ist diese Bereinigung kaum systematisch leistbar. Jede Promotion müsste mit Zeitraum und Effektgröße auf Artikelebene markiert sein. Bei Hunderten Artikeln und mehreren Aktionen pro Jahr wird das eine eigene Pflegeaufgabe. Wie sich Promotions strukturell in der Prognose abbilden lassen, behandelt der Artikel zu Promotions in der Absatzprognose.

Die Prüffrage: Sind Ihre Promotions in der Absatzhistorie als solche gekennzeichnet, oder erscheinen sie als normale Absatzspitzen?

Stockout-Verzerrung: wenn fehlende Nachfrage als keine Nachfrage gilt

Wenn ein Artikel über Tage nicht lieferbar ist, bucht das ERP in dieser Zeit keine Nachfrage. Im System erscheint die Phase als Nullnachfrage, obwohl der Bedarf vorhanden war. Dieses Muster heißt Stockout-Verzerrung und ist eine der hartnäckigsten Fehlerquellen jeder Absatzprognose, unabhängig vom Werkzeug.

Die Konsequenz ist ein systematischer Bias. Die nächste Prognose stützt sich auf eine Historie, die den tatsächlichen Bedarf unterschätzt, und empfiehlt erneut zu wenig. Der nächste Stockout ist programmiert.

In Excel ist die Stockout-Verzerrung nicht erkennbar, ohne dass jemand die Bestandshistorie manuell mit der Absatzhistorie abgleicht. Bei Hunderten Artikeln ist das nicht leistbar. Die Lösung liegt vor der Prognose: Stockout-Perioden müssen im ERP als solche markiert werden, damit sie nicht als Nullnachfrage in die Auswertung eingehen. Wie sich dieses Muster systemisch auf den Bestand auswirkt, behandelt der Artikel zu Fehlmengen und Überbestand im Lebensmittelgroßhandel.

Die Prüffrage: Werden Stockout-Perioden in Ihrer Absatzhistorie als solche gekennzeichnet, oder verschwinden sie als Nullnachfrage?

Saisonalität ohne Saisonindex: wenn der Durchschnitt für alle Jahreszeiten gilt

Der häufigste strukturelle Fehler in Excel-Prognosen ist die Behandlung saisonaler Artikel mit unsaisonalen Methoden. Ein gleitender Durchschnitt über zwölf Monate liefert für einen Sommerartikel im Juni einen zu niedrigen Wert, weil die Wintermonate die Spitze dämpfen. Im Januar ist der Wert zu hoch, weil die Sommermonate ihn anheben.

Das Ergebnis ist eine Prognose, die in der Hochsaison Out-of-Stocks und in der Nebensaison Überbestand erzeugt, im selben Sortiment, mit denselben Disponenten. Die Lösung ist die explizite Modellierung von Saisonalität, entweder über ein Verfahren wie Holt-Winters oder über die manuelle Berechnung eines Saisonalitätsindex pro Artikel. Letzteres ist in Excel mit etwas Aufwand machbar, lohnt sich aber nur für A-Artikel mit deutlich ausgeprägter Saisonalität. Wie sich daraus auch der Sicherheitsbestand differenziert berechnen lässt, behandelt der Artikel zur Sicherheitsbestandsberechnung.

Die Prüffrage: Verwendet Ihre Prognose für Saisonartikel denselben Basiswert das ganze Jahr, oder differenziert sie nach Saison?

Sparse Data: wenn Neuartikel und Auslaufprodukte die Methode überfordern

Jede statistische Methode braucht ausreichend Vergangenheitsdaten. Neuartikel haben sie nicht, Auslaufartikel haben sie nicht mehr, und C-Artikel mit wenigen Bewegungen pro Monat haben zu wenig. Dieses Datenmuster heißt Sparse Data (dünn besetzte Daten) und ist eine strukturelle Grenze jeder statistischen und auch jeder ML-Methode.

In der Praxis behilft sich Excel mit zwei Hilfsmitteln. Bei Neuartikeln wird ein Analogieartikel manuell ausgewählt, dessen Historie als Proxy dient, oder die Vertriebsschätzung dient als initialer Wert, bis Echtdaten vorliegen. Beides ist legitim, aber an die Person gebunden, die die Auswahl trifft, und damit nicht reproduzierbar.

Bei Auslaufartikeln entsteht das umgekehrte Problem. Die Methode prognostiziert auf Basis der vergangenen Nachfrage einen Weiterbedarf, der Artikel läuft aber aus. Wer die Auslistungsentscheidung nicht zeitnah in die Prognose einbringt, produziert Überbestand bis zum letzten Verkaufstag. Wie sich Neuartikel und Auslaufartikel methodisch sauber behandeln lassen, behandelt der Artikel zu Neuartikeln und Auslaufprodukten.

Die Prüffrage: Wie ist Ihre Prognosemethodik für Neuartikel und auslaufende Artikel dokumentiert, und wer trifft die Entscheidung?

Absatzprognose verbessern: drei Schritte, die unabhängig vom Werkzeug funktionieren

Bevor das Werkzeug gewechselt wird, muss die Methode stimmen. Drei Schritte schaffen die Grundlage, und sie funktionieren mit Excel ebenso wie mit jedem anderen Werkzeug. Der größere Hebel liegt fast immer in den Schritten 1 und 2.

Schritt 1: Datenbasis bereinigen, bevor eine Methode darauf gerechnet wird

Eine Prognose ist nur so gut wie die Daten, auf denen sie beruht. Drei Maßnahmen sind die Grundlage. Stockout-Perioden in der Absatzhistorie als solche kennzeichnen, damit sie nicht als Nullnachfrage in die Auswertung eingehen. Promotionszeiträume mit Beginn, Ende und betroffenen Artikeln markieren, damit die Baseline davon getrennt werden kann. Strukturbrüche wie ERP-Wechsel oder Sortimentsumstellungen dokumentieren, damit die Methode sie nicht als Trend interpretiert.

Als Orientierungswert: zwölf Monate bereinigte Historie sind das Minimum für einfache Methoden, vierundzwanzig Monate für saisonale Methoden. Beides sind Richtwerte, keine starren Grenzen. Wer weniger hat, muss die zusätzliche Unsicherheit im Sicherheitsbestand abbilden. Welche Anforderungen die Datenbasis für KI-Prognosen erfüllen muss, behandelt der [Artikel zur KI-Datenbasis].

Dieser Schritt ist der höchste Hebel, weil er für jede nachfolgende Methode wirkt. Eine bessere Methode auf schlechten Daten liefert nur eine präzise wirkende Fehlannahme.

Die Prüffrage: Wie groß ist der Anteil Ihrer Artikel mit dokumentierter, bereinigter Absatzhistorie, und wie groß der Rest?

Schritt 2: Methode nach ABC-Klasse wählen, nicht für alle Artikel gleich

Nicht jeder Artikel verdient dieselbe Methode. Die ABC-Klassifikation, die Artikel nach Umsatzanteil ordnet, gibt den Rahmen vor. Für A-Artikel mit erkennbarer Saisonalität lohnt sich Holt-Winters oder eine ML-Methode, sofern die Datenvoraussetzungen erfüllt sind. Für A- und B-Artikel ohne Saisonalität reicht die exponentielle Glättung. Für C-Artikel ist der gleitende Durchschnitt oder eine Daumenregel die vernünftigere Wahl. Neuartikel laufen über Analogieartikel und Vertriebsschätzung, bis Echtdaten vorliegen.

Diese Differenzierung reduziert den Gesamtprognosefehler stärker als eine einheitliche bessere Methode für alle Artikel. Der Aufwand liegt nicht in der Berechnung, sondern in der Entscheidung, welcher Artikel zu welcher Klasse gehört, und in der Disziplin, diese Klassifikation aktuell zu halten.

Die Prüffrage: Behandeln Sie heute alle Artikel mit derselben Prognosemethode, oder richtet sich die Methode nach der Wertigkeit des Artikels?

Schritt 3: MAPE messen, als Ausgangswert für jede Veränderung

Ohne Messung kein Nachweis, dass eine Methodenänderung tatsächlich besser ist. MAPE (Mean Absolute Percentage Error, der prozentuale mittlere absolute Prognosefehler) ist das gängigste Maß für Prognosequalität und beantwortet die Frage: Wie weit lag die Prognose im Mittel von der tatsächlichen Nachfrage entfernt, in Prozent?

Konkretes Vorgehen: MAPE für die A-Artikel der letzten sechs Monate berechnen, als Baseline dokumentieren und nach jeder Methodenänderung neu messen. Erst die Differenz zwischen Vorher und Nachher zeigt, ob ein Schritt funktioniert hat. Ohne diese Messung bleibt jede Methodenwahl Gefühlssache.

Als Orientierungswerte, nicht als belegte Studien-Benchmarks: Ein MAPE unter 20 Prozent gilt bei stabilen Artikeln als gut, ein MAPE über 40 Prozent ist ein deutliches Signal für methodischen Handlungsbedarf. Beide Werte hängen vom Artikeltyp ab und sind keine universellen Schwellen. Die BCG-Studie Supply Chain Planning 2026 betont, dass Methodenentscheidungen nur tragen, wenn sie an gemessenen Ausgangswerten ausgerichtet sind.

Die Prüffrage: Messen Sie heute systematisch, wie gut Ihre Absatzprognosen sind, oder merken Sie Fehler erst beim Überbestand oder Out-of-Stock?

Die Methode entscheidet, nicht das Werkzeug

Die Qualität einer Absatzprognose hängt nicht vom Werkzeug ab, sondern von der Methode und der Datenbasis dahinter. Excel ist kein Problem, solange die Methode zur Sortimentskomplexität passt. Sobald sie das nicht mehr tut, wird der Wechsel zu einer strukturierteren Lösung sinnvoll, aber erst dann.

Drei Sofortschritte lohnen, bevor über Werkzeuge gesprochen wird. Erstens die Absatzhistorie der letzten zwölf Monate auf Stockouts und unmarkierte Aktionen prüfen. Zweitens für die zwanzig umsatzstärksten Artikel den MAPE der letzten sechs Monate berechnen. Drittens prüfen, ob die verwendete Methode Saisonalität strukturell abbildet oder jedes Jahr manuell korrigiert wird.

Eine bessere Absatzprognose beginnt nicht mit einem neuen System, sondern mit einer Bestandsaufnahme: Welche Fehler entstehen systematisch, und welche Methode würde sie strukturell verhindern? Wer das beantwortet hat, weiß auch, ob Excel ausreicht oder ob der nächste Schritt gerechtfertigt ist.

Weiterführende Quellen

FAQ

Was ist eine Absatzprognose, und was unterscheidet sie von einer Absatzplanung?

Eine Absatzprognose ist die datenbasierte Vorausschätzung der künftigen Nachfrage auf Artikelebene. Sie nutzt historische Verkaufsdaten und gegebenenfalls externe Treiber, um eine erwartete Menge für die nächste Periode zu berechnen. Eine Absatzplanung ist dagegen zielorientiert: Sie legt fest, welche Menge erreicht werden soll, oft auf Basis der Prognose, aber abgestimmt mit Vertriebs- und Unternehmenszielen. Prognose und Planung gehören zusammen, sind aber zwei unterschiedliche Aufgaben mit verschiedenen Verantwortlichen.

Welche Methoden gibt es für die Absatzprognose im Mittelstand?

Fünf Methoden decken die Bandbreite ab. Die naive Prognose nimmt den Vorjahres- oder Vorperiodenwert. Der gleitende Durchschnitt mittelt die letzten Perioden. Die exponentielle Glättung gewichtet jüngere Werte stärker. Holt-Winters erweitert die Glättung um Trend und Saisonalität. ML-basierte Methoden lernen Muster aus großen, bereinigten Datensätzen und integrieren externe Treiber. Die Methodenwahl hängt von Datenbasis, Sortimentsstruktur und der Wertigkeit des einzelnen Artikels ab, nicht von einer pauschalen Überlegenheit.

Wann reicht Excel für die Absatzprognose, und wann nicht mehr?

Excel reicht, solange die Methode zur Sortimentskomplexität passt: stabile Nachfrage, überschaubares Sortiment, ohne starke Saisonalität oder zahlreiche externe Treiber. Sobald saisonale A-Artikel ohne Saisonindex prognostiziert werden, Aktionen die Baseline verzerren oder Stockout-Verzerrungen nicht erkannt werden, stößt Excel an seine strukturelle Grenze. Der Auslöser ist nicht das Werkzeug, sondern der Aufwand der manuellen Korrektur, der mit dem Sortiment wächst, ohne die Qualität proportional zu verbessern.

Was ist MAPE, und wie messe ich die Qualität meiner Absatzprognose?

MAPE steht für Mean Absolute Percentage Error, also den prozentualen mittleren absoluten Prognosefehler. Für jede Periode wird die Abweichung zwischen Prognose und tatsächlichem Absatz in Prozent berechnet, der Mittelwert über alle Perioden ergibt den MAPE. Konkretes Vorgehen: Für die umsatzstärksten Artikel den MAPE der letzten sechs Monate berechnen, als Baseline dokumentieren und nach jeder Methodenänderung neu messen. Erst diese Differenz zeigt, ob eine Anpassung tatsächlich Wirkung hatte.

Was ist ein Saisonalitätsindex, und wie berechne ich ihn?

Der Saisonalitätsindex ist ein Faktor, der den saisonalen Anteil der Nachfrage von der Basislinie trennt. Er beantwortet die Frage, was ein Artikel ohne saisonalen Effekt verkauft hätte. Berechnet wird er als Verhältnis des tatsächlichen Periodenabsatzes zum Durchschnittsabsatz desselben Artikels über das Jahr. Ein Wert von 1,4 für Juli bedeutet, dass im Juli typischerweise 40 Prozent mehr verkauft wird als im Jahresdurchschnitt. Methoden wie Holt-Winters berechnen den Index automatisch, in Excel ist er für ausgewählte A-Artikel manuell ermittelbar.

Was ist Sparse Data, und was tun, wenn ein Artikel keine Absatzhistorie hat?

Sparse Data bezeichnet eine zu dünne Datenlage für statistische Prognose: Neuartikel ohne Historie, Auslaufartikel mit unzuverlässigen Spätdaten, C-Artikel mit wenigen Bewegungen pro Monat. Hier versagen statistische und auch ML-Methoden gleichermaßen, weil die Datenbasis fehlt. Die praxistauglichen Alternativen sind Analogieartikel (ein vergleichbarer Artikel dient als Proxy) und die Vertriebsschätzung als initialer Wert, bis genug Echtdaten vorliegen. Wichtig ist die Dokumentation der Auswahl, damit sie nachvollziehbar und nicht an eine Einzelperson gebunden ist.

Wann lohnt sich der Umstieg auf ML-basierte Absatzprognosen?

Wenn drei Bedingungen zusammenkommen: eine hohe Nachfragevariabilität, die statistische Methoden überfordert, viele externe Treiber wie Wetter, Promotions oder Veranstaltungen, und ein Sortiment mit Tausenden Artikeln, für das manuelle Parameterpflege nicht skaliert. Voraussetzung ist eine bereinigte Datenhistorie von zwei bis drei Jahren. Bei stabilen Artikeln mit kleinem Sortiment ist eine gut konfigurierte exponentielle Glättung meist ausreichend. Die ML-Investition rechtfertigt sich nicht über Methodenüberlegenheit allein, sondern über das Datenvolumen und die Komplexität, das eine manuelle Pflege unmöglich macht.