Wenn die Absatzprognose versagt: Neuartikel und Auslaufprodukte richtig planen

Statistische Bedarfsprognosen wurden für die Reifephase des Produktlebenszyklus (PLC) entwickelt: stabile Artikel mit ausreichend Absatzhistorie, erkennbaren Mustern, überschaubarer Volatilität. Mit „Produktlebenszyklus" ist die Abfolge der Phasen gemeint, die ein Artikel durchläuft: Einführung, Wachstum, Reife, Rückgang, Auslauf. In der Reifephase liefern exponentielle Glättung, gleitende Mittelwerte und ARIMA-Modelle Ergebnisse, weil die Vergangenheit als Vorhersage für die Zukunft taugt. 

In der Einführungsphase und im Auslauf gilt das nicht. Das Fraunhofer IML stellt in seiner Forschung zur Optimierung der Bedarfsprognose fest, dass die Auswahl des Prognoseverfahrens vom Bedarfsverlauf des einzelnen Artikels abhängt: Schnelldreher, Langsamdreher und Saisonartikel brauchen unterschiedliche Methoden. Was damit impliziert wird, aber selten explizit benannt wird: Neuartikel und Auslaufartikel sind keine regulären Zeitreihenprobleme. Sie sind Planungsaufgaben, für die statistische Standardmethoden nicht ausgelegt sind. 

Laut BVL-Studie 2025 zu Trends und Strategien in Logistik und Supply Chain Management gehören Digitalisierung der Geschäftsprozesse und Kostendruck zu den meistgenannten Handlungsfeldern im DACH-Raum. Bestandskosten durch Fehlplanung bei Neu- und Auslaufartikeln sind einer der direktesten Hebel, an denen Unternehmen ohne Systemwechsel ansetzen können. 

Dieser Artikel behandelt beide Artikeltypen, als das, was sie sind: strukturelle Ausnahmen vom Normalfall der Absatzprognose, die einen eigenen Methodenansatz erfordern. 

Warum die Absatzprognose bei Neuartikeln strukturell versagt, und was stattdessen hilft 

Ein Neuartikel hat keine Absatzgeschichte. Statistische Methoden brauchen mindestens 12 bis 24 Monate Daten, um Muster zu erkennen. Was sie stattdessen liefern: Nullwerte, Standardparameter oder Prognosen aus verwandten Artikeln, die unkommentiert übernommen werden. Drei Ansätze können die fehlende Datenbasis methodisch ersetzen. 

Das Sparse-Data-Problem: Wenn kein Muster vorhanden ist 

Als „Sparse Data“ bezeichnet man die Situation, in der für einen Artikel zu wenige historische Datenpunkte vorliegen, um eine zuverlässige statistische Prognose zu berechnen. Bei einem Neuartikel am Tag des Listings ist Sparse Data nicht ein Risiko, sondern die Ausgangssituation: Es gibt schlicht keine Daten. 

Was das ERP in dieser Situation typischerweise macht, ist eines von zwei Dingen. Entweder es erzeugt keinen Bestellvorschlag, weil die Berechnungsgrundlage fehlt. Oder es überträgt Parameter aus einem verwandten Artikel, ohne Rücksicht darauf, ob dieser Artikel in Preisniveau, Zielgruppe oder Absatzkanal wirklich vergleichbar ist. Beide Varianten erzeugen systematisch schlechte Erstbestellungen: zu wenig, wenn kein Vorschlag kommt, oder zu viel und am falschen Produkt orientiert, wenn ein ungeprüfter Analogieartikel als Basis dient. 

Der MAPE (Mean Absolute Percentage Error, also der mittlere absolute prozentuale Prognosefehler) bei Neuartikeln liegt häufig über 50 Prozent in den ersten Wochen nach Listung. Das ist kein Zeichen schlechter Planung, sondern eine Eigenschaft der Datensituation. Das Problem ist nicht durch mehr Rechenkraft lösbar, sondern nur durch strukturierte Ersatzmethoden. 

Prüffrage: Welchen Bestellvorschlag erzeugt Ihr System für einen Neuartikel am Tag der Listung, und auf welcher Datenbasis wird er berechnet? 

Die Analogiemethode: Verwandte Artikel als Planungsgrundlage 

Der methodisch robusteste Ersatz für fehlende Absatzhistorie ist der Analogieartikel, also ein bestehender Artikel, dessen Nachfragemuster dem Neuartikel in wesentlichen Merkmalen ähnelt: Kategorie, Preisniveau, Absatzkanal, Saisonalität, Zielgruppe. Die ersten 6 bis 12 Monate des Analogieartikels dienen als Planungsgrundlage für den Neuartikel. 

Die Methode ist einfach, aber die Auswahl des Analogieartikels ist entscheidend und fehleranfällig. Der häufigste Fehler: Der Analogieartikel wird nach Kategorienähe ausgewählt, ohne die Nachfragestruktur zu prüfen. Ein neues Standardprodukt im Mittelpreissegment verhält sich anders als ein Premiumprodukt in derselben Kategorie, auch wenn beide „Kaffeemaschinen" oder „Verbindungselemente" sind. Ein zweiter typischer Fehler: Es wird kein Analogieartikel aktiv ausgewählt, weil der Prozess nicht definiert ist. Der Disponent improvisiert oder lässt den ERP-Default bestehen. 

Das Fraunhofer IML beschreibt in seiner Forschung zur ML-basierten Bedarfsprognose, dass auch KI-Systeme bei Sparse Data auf vergleichbare Muster anderer Artikel zurückgreifen, sogenanntes Cross-Learning. Die manuelle Analogiemethode folgt derselben Logik, nur explizit und ohne maschinelle Verarbeitung vieler Zeitreihen gleichzeitig. Welchen Mehrwert KI bei dünner Datenlage bieten kann und was sie nicht kann, beschreibt der Artikel zu KI-Absatzprognosen im Mittelstand. 

Prüffrage: Haben Sie für neue Artikel einen definierten Prozess zur Auswahl eines Analogieartikels, oder bleibt das dem Disponenten überlassen? 

Vertriebseinschätzung als strukturierter Input: Bauchgefühl kodifizieren 

Vertriebseinschätzungen werden in den meisten Unternehmen bereits genutzt. Aber sie kommen meist informell: Ein Vertriebsmitarbeiter gibt mündlich eine Einschätzung ab, die der Disponent notiert oder einrechnet, ohne dass die Grundlage dokumentiert wird. Das ist besser als nichts, aber es ist kein belastbarer Planungsprozess. 

Eine strukturierte Vertriebsschätzung für Neuartikel sieht anders aus: Der Vertrieb gibt einen Absatzwert für die ersten vier bis acht Wochen ab, gemeinsam mit den Annahmen, auf denen dieser Wert beruht. Wird Kunde X den Artikel listen? Ist eine Einführungskampagne geplant? Welche Absatzmenge ist realistisch ohne Unterstützung? Diese Annahmen sind keine Garantie, aber sie machen die Schätzung überprüfbar. Wenn der Anlauf langsamer ist als geplant, ist sofort sichtbar, welche Annahme nicht eingetreten ist. 

Eine Vertriebsschätzung ohne explizite Annahmen ist nach vier Wochen nicht mehr rückverfolgbar. Eine Schätzung mit Annahmen ist eine Lerngrundlage für den nächsten Neuartikel. 

Das spiegelbildliche Problem: Warum Auslaufprodukte die Prognose genauso überfordern 

Beim Auslaufartikel ist die Situation umgekehrt zum Neuartikel: Absatzdaten sind vorhanden, oft in großer Menge. Aber sie bilden eine Nachfrage ab, die sich gerade verändert oder bereits verschwunden ist. Das System sieht die Vergangenheit und extrapoliert sie in eine Zukunft, die es nicht mehr gibt. Das erzeugt Bestellvorschläge, die niemand braucht, und Bestände, die niemand abverkaufen kann. 

Die Trugbild-Prognose: Wenn das System nicht weiß, dass der Artikel auslistet 

Das gefährlichste Szenario im Auslauf ist nicht der bekannte Auslauf, sondern der unangekündigte. Der Vertrieb hat die Auslistungsentscheidung getroffen, das Produktmanagement hat sie intern kommuniziert, aber das ERP wurde nicht informiert. Das System sieht stabile oder leicht fallende Absatzzahlen und generiert weiter Bestellvorschläge nach gewohntem Muster. 

Wenn diese Bestellung ausgelöst wird, während die Auslistung gleichzeitig in Kraft tritt, entsteht ein Bestandsproblem, das sich nicht mehr durch Abverkauf lösen lässt: Die Ware ist geordert, der Bedarf ist weggefallen. Je länger zwischen Auslistungsentscheidung und ERP-Aktualisierung liegt, desto größer das Risiko. Wenn zwischen Entscheid und Systemänderung mehr als zwei Wochen vergehen, ist eine Bestellauslösung auf Basis der veralteten Datenbasis gut möglich. 

Das ist kein individuelles Versäumnis, sondern ein strukturelles Kommunikationsproblem zwischen Vertrieb, Produktmanagement und Disposition. Es entsteht, weil es keinen definierten Prozess gibt, der die Auslistungsentscheidung unmittelbar in den Dispositionsprozess trägt. 

Prüffrage: Wie wird die Disposition in Ihrem Unternehmen über Auslistungsentscheidungen informiert, und in welchem Zeitraum? 

Der angekündigte Auslauf: Endbestand-Steuerung statt Prognose 

Wenn die Auslistung bekannt ist, ändert sich die Planungsaufgabe grundlegend. Nicht mehr: Wie viel wird der Artikel in den nächsten drei Monaten nachgefragt? Sondern: Wie viel brauche ich noch, um den Restbedarf bis Listenende zu decken, ohne überschüssigen Bestand aufzubauen? 

Diese Frage beantwortet keine Absatzprognose, sondern eine Endbestand-Steuerung. Das Prinzip ist methodisch einfach: Die letzte Bestellmenge ergibt sich aus dem geschätzten Restbedarf bis Auslistungsdatum, abzüglich des aktuellen Lagerbestands und der noch ausstehenden Lieferungen. Das Ziel ist ein Lagerbestand von annähernd null zum Zeitpunkt der Auslistung. 

In der Praxis scheitert das selten an der Methode, sondern an den Dispositionsparametern: Sicherheitsbestand, Meldebestand und Wiederbeschaffungszeit wurden für einen laufenden Artikel gesetzt und nicht auf einen auslaufenden angepasst. Ein Sicherheitsbestand, der für die Reifephase sinnvoll war, erzeugt im Auslauf Überbestände. Welche Dispositionsparameter bei Auslaufartikeln aktiv angepasst werden müssen, beschreibt der Artikel zu Dispositionsparametern, die Bestellvorschläge untergraben. 

Frühindikator-Monitoring: Auslistung erkennen, bevor sie angekündigt wird 

Auch ohne formale Auslistungsentscheidung gibt es Signale, dass ein Artikel in den Rückgang eingetreten ist: Sinkende Bestellfrequenz von Schlüsselkunden, nachlassende Reorder-Rate, höhere Rückgabequoten, steigende Lagerreichweite bei gleichzeitig stagnierendem Abverkauf. Diese Signale sind keine Gewissheit, aber sie sind ein Anlass, die Dispositionsparameter proaktiv anzupassen, bevor die formale Auslistung kommuniziert wird. 

Wer erst auf die offizielle Auslistungsankündigung wartet, hat in vielen Fällen schon zu viel bestellt. Wer Frühindikator-Signale in einem monatlichen Review systematisch prüft, kann den Überbestand im Auslauf erheblich reduzieren, ohne auf spezifische Prognosemethoden angewiesen zu sein. 

Methodenkompass: Wie Sie Neu- und Auslaufartikel strukturiert planen 

Das Problem bei Neu- und Auslaufartikeln ist selten das fehlende Wissen über die Methodik. Es ist der fehlende Prozess, der sicherstellt, dass diese Methoden auch angewendet werden. Drei Elemente bilden den Methodenkompass für eine strukturierte Planung. 

Prognosestufenmodell: Methode mit wachsender Datenbasis anpassen 

Ein Prognosestufenmodell ist der systematische Ansatz, die Prognosemethode mit wachsender Datengrundlage schrittweise weiterzuentwickeln. Für Neuartikel bedeutet das vier Stufen. 

• Stufe 1 (Listung bis vier Wochen): Analogieartikel und Vertriebsschätzung bilden die Planungsgrundlage. Statistische Prognose ist nicht möglich und sollte nicht simuliert werden.  

• Stufe 2 (vier bis zwölf Wochen): Die ersten Echtzahlen werden gewichtet in die Prognose eingebracht, die Analogiebasis wird schrittweise reduziert. Abweichungen zwischen Schätzung und Realität werden aktiv analysiert.  

• Stufe 3 (drei bis sechs Monate): Statistische Methoden ersetzen Proxy-Daten zunehmend. Noch keine vollständige Saisonalität abbildbar, aber Trendrichtung erkennbar.  

• Stufe 4 (über zwölf Monate): Vollständige statistische Prognose oder KI-Ergänzung möglich, sofern die Datenqualität ausreicht. 

Das Modell funktioniert nur, wenn jemand die Stufenwechsel aktiv steuert. Das ERP nimmt diese Übergänge nicht automatisch vor. Wer die Grundlagen für eine saubere Datenbasis als Voraussetzung für diese Stufenentwicklung verstehen möchte, findet die Details im Artikel zu Absatzprognosen und Datenqualität. 

Prozessvoraussetzung: Was Vertrieb, Produktmanagement und Disposition klären müssen 

Kein Methodenkompass funktioniert ohne die Prozessregeln, die ihn aktivieren. Drei minimale Anforderungen sollten in jedem Unternehmen gelten, das regelmäßig Neu- und Auslaufartikel plant. 

Erstens: Neue Artikel müssen der Disposition mindestens acht Wochen vor dem geplanten Listing mit einem Analogieartikel und einer begründeten Absatzschätzung angekündigt werden. Wer diesen Vorlauf nicht einhält, zwingt den Disponenten zur Improvisation. 

Zweitens: Auslistungsentscheidungen müssen innerhalb von 48 Stunden in den Dispositionsparametern reflektiert sein. Das bedeutet: Sicherheitsbestand und Meldebestand werden sofort angepasst, und das System erhält das Signal, keine neuen Bestellvorschläge über den Liquidationszeitraum hinaus zu erzeugen. 

Drittens: Artikel mit sinkendem Absatztrend werden monatlich in einem strukturierten Review auf Frühindikator-Signale geprüft. Das ist kein großer Aufwand, aber es verhindert, dass der unangemessene Auslauf unbemerkt in die Dispositionspipeline fließt. 

Das ist kein Softwareproblem. Es ist ein Kommunikationsproblem zwischen Abteilungen, das sich durch Prozessregeln lösen lässt. 

Wann KI bei dünner Datenlage hilft, und wann nicht 

KI ist bei Neuartikeln kein Allheilmittel. Auch ein ML-Modell braucht Proxy-Daten, wenn keine eigene Absatzhistorie vorhanden ist. Der Vorteil von KI gegenüber manueller Analogiemethode liegt in der Breite: Ein ML-System kann Muster aus Hunderten von Analogieartikeln gleichzeitig auswerten und daraus eine bessere Schätzung für den Neuartikel ableiten, als es ein Disponent mit einem oder zwei manuell ausgewählten Vergleichsprodukten kann. Externe Signale wie Marktdaten oder Saisonindizes lassen sich einbinden. 

Die Grenze bleibt dieselbe wie bei manuellen Methoden: Kein Modell kann Nachfrage erfinden, wo keine Daten existieren. BCG (2026) hält in der Supply-Chain-Planungsstudie fest, dass Unternehmen, die KI ohne ausreichende Datenbasis einführen, keine nachhaltigen Leistungsverbesserungen erzielen. Das gilt auch bei Neuartikeln: KI verbessert die Analogiemethode, aber sie ersetzt die Notwendigkeit strukturierter Proxy-Daten nicht. 

Fazit 

Statistische Prognosen versagen bei Neuartikeln und Auslaufprodukten nicht, weil das Werkzeug schlecht ist, sondern weil es für diese Situationen nicht gebaut wurde. Die Lösung ist kein besseres System, sondern ein strukturierter Prozess. 

Drei Sofortschritte: Für jeden neuen Artikel Analogieartikel und Vertriebsschätzung mit expliziten Annahmen verpflichtend einfordern, mindestens acht Wochen vor Listing. Auslistungsentscheide innerhalb von 48 Stunden in den Dispositionsparametern spiegeln. Und Artikel mit sinkendem Absatztrend monatlich auf Frühindikator-Signale prüfen, bevor eine Auslistung formal beschlossen wird. Wer diese drei Schritte eingeführt hat, hat die häufigsten Ursachen für Überbestände bei Neuartikeln und Restbestände bei Auslaufprodukten strukturell adressiert. 

Weiterführende Quellen: 

1. Fraunhofer IML: Optimierung der Bedarfsprognose 

2. Fraunhofer IML: Machine Learning: Potenziale und Vorteile in der Bedarfsprognose 

3. BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025 

4. BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn't Enough 

FAQs