Promotions in der Absatzprognose richtig abbilden

Nach Daten des YouGov Consumer Panel lag der über Promotions erzielte Umsatzanteil im deutschen Konsumgütergeschäft im ersten Halbjahr 2024 bei 23,6 Prozent, ein Anstieg um 2,5 Prozentpunkte. Für die Disposition sind Promotions damit ein relevanter Bestandteil der regulären Planung. Promotions in der Absatzprognose korrekt zu behandeln, im Fachjargon „Promotion Forecasting“, heißt deshalb nicht nur, die Aktionswoche zu treffen, sondern die Nachfrage rund um die Aktion zu prognostizieren. Hewage, Perera und Bandara zeigen in ihrer Untersuchung zum Aktionslebenszyklus, dass Forschung und Praxis vor allem die Phase nach der Aktion übersehen, obwohl die Nachfrage dort weiterhin von der Aktion geprägt ist. Wird diese Phase nicht berücksichtigt, können die Bestellmengen nach der Aktion zu hoch oder zu niedrig ausfallen.

Wie Promotions die Nachfrage vor, während und nach der Aktionswoche verändern

Eine Aktion erzeugt keinen Punkt in der Zeitreihe, sondern einen Verlauf. Er kann beginnen, bevor der erste Artikel zum Aktionspreis über die Kasse geht, und über den letzten hinausreichen. Der zeitliche Verlauf umfasst Vorlauf, Aktionszeitraum und Nachlauf. Gleichzeitig kann die Aktion Nachfrage zu verwandten Artikeln verschieben. Wie diese Effekte ausfallen, hängt unter anderem von der Lagerfähigkeit, der Warenverfügbarkeit und der betrachteten Stufe der Lieferkette ab.

Vor der Aktion: Vorwärtskauf und aufgeschobene Käufe

Auf vorgelagerten Stufen der Lieferkette kann der Aktionseffekt bereits in den Bestellungen sichtbar werden, bevor er den Abverkauf erreicht. Lee, Padmanabhan und Whang beschreiben Preisschwankungen als eine der vier Ursachen des Bullwhip-Effekts: Ein Abnehmer kauft zu Aktionskonditionen mehr, als er in diesem Zeitraum absetzt, und bestellt anschließend nicht weiter, bis sein Vorrat abgebaut ist. Das Bestellmuster bildet dann nicht mehr den Verbrauch ab. Für einen Hersteller oder Großhändler schlägt sich der Aktionseffekt damit im Bestellverhalten der Abnehmer nieder und nicht im Abverkauf am Regal.

Auf der Endkundenseite kann es in die Gegenrichtung gehen. Macé und Neslin weisen für häufig gekaufte Konsumgüter Absatzdellen sowohl vor als auch nach einer Aktion nach; wie stark sie ausfallen, hängt von Merkmalen des Artikels, der Warengruppe und des Geschäfts ab. Wird eine Aktion vorab angekündigt, etwa im Handzettel oder im Prospekt, können Kunden einen geplanten Kauf bis zum Aktionsbeginn aufschieben. Die unmittelbar vorausgehende Periode ist dann kein verlässlicher Maßstab für die Baseline.

Prüffrage: Wie entwickelte sich die Bestellmenge Ihres größten Abnehmers in den vergleichbaren Perioden vor und nach der letzten Aktion?

In der Aktionswoche: woraus der beobachtete Anstieg besteht

Der beobachtete Absatzanstieg setzt sich aus unterschiedlichen Effekten zusammen. Van Heerde, Gupta und Wittink unterscheiden drei: Kunden können von einer anderen Marke wechseln, einen ohnehin geplanten Kauf vorziehen oder insgesamt mehr kaufen. Markenwechsel und vorgezogene Käufe erhöhen den Absatz des Aktionsartikels, erzeugen auf Ebene der Warengruppe oder über einen längeren Zeitraum aber nicht im gleichen Umfang zusätzliche Nachfrage.

In der Praxis wird der Anstieg deshalb selten als Ganzes geplant. Fildes, Ma und Kolassa beschreiben das übliche Vorgehen im Handel als Zerlegung in eine Baseline und einen Aufschlag darauf: Ein einfaches Zeitreihenmodell liefert die reguläre Erwartung, und die Aktionswirkung wird als Zuschlag geschätzt. Wer nur diesen Zuschlag plant und die Herkunft der Menge ignoriert, plant den Vorrat für eine Nachfrage, die teilweise aus anderen Artikeln und anderen Wochen stammt.

Nach der Aktion: was von der Nachfrage übrig bleibt

Der dritte Abschnitt beginnt, wenn die Aktion vorbei ist, und er wird bei der Bestellmenge leicht übersehen. Hat der Endkunde während der Aktion bevorratet, deckt er seinen Verbrauch anschließend aus dem eigenen Vorrat, und der Absatz fällt unter die Baseline. Fildes, Ma und Kolassa halten fest, dass sich Warengruppen mit langer Haltbarkeit für diese Bevorratung eignen und dort stärkere Aufschläge und stärkere Dellen danach auftreten als bei frischen Sortimenten. Bei leicht verderblicher Ware kann der Nachlaufeffekt deshalb schwächer oder anders ausgeprägt sein, weil sich eine Bevorratung nur begrenzt lohnt. Darbanian und Kollegen zeigen an sechs Jahren Transaktionsdaten einer österreichischen Handelskette, dass Frische- und Tiefkühlsortimente rund um Feiertage unterschiedlich auf den Zeitpunkt einer Aktion reagieren, weil sich Tiefkühlware für die Bevorratung eignet.

War die Ware während der Aktion nicht durchgehend verfügbar, verschiebt sich das Bild noch einmal, weil ein Teil der Nachfrage gar nicht gebucht wurde. Wie eine solche Lücke die Historie verzerrt, behandelt der Beitrag zur Stockout-Verzerrung im ERP. Für die Länge des Nachlaufs gibt es keinen allgemeinen Wert. Nijs und Kollegen zeigen für die Kategorienachfrage, dass die Wirkung einer Preisaktion nach einer Anpassungsphase abklingt und langfristig verschwindet; wie lang diese Phase im eigenen Sortiment ist, lässt sich nur aus den eigenen Daten bestimmen.

Neben der Aktion: Nachbarartikel und die eigene Artikelnummer

Promotions wirken nicht nur auf das beworbene Produkt. Bei verwandten Artikeln entstehen zwei spiegelbildliche Effekte. Der Halo-Effekt beschreibt zusätzliche Nachfrage bei Begleitprodukten: Wer eine Pasta-Aktion sieht, kauft zusätzlich Sauce. Die Kannibalisierung wirkt umgekehrt, eine Aktion auf Marke A senkt vorübergehend den Absatz von Marke B im selben Segment. Ailawadi und Kollegen unterscheiden deshalb zwischen dem beobachteten Bruttoaufschlag und dem tatsächlichen Nettoeffekt für den Händler. Wechsel innerhalb des eigenen Sortiments und vorgezogene Käufe reduzieren den Nettoeffekt, zusätzliche Verkäufe in anderen Warengruppen erhöhen ihn.

Ein Sonderfall aus dem Alltag verschärft das. Läuft die Aktionsware unter einer eigenen Artikelnummer, etwa als Multipack, Display oder Sonderinhalt, landet der Aufschlag dort, und die reguläre Nummer kann im selben Zeitraum einen Rückgang zeigen, obwohl die Nachfrage nach dem Produkt gestiegen ist. Wer beide Artikelnummern getrennt betrachtet, kann einen zusammenhängenden Produkteffekt fälschlich als zwei unabhängige Nachfragebewegungen interpretieren.

Warum Promotions in der Absatzprognose die Basislinie verzerren

Jede Absatzprognose, ob in Excel, in einem klassischen Statistiktool oder in einem lernenden Modell, sucht nach Mustern in den Vergangenheitsdaten. Findet sie regelmäßig hohe Verkaufsmengen für einen Artikel in Kalenderwoche 14, geht sie davon aus, dass das die normale Nachfrage in dieser Woche ist. Dass der Anstieg in Wirklichkeit das Ergebnis einer Preisaktion mit Sonderplatzierung war, weiß das Modell nicht, weil ihm diese Information fehlt. Ein saisonaler und ein aktionsbedingter Anstieg sehen ohne Kennzeichnung gleich aus; wie Saisonalität abgebildet wird, behandelt der Beitrag zu saisonalen Schwankungen in der Prognose.

Ein Beispiel aus dem Lebensmittelgroßhandel: Ein Sortimentsartikel verkauft im normalen Geschäft 800 Einheiten pro Woche. Während einer dreiwöchigen Aktion mit Preisreduktion und Endplatzierung steigt der Absatz auf 2.400 Einheiten pro Woche. Wird dieser Zeitraum nicht als Aktion gekennzeichnet, kann er die geschätzte Basislinie nach oben verschieben. Die folgenden Prognosen und Bestellvorschläge fallen dann möglicherweise zu hoch aus.

Promotions in der Absatzprognose abzubilden heißt deshalb zuerst, Aktionsperioden in der Historie zu kennzeichnen und bei der Ermittlung der Basislinie gesondert zu behandeln. Weil die Aktion über mehrere Perioden wirkt, bleibt es selten bei einer verzerrten Woche. Der Aktionszeitraum weicht nach oben ab, und je nach Warenart und Verfügbarkeit weichen auch die Perioden davor und danach ab. Wer nur den Aktionszeitraum kennzeichnet, korrigiert deshalb einen Teil der Verzerrung und lässt den Rest stehen.

Prüffrage: Wissen Sie, wie viele Ihrer umsatzstärksten Artikel im letzten Geschäftsjahr mindestens eine nicht gekennzeichnete Aktion durchlaufen haben?

Wie aus dem Aktionsverlauf eine Bestellmenge wird

Für die Bestellplanung sind zwei Fragen entscheidend: Welche Nachfrage bildet die eigene Absatzreihe ab? Und über welchen Zeitraum verändert die Aktion diese Nachfrage? Ein Hersteller sieht Bestellungen des Handels, ein Händler den Abverkauf an seine Kunden. Gleichzeitig kann die Aktion Mengen vorziehen oder in die Folgeperioden verschieben. Deshalb sollte die Disposition nicht nur den Aktionsvorrat prüfen, sondern auch die Mengen im Vor- und Nachlauf, solange die Ware im eigenen Lager liegt und auf eigene Rechnung geht.

Auf welcher Stufe der Kette Sie den Aktionseffekt sehen

Hersteller, Großhandel und Einzelhandel sehen denselben Aktionseffekt zeitlich versetzt, weil ihre Absatzreihen unterschiedliche Bestell- und Verbrauchsstufen abbilden. Ein Hersteller liest Bestellungen des Handels, ein Großhändler die Bestellungen von Einzelhandel und Gastronomie, ein Einzelhändler die Käufe am Regal. Der beschriebene Vorwärtskauf sorgt dafür, dass die Ausschläge in einer Bestellreihe stärker ausfallen können als in der Nachfrage dahinter. Für die Disposition heißt das: Die eigene Zeitreihe ist kein Abbild der Endkundennachfrage, und eine Aktionsauswertung aus einer anderen Stufe lässt sich nicht ohne Weiteres übertragen.

Die Bestellmenge über das Aktionsfenster planen

Vor der Aktion steht neben dem Aktionsvorrat die Frage, ob die reguläre Menge in dieser Woche überhaupt normal ist. Während der Aktion entscheidet die Verfügbarkeit darüber, wie viel vom Aufschlag tatsächlich gebucht wird. Bleibt nach der Aktion Ware liegen, trifft die reguläre Bestellmenge auf diesen Rest, und Mindestbestellmenge und Bestelleinheit vergrößern ihn zusätzlich. Der Aufschlag in der Aktionswoche ist damit keine geeignete Grundlage für die Mengen davor und danach.

Prüffrage: Steht in Ihrer Aktionsplanung eine Bestellmenge für die zwei Wochen nach der Aktion, oder nur der Aktionsvorrat?

Warum Warenart und Lebenszyklus die Planung verändern

Die Lagerfähigkeit entscheidet, wie viel Nachfrage überhaupt verschoben werden kann, und damit über die Form des gesamten Fensters.

Auch die Lebenszyklusphase verändert die Bewertung. Bei einer Einführungsaktion fehlt eine belastbare Baseline. Ein Teil der Käufer kann das Produkt anschließend weiterkaufen, sodass sich ein neues Nachfrageniveau bildet; das ist ein mögliches Praxisszenario, keine allgemeine Regel. Bei etablierten Artikeln besteht der Effekt dagegen häufiger aus zeitlichen Verschiebungen oder Wechseln innerhalb des Sortiments. Bei einer Abverkaufsaktion am Ende des Lebenszyklus ist keine Rückkehr zur bisherigen Baseline vorgesehen. Wie Neuartikel und Auslaufprodukte grundsätzlich zu planen sind, behandelt der Beitrag zu Neuartikeln und Auslaufprodukten.

Promotions in der Absatzprognose systematisch abbilden

Drei Probleme bleiben in der Praxis oft bestehen, obwohl bereits an der Prognose gearbeitet wird: Aktionsausschläge werden automatisch geglättet, Prognosen nur manuell korrigiert oder Aktionsinformationen erreichen die Disposition zu spät. Die folgenden vier Schritte setzen stattdessen an Daten und Prozess an und können schrittweise eingeführt werden.

Was in der Praxis nicht trägt

Das erste Problem ist die automatische Ausreißerbereinigung. Werte, die weit vom Mittel abweichen, werden geglättet oder ersetzt. Das entfernt den Aktionsausschlag, unterscheidet aber nicht zwischen einer Aktion und einer echten Nachfrageveränderung, etwa durch eine Marktverschiebung.

Die zweite ist der manuelle Eingriff in die Prognose. Kennt die Disposition eine bevorstehende Aktion, korrigiert sie den Wert nach oben. Für die anstehende Bestellung ist das sinnvoll, das Problem in der Historie löst es nicht, und bei der nächsten Aktion beginnt dasselbe von vorn. Die Forschung zur algorithmischen Akzeptanz (Dietvorst, Simmons und Massey, 2015) zeigt einen zweiten Effekt: Wer ein Modell einmal irren sieht, wendet sich davon ab und bevorzugt das eigene Urteil, auch wenn das Modell im Mittel besser liegt. Mehr dazu steht im Beitrag zum Forecast Override.

Das dritte Problem ist die späte Aktionsinformation. Besonders bei Sortimenten mit längeren Wiederbeschaffungszeiten kann eine verspätete Meldung dazu führen, dass die Lieferantenbestellung bereits ausgelöst wurde, bevor die Aktion in der Disposition bekannt ist. Der wirksamste Ansatzpunkt liegt dann an der Schnittstelle zwischen Vertrieb, Marketing und Disposition.

Schritt eins: Aktionen in der Historie kennzeichnen

Der erste Schritt ist die rückwirkende Markierung. Alle Aktionszeiträume der zurückliegenden Perioden werden aus dem Aktionskalender, aus Rechnungspositionen mit Aktionsschlüssel oder aus dem Aktionssystem zusammengetragen und in der Absatzhistorie gekennzeichnet. Die Mengen werden dabei nicht gelöscht und nicht durch eine Schätzung ersetzt, sie bekommen ein zusätzliches Merkmal. Dadurch kann das Modell Aktionsperioden von regulären Verkaufsperioden unterscheiden, während die ursprünglichen Mengen für spätere Aktionsauswertungen erhalten bleiben. Diese Kennzeichnung funktioniert auch in einer Tabellenkalkulation, wenn ein Aktionskennzeichen pro Zeile mitläuft. Der Aufwand liegt in der Datenbeschaffung, nicht in der Technik.

Schritt zwei und drei: Lift-Faktor und Aktionskalender

Sind die Aktionen markiert, lässt sich ihre Wirkung beziffern. Der Lift-Faktor beschreibt das Verhältnis zwischen Aktionsabsatz und Baseline, also der Menge, die ohne Aktion verkauft worden wäre. Liegt die aus vergleichbaren aktionsfreien Perioden abgeleitete Baseline bei 800 Einheiten und der Wochenabsatz während der Aktion bei 2.400 Einheiten, beträgt der Lift-Faktor 3,0. Aus der Beschreibung der Vergangenheit wird damit eine Planungsgröße für vergleichbare künftige Aktionen.

Der dritte Schritt setzt am Prozess an. Ein Aktionskalender führt je geplanter Aktion mindestens den Zeitraum, die betroffenen Artikel, den Kanal und den erwarteten Aufschlag. Entscheidend ist nicht seine Existenz, sondern der Vorlauf: Die Informationen müssen in der Disposition vorliegen, bevor die Bestellung für den Aktionszeitraum entsteht. Vier bis sechs Wochen können als praktischer Ausgangswert dienen. Der erforderliche Vorlauf hängt jedoch von Wiederbeschaffungszeit, Bestellrhythmus, Lieferantenfristen und der Vorbereitung der Aktion ab.

Schritt vier: Wann maschinelles Lernen hilft, und was ein Bestellvorschlag übernimmt

Erst wenn die Aktionsinformationen vorliegen, lohnt sich der Blick auf das Verfahren. Hewage, Perera und Bandara vergleichen verschiedene Prognoseansätze über den Aktionslebenszyklus. In ihrer Untersuchung bilden Verfahren des maschinellen Lernens, die mehrere Einflussgrößen und deren Zusammenhänge verarbeiten können, die Nachfrage in Aktions- und Nachaktionsperioden besser ab als einfache univariate Verfahren, die ausschließlich die bisherige Absatzreihe fortschreiben. Voraussetzung ist, dass die nötigen Aktionsinformationen als Eingangsgrößen vorliegen. Ein einzelnes Verfahren, das in allen Perioden am besten abschneidet, fanden die Autoren nicht, und ihre Untersuchung deckt vier Produktkategorien eines Händlers in den USA ab.

Für die Praxis heißt das vor allem, dass ein Planungssystem die Aktionsinformation aufnehmen können muss, sonst bleibt der Unterschied theoretisch. Bei Circly gilt: Die Prognose berücksichtigt Saisonalität, Trends, Kalendereffekte, Feiertage, Aktionsmuster und Ausreißer. Aktionen und Sonderereignisse können manuell hinterlegt werden und fließen direkt ins Modell ein.

Eine hinterlegte Aktion fließt als zusätzliche Information in die Prognose ein. Informationen, die der Planer besser kennt als das Modell, etwa eine kurzfristig vereinbarte Zweitplatzierung, kann er ergänzen und als Anpassung einfrieren. Der ursprüngliche Prognosewert bleibt dabei sichtbar. Der Bestellvorschlag führt Prognose, Lagerbestand, offene Bestellungen, Sicherheitsbestand und Lieferantenrestriktionen zu einer Menge zusammen. Der Disponent prüft, passt an und gibt frei.

Was ein Modell dabei nicht leisten kann, bleibt bestehen: Eine Aktion, die nirgends erfasst ist, sieht kein Verfahren voraus. Wann sich ein solcher Schritt lohnt, behandelt der Beitrag zur KI-gestützten Absatzprognose im Mittelstand.

Fazit

Legen Sie zunächst je Warengruppe fest, über welchen Zeitraum eine Aktion die Nachfrage beeinflussen kann. Kennzeichnen Sie anschließend vergangene Aktionen in der Historie und werten Sie vergleichbare Aktionen über das gesamte Fenster aus. So lässt sich die Bestellmenge für Aktionszeitraum und Folgeperioden getrennt beurteilen.

Auf dieser Grundlage können Lift-Faktoren, Aktionskalender und lernende Modelle die Prognose verbessern. Fehlen dagegen Kennzeichnung und rechtzeitige Aktionsinformationen, kann auch ein aufwendigeres Verfahren den fehlenden Kontext nicht ersetzen. Die Methoden zur Absatzprognose insgesamt, unabhängig von Aktionen, stehen im Beitrag Absatzprognose erstellen.

Weiterführende Quellen

1. YouGov (2024): YouGov identifiziert effektive Promotion-Strategien

2. Hewage, H.C., Perera, H.N. & Bandara, K. (2026): Enhancing Demand Forecasting in Retail: A Comprehensive Analysis of Sales Promotional Effects on the Entire Demand Life Cycle, Journal of Forecasting 45(1)

3. Lee, H.L., Padmanabhan, V. & Whang, S. (1997): The Bullwhip Effect in Supply Chains, Sloan Management Review 38(3)

4. Macé, S. & Neslin, S.A. (2004): The Determinants of Pre- and Postpromotion Dips in Sales of Frequently Purchased Goods, Journal of Marketing Research 41(3)

5. van Heerde, H.J., Gupta, S. & Wittink, D.R. (2003): Is 75% of the Sales Promotion Bump Due to Brand Switching? No, Only 33% Is, Journal of Marketing Research 40(4)

6. Fildes, R., Ma, S. & Kolassa, S. (2022): Retail forecasting: Research and practice, International Journal of Forecasting 38(4)

7. Nijs, V.R., Dekimpe, M.G., Steenkamp, J.-B.E.M. & Hanssens, D.M. (2001): The Category-Demand Effects of Price Promotions, Marketing Science 20(1)

8. Ailawadi, K.L., Harlam, B.A., César, J. & Trounce, D. (2006): Promotion Profitability for a Retailer: The Role of Promotion, Brand, Category, and Store Characteristics, Journal of Marketing Research 43(4)

9. Darbanian, F., Brandtner, P., Falatouri, T., Nasseri, M. & Mirshahi, S. (2025): Timing Matters: How pre- and post-holiday promotions affect fresh and frozen product sales in grocery retail, Journal of Retailing and Consumer Services 85

10. Dietvorst, B.J., Simmons, J.P. & Massey, C. (2015): Algorithm Aversion: People Erroneously Avoid Algorithms after Seeing Them Err, Journal of Experimental Psychology: General

FAQ