Absatzprognose erstellen: Promotions und Sonderaktionen korrekt abbilden

Datenqualität gilt nach dem PWC Digital Trends in Operations Survey 2025 als die häufigste Barriere für KI-gestützte Planungsprojekte. Die BCG-Studie Supply Chain Planning 2026 macht den gleichen Punkt aus anderer Richtung: Auch das beste Modell kann strukturell verzerrte Eingangsdaten nicht ausgleichen. In der Absatzprognose zeigt sich das besonders deutlich bei Promotions und Sonderaktionen. Solange Aktionen in der Verkaufshistorie nicht als solche markiert sind, lernt jedes Prognosemodell, ob klassisch statistisch oder KI-basiert, aus Ausnahmen statt aus regulärer Nachfrage. Das Ergebnis ist eine verfälschte Basislinie, die sich über Monate auswirkt. Dieser Beitrag zeigt, was Promotions konkret mit der Prognose machen, warum die üblichen Behelfsstrategien zu kurz greifen und welche vier Methoden sich bewährt haben. 

Warum nicht gekennzeichnete Promotions die Prognose dauerhaft verfälschen 

Promotions wirken nicht nur in dem Zeitraum, in dem sie laufen. Sie hinterlassen drei zusammenhängende Spuren in der Absatzhistorie: Einen Peak während der Aktion, einen Dip nach der Aktion und Wechselwirkungen mit verwandten Artikeln. Wer diese drei Effekte nicht sauber zuordnet, baut die Prognose der Folgemonate auf einem schiefen Fundament auf. 

Das Basislinienproblem: Wenn Ausnahmen zur Norm werden 

Jede Absatzprognose, ob in Excel, in einem klassischen Statistiktool oder in einem ML-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 Peak in Wirklichkeit das Ergebnis einer Preisaktion mit Sonderplatzierung war, weiß das Modell nicht, weil ihm diese Information fehlt. 

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 Promotion gekennzeichnet, geht das Modell davon aus, dass das neue Niveau die reguläre Nachfrage abbildet. In der Folge produziert es überhöhte Bestellvorschläge und treibt damit den Lagerbestand strukturell nach oben. 

Die Frage, die SCM-Verantwortliche sich an dieser Stelle stellen sollten: Wissen Sie, wie viele Ihrer Top-50-Artikel in den vergangenen zwölf Monaten mindestens eine nicht markierte Aktion durchlaufen haben? Wenn die Antwort nicht klar Nein ist, liegt hier mit hoher Wahrscheinlichkeit ein laufender Modellfehler. 

Post-Promotion-Dip: Der Nachfolgeeffekt, den niemand sieht 

Der zweite Effekt einer Promotion ist meist unauffälliger als der erste. Während einer Aktion bauen Endkunden Vorräte auf. Eine Familie kauft fünf Packungen Waschmittel statt einer, ein Gastronomiebetrieb deckt seinen Bedarf für vier Wochen statt für eine. In den Wochen nach Ende der Aktion bricht die Nachfrage entsprechend ein, weil der reguläre Verbrauch aus den angelegten Beständen gedeckt wird. Dieser Effekt heißt Post-Promotion-Dip. 

In der Absatzhistorie zeigt sich das als Tal nach dem Peak. Ein Modell ohne Aktionsinformation interpretiert dieses Tal als Nachfragerückgang. Die Folge: Bestellvorschläge für die Wochen nach der Aktion werden zu niedrig angesetzt, obwohl die reguläre Nachfrage längst zurück ist. Aus einer einzigen Aktion entsteht ein zweifacher Modellfehler, einer in beide Richtungen. 

Der Post-Promotion-Dip ist deshalb tückisch, weil er den Peak im Zeitverlauf optisch ausgleicht. Im Mittel sieht das Verkaufsmuster halbwegs plausibel aus, im Detail ist es zweimal falsch. Wer den Dip nicht kennzeichnet, korrigiert nur die Hälfte des Problems. 

Halo und Kannibalisierung: Wenn andere Artikel betroffen sind 

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. 

Beide Effekte sind in der Praxis schwerer zu quantifizieren als der Hauptpeak, weil sie über mehrere Artikel verteilt sind. Für Category Manager und Produktverantwortliche sind sie trotzdem relevant, weil sie über die Wirtschaftlichkeit einer Aktion mitentscheiden. Aus reiner Dispositionssicht reicht es zunächst, sie zu kennen und zu berücksichtigen, dass auch verwandte Artikel ein zweites Hinsehen verdienen, wenn ein Hauptartikel beworben wird. 

Warum die üblichen Behelfsstrategien das Problem nicht lösen 

Drei Strategien begegnen einem in der Praxis immer wieder, wenn es um den Umgang mit Promotionseffekten geht: automatische Ausreißerbereinigung, manueller Forecast Override und nachträgliche Aktionskommunikation. Alle drei haben einen gemeinsamen Punkt. Sie behandeln das Symptom, nicht die Ursache. 

Ausreißerbereinigung ohne Kontext: Blindes Glätten 

Statistische Ausreißerbereinigung ist die Standardantwort vieler Tools auf auffällige Datenpunkte. Werte, die mehr als zwei oder drei Standardabweichungen vom Mittel abweichen, werden geglättet oder durch interpolierte Werte ersetzt. Auf den ersten Blick wirkt das vernünftig: Der Promotionspeak verschwindet, die Zeitreihe sieht wieder normal aus. 

Das Problem ist, dass eine reine statistische Bereinigung nicht zwischen Promotionspeak und echter Nachfragespitze unterscheidet. Auch eine reale Nachfrageveränderung, etwa durch eine virale Produktnennung oder eine Marktverschiebung, sieht für das Glättungsverfahren wie ein Ausreißer aus. Wird sie weggerechnet, lernt das Modell die echte Veränderung nicht, sondern hält an einem überholten Nachfragebild fest. 

Garbage in, Garbage out gilt hier in einer weniger offensichtlichen Variante. Bereinigt wird etwas, aber falsch. Das Modell erhält scheinbar saubere Daten und liefert mit derselben Selbstsicherheit eine Prognose, die ein Stück Realität bewusst herausgerechnet hat. 

Manueller „Forecast Override": Kurzfristige Korrektur, langfristiges Problem 

Wenn die Disposition eine bevorstehende Aktion kennt, korrigiert sie die Prognose oft manuell nach oben. Das ist sinnvoll für die anstehende Bestellung. Es löst aber das Historieproblem nicht, weil die zugrundeliegende Verkaufshistorie weiterhin unmarkiert bleibt. 

Bei der nächsten ähnlichen Aktion stellt sich dasselbe Problem in derselben Größenordnung. Beim übernächsten Mal wieder. Forecast Override wird so zur dauerhaften Korrekturschleife, die Aufwand bindet und nie zur strukturellen Lösung führt. Die Forschung zur algorithmischen Akzeptanz (Dietvorst et al., 2015) zeigt außerdem einen zweiten Effekt: Wer ständig korrigieren muss, verliert das Vertrauen in das Modell selbst und beginnt, auch korrekte Prognosen zu überschreiben. 

Manueller Override ist deshalb nicht falsch, aber er ist eine Brücke, kein Ziel. Solange er das einzige Werkzeug bleibt, bleibt die Prognosequalität dauerhaft unter ihrem Möglichen. 

Aktionsdaten zu spät: Wenn der Kalender erst nach der Bestellung kommt 

Der häufigste Prozessbruch in der Promotionsplanung liegt nicht in der Methode, sondern im Timing der Kommunikation. Aktionskalender existieren in den meisten Unternehmen, aber sie fließen oft nicht rechtzeitig in die Disposition. Vier Wochen vor Aktionsbeginn ist die Bestellung beim Lieferanten in vielen Sortimenten bereits raus. 

Die Folge ist nicht nur eine zu niedrige Bestellmenge. Auch die Prognose der Folgewochen wird verzerrt, weil der Out-of-Stock während der Aktion als Nachfrageabsenkung in die Historie eingeht. Aus einer schlecht kommunizierten Aktion entstehen drei Fehler hintereinander: Zu niedrige Bestellung, künstlich gedämpfter Aktionsabsatz, falsches Folgemuster im Modell. 

An diesem Punkt liegt der höchste Hebel für eine bessere Prognosequalität, aber er liegt nicht in der Disposition. Er liegt in der Schnittstelle zwischen Marketing, Vertrieb und Disposition. Wer hier eine verbindliche Vorlauffrist etabliert, löst einen Teil des Problems, bevor er anfängt, in Methoden zu investieren. 

Vier Methoden, mit denen sich Promotions systematisch in der Prognose abbilden lassen 

Wenn das Problem strukturell ist, muss auch die Lösung strukturell sein. Die folgenden vier Methoden bauen aufeinander auf und lassen sich schrittweise einführen. Wer sie in der Reihenfolge umsetzt, hat nach jeder Stufe einen messbaren Qualitätsgewinn, ohne sofort die gesamte Planungslandschaft umzustellen. 

Retrograde Kennzeichnung: Aktionen in der Historie markieren 

Der erste Schritt ist die retrograde Markierung der Vergangenheit. Alle Promotionszeiträume der letzten 24 Monate werden aus dem vorhandenen Aktionskalender, aus Rechnungspositionen mit Aktionsschlüssel oder aus dem Promotionssystem zusammengetragen und in der Absatzhistorie als Aktion gekennzeichnet. 

Wichtig dabei: Die betroffenen Verkaufsmengen werden nicht gelöscht und nicht durch eine Schätzung ersetzt. Sie bleiben sichtbar, bekommen aber ein zusätzliches Attribut. Damit lernt das Prognosemodell die richtige Lektion. In dieser Woche war eine Aktion, die hohe Menge ist nicht das Normalmuster. Gleichzeitig bleiben die Daten für künftige Aktionsanalysen verwertbar. 

Die retrograde Kennzeichnung ist die Methode mit dem höchsten Wirkungsgrad und den geringsten technischen Voraussetzungen. Sie funktioniert auch in Excel-basierten Prognosen, wenn ein Aktionsflag pro Zeile mitgeführt wird. Der Aufwand liegt in der Datenbeschaffung, nicht in der Modellanpassung. Genau deshalb gehört sie an den Anfang. 

Lift-Faktor-Methode: Promotionseffekte quantifizieren 

Sind die Aktionen einmal markiert, lässt sich ihr Effekt quantifizieren. Der Lift-Faktor beschreibt das Verhältnis zwischen Aktionsabsatz und Baseline-Nachfrage, also der Menge, die ohne Aktion verkauft worden wäre. Die Baseline wird aus den Wochen ohne Aktion vor und nach dem Aktionszeitraum interpoliert. 

Ein Beispiel: Liegt der durchschnittliche Wochenabsatz eines Artikels in den vier Wochen vor und vier Wochen nach einer Aktion bei 800 Einheiten, in den Aktionswochen aber bei 2.400 Einheiten, beträgt der Lift-Faktor 3,0. Diese Kennzahl ist mehr als eine Beschreibung der Vergangenheit. Sie wird zur Planungsgröße für ähnliche künftige Aktionen. 

Der Wert der Methode liegt in der Wiederverwendbarkeit. Eine sauber dokumentierte Aktionshistorie mit Lift-Faktoren erlaubt es, eine geplante Sommerpreisaktion auf den Lift einer vergleichbaren Aktion aus dem Vorjahr zu beziehen. Aus Erfahrungswissen wird belastbare Erwartung. Voraussetzung bleibt der erste Schritt: Ohne Markierung in der Historie kein Lift-Faktor. 

Aktionskalender mit verbindlichem Vorlauf integrieren 

Die dritte Methode setzt am Prozess an, nicht an den Daten. Ein Aktionskalender enthält pro geplanter Aktion mindestens vier Angaben: den Aktionszeitraum, die betroffenen Artikel, den Vertriebskanal und den erwarteten Uplift, idealerweise abgeleitet aus dem Lift-Faktor vergleichbarer Vorjahresaktionen. 

Entscheidend ist nicht die Existenz dieses Kalenders, sondern seine Vorlauffrist. Vier bis sechs Wochen vor Aktionsbeginn müssen die Informationen in der Disposition vorliegen, sonst läuft die Bestellplanung an der Aktion vorbei. Diese Frist ist keine Empfehlung, sondern eine harte Prozessregel: Sie definiert, ab wann eine Aktion als planbar gilt. 

In der Praxis ist die größte Hürde nicht das Tool, sondern die Schnittstelle zwischen Marketing, Vertrieb und Disposition. Wer sich entscheidet, Promotions sauber abzubilden, muss zuerst diese Schnittstelle definieren. Erst danach lohnt sich die Investition in Methoden, die auf diesen Daten aufbauen. 

Wann KI bei der Promotionsabbildung hilft, und wann nicht 

Sind die ersten drei Methoden etabliert, ergibt der Einsatz von KI in der Promotionsmodellierung Sinn. Maschinelles Lernen kann aus einer sauber gekennzeichneten Aktionshistorie automatisch Lift-Faktoren ableiten, Wechselwirkungen zwischen Artikeln erkennen und externe Faktoren wie Wetter oder regionale Unterschiede mit dem Aktionseffekt verknüpfen. Das Fraunhofer IML weist in seiner Forschung zur Optimierung der Bedarfsprognose genau auf diese Stärke datengetriebener Verfahren hin. 

KI kann aber zwei Dinge nicht. Sie kann keine Aktion vorhersagen, die nicht im System steht. Eine im letzten Moment angesetzte Promotion bleibt für jedes Modell unsichtbar. Und sie kann nicht aus einer ungekennzeichneten Historie lernen, was Aktion war und was Normalnachfrage. Ohne saubere Datenbasis liefert auch das beste Modell strukturell verzerrte Ergebnisse, was die zentrale Aussage der bereits zitierten BCG-Studie noch einmal unterstreicht. 

Die belastbare Faustregel: Mindestens zwölf Monate sauber dokumentierte Aktionshistorie sind die Voraussetzung, bevor KI hier einen messbaren Mehrwert liefert. Vorher ist die Investition in Daten und Prozess der bessere Hebel. 

Drei Schritte, mit denen Sie sofort beginnen können 

Das eigentliche Problem ist nicht die Promotion, sondern der fehlende Prozess um sie herum. Wer in Methoden investiert, bevor er Aktionen kennzeichnet, baut auf einem schiefen Fundament. Drei Schritte lassen sich in dieser Reihenfolge sofort beginnen. 

Zuerst die Aktionen der vergangenen 24 Monate retrograd in der Absatzhistorie kennzeichnen. Diese Aufgabe ist datentechnisch unspektakulär und liefert den höchsten unmittelbaren Effekt. Wenn dieser Schritt steht, lässt sich der Aktionskalender mit Disposition und Einkauf synchronisieren, mit einer verbindlichen Vorlauffrist von vier bis sechs Wochen. Erst wenn beide Stufen tragen, lohnt es sich, in Lift-Faktor-Modelle und KI-gestützte Promotionsmodellierung zu investieren. In dieser Reihenfolge entsteht aus einer chronischen Fehlerquelle eine planbare Größe. Wer die Reihenfolge umkehrt, kauft Werkzeuge für ein Problem, das er noch nicht gelöst hat. 

Weiterführende Quellen 

1. PWC (2025): Digital Trends in Operations Survey  

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

3. Fraunhofer IML: Optimierung der Bedarfsprognose  

4. 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