Blogartikel
Demand Sensing: Kurzfristige Signale für präzisere Absatzprognosen nutzen
Absatzprognosen werden auf Wochen oder Monate im Voraus erstellt. Demand Sensing löst eine andere Frage: Was verändert sich in den nächsten drei bis zehn Tagen, und wie sollte die aktuelle Planung darauf reagieren? Wetterdaten, Eventkalender und Aktionspläne sind Signale, die eine Nachfrageänderung ankündigen, bevor sie eingetroffen ist. Im FMCG-Mittelstand wird dieser Horizont meist manuell und unstrukturiert gesteuert. Demand Sensing macht ihn systematisch, ohne dass dafür ein neues System nötig wäre.
Ein statistisches Prognosemodell ist gut für normale Wochen. Für die Hitzewelle am Donnerstag, das Volksfest am Wochenende und die kurzfristige Aktion des Vertriebs ist es strukturell blind, weil es aus der Vergangenheit lernt und diese Ereignisse dort nicht stehen. Die BVL-Trendstudie 2025/26 nennt die Prognosequalität als einen der zentralen Hebel im Bestandsmanagement des Mittelstands. Die entscheidende Lücke liegt aber nicht in der Methode, sondern im Zeithorizont. Für die kurze Frist von wenigen Tagen greift kein statistisches Modell, und die Korrektur passiert heute meist manuell, unstrukturiert und personenabhängig. Demand Sensing füllt genau diese Lücke: kurzfristige Signale als strukturierter Input statt als unstrukturierte Überschreibung der Prognose. Dieser Artikel erklärt drei Signaltypen mit konkreten FMCG-Beispielen, benennt die Grenzen des Ansatzes und liefert einen einstiegsfähigen Prozessrahmen.
Was Demand Sensing ist und welche kurzfristigen Signale im FMCG-Mittelstand planungsrelevant sind
Demand Sensing ist kein neues Prognosemodell, sondern ein Prozess, der bestehende Prognosen im Kurzfristhorizont mit aktuellen Signalen verfeinert. Genauer: Demand Sensing ist die Methode zur kurzfristigen Verfeinerung von Absatzprognosen auf Basis aktueller, oft externer Signale, typischerweise im Horizont von einem bis vierzehn Tagen. Drei Signaltypen sind im FMCG-Mittelstand ohne Systemaufwand nutzbar.
Demand Planning und Demand Sensing: zwei verschiedene Zeithorizonte
Demand Planning ist der strukturierte Prozess zur mittelfristigen Absatzprognose über Wochen bis Monate, meist statistisch und auf regelmäßigen Mustern beruhend. Wie dieser Prozess im Mittelstand aufgebaut wird, behandelt der Artikel zu Demand Planning im Mittelstand. Demand Sensing arbeitet auf einem anderen Zeithorizont: kurzfristig, signalbasiert und korrigierend statt strukturell.
Eine Analogie macht den Unterschied greifbar. Demand Planning ist die Wettervorhersage für den nächsten Monat, die grobe Erwartung auf Basis von Mustern und Erfahrung. Demand Sensing ist der Blick aus dem Fenster am Morgen der Bestellung, die aktuelle Information, die die Erwartung im letzten Moment schärft. Beide widersprechen sich nicht. Demand Sensing ersetzt die Prognose nicht, es korrigiert sie dort, wo statistische Modelle strukturell blind sind, nämlich im kurzfristigen Horizont von Tagen. Die zugrunde liegenden externen Signale, auch Kovariaten genannt, sind Daten außerhalb der eigenen Absatzhistorie, die eine Nachfrageänderung ankündigen: Wetterdaten, Eventkalender, Promotionspläne. Die Fraunhofer-IML-Forschung zum Machine Learning in der Bedarfsplanung beschreibt die Einbettung solcher Signale als eine der zentralen Erweiterungen klassischer Prognose.
Die Prüffrage: Wissen Sie, welcher Anteil Ihrer kurzfristigen Prognosekorrekturen heute strukturiert erfolgt und welcher aus dem Bauch?
Signaltyp 1: Wetterdaten
Wetterdaten sind der einfachste und zugleich wirksamste Einstieg, besonders für Getränke- und Lebensmittelgroßhandel mit wetter- oder saisonabhängigem Sortiment. Sie sind öffentlich und kostenlos verfügbar: über den Deutschen Wetterdienst (DWD) in Deutschland, die GeoSphere Austria in Österreich und MeteoSchweiz in der Schweiz, jeweils tagesaktuell. Sie sind damit ein typisches Beispiel für Neartime-Daten, also Daten, die nicht in Echtzeit, aber zeitnah in täglichem oder stündlichem Rhythmus vorliegen. Für den Mittelstand ist Neartime meist die realistische und ausreichende Alternative zu echter Echtzeitverarbeitung, die einen deutlich höheren technischen Aufwand erfordern würde.
Das zentrale Konzept dahinter ist die Temperaturschwelle, also der spezifische Temperaturwert, ab dem ein messbarer Sprung in der Nachfrage nach bestimmten Produkten einsetzt. Oberhalb einer bestimmten Temperatur steigt der Absatz von Bier, alkoholfreien Erfrischungsgetränken und Eis deutlich. Wie sich solche Schwellen im Getränkegroßhandel konkret nutzen lassen, behandelt der Artikel zur Wetterprognose im GFGH. Das konkrete Vorgehen ist einfach: Die 5-Tages-Wetterprognose wird wöchentlich als Pflichtschritt vor der Bestellplanung geprüft, und wenn sie die eigene Temperaturschwelle überschreitet, wird die Bestellmenge angepasst. Die Grenze dieses Signaltyps ist klar: Wetterdaten helfen bei der kurzfristigen Amplitude, nicht bei strukturellen Saisonverschiebungen, die über den Saisonindex abgebildet werden.
Die Prüffrage: Nutzt Ihr Team die Wetterprognose heute als strukturierten Input für die Wochenbestellung, oder als informelle Bauchgefühl-Korrektur?
Signaltyp 2: Veranstaltungs- und Eventkalender
Der zweite Signaltyp sind lokale Ereignisse: Volksfeste, Sportevents, Feiertage und der Schulferienstart. Sie alle sind planbar, weil sie im Voraus bekannt sind, und sie alle verschieben die Nachfrage bei Gastronomie- und Einzelhandelskunden spürbar. Im Getränke- und Lebensmittelgroßhandel ist der Veranstaltungskalender der Belieferungsregion deshalb ein wertvoller strukturierter Planungsinput.
Das Vorgehen ist eine Wochenroutine: Der Kalender für die nächsten vier bis acht Wochen wird überprüft, und Events mit erwarteter Nachfrageauswirkung werden mit ihrem Bestellzeitpunkt in die Planung eingetragen. Wichtig ist die Abgrenzung zum Saisonalitätsindex, den der Artikel zur Saisonalität in der Prognose behandelt: Der Saisonindex erfasst regelmäßige, wiederkehrende Muster wie den Sommerpeak. Der Eventkalender erfasst einmalige oder jährlich verschobene Ereignisse wie ein Stadtfest, dessen Termin jedes Jahr anders liegt. Beide ergänzen sich, das eine bildet die Regel ab, das andere die Ausnahme.
Signaltyp 3: Interne Aktions- und Promotionsdaten
Der dritte Signaltyp liegt bereits im eigenen Haus, wird aber selten strukturiert genutzt. Geplante Aktionen und Promotions sind intern bekannt, fließen aber oft nicht rechtzeitig in die Kurzfristprognose ein. Das typische Muster: Der Außendienst kündigt eine Aktion beim Gastrokunden an, und der Disponent erfährt davon zufällig oder zu spät, wenn die reguläre Bestellung längst ausgelöst ist.
Demand Sensing für Promotions bedeutet, den Aktionskalender als strukturierten Input mit definiertem Vorlauf vor der Bestellauslösung zu behandeln. Die Aktion wird nicht mehr als Überraschung verarbeitet, sondern als bekanntes Signal, das rechtzeitig in die Bestellmenge einfließt. Da Aktionen die Nachfrage oft stärker verschieben als Wetter oder Events, ist dieser Signaltyp besonders wirksam, erfordert aber einen internen Kommunikationsprozess zwischen Vertrieb und Disposition. Wie sich Promotions methodisch in die Absatzprognose einbinden lassen, behandelt der Artikel zu Promotions in der Absatzprognose, die Grundlagen der Prognosemethodik der Artikel zu Absatzprognose-Methoden im Mittelstand.
Was Demand Sensing nicht leistet und welche Voraussetzungen es braucht
Demand Sensing verbessert die Prognose im Kurzfristhorizont, aber nur, wenn drei Voraussetzungen erfüllt sind und drei strukturelle Grenzen verstanden werden. Wer sie kennt, setzt das Instrument dort ein, wo es wirkt, und vermeidet den Aufwand dort, wo es nichts bringt.
Grenze 1: Signallatenz gegen Bestellvorlauf
Die erste Grenze ist zeitlicher Natur. Die Signallatenz ist die Zeitverzögerung zwischen dem Auftreten eines Nachfragesignals und seiner Verfügbarkeit im Planungssystem. Sie entscheidet darüber, ob ein Signal überhaupt nutzbar ist. Ein Wettersignal vom Donnerstag hilft nicht, wenn die Bestellung für die nächste Woche bereits am Montag ausgelöst werden muss und die Wiederbeschaffungszeit drei Tage beträgt.
Die Regel dahinter ist einfach: Demand Sensing funktioniert nur, wenn der Vorhersagehorizont des Signals länger ist als die Summe aus Bestellauslösung und Wiederbeschaffungszeit. Für die meisten FMCG-Bestellrhythmen reicht der 5- bis 7-Tage-Vorlauf einer Wetterprognose aus. Beim Eventkalender ist der Vorlauf mit zwei bis acht Wochen praktisch immer ausreichend. Bei Promotionsdaten hängt es am internen Kommunikationsprozess: Das Signal ist früh bekannt, muss die Disposition aber rechtzeitig erreichen. Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose betont die zeitliche Passung von Signal und Planungszyklus als Voraussetzung wirksamer Signalintegration.
Die Prüffrage: Ist der Vorhersagehorizont Ihrer wichtigsten Signale länger als Ihr Bestellvorlauf plus Wiederbeschaffungszeit?
Grenze 2: Demand Sensing braucht eine belastbare Basisprognose
Die zweite Grenze betrifft das Fundament. Demand Sensing ist eine Korrektur, nicht die Prognose selbst. Es setzt auf einer bestehenden Basisprognose auf und schärft sie. Ist diese Basis methodisch schwach, etwa ohne Saisonindex oder ohne bereinigte Absatzhistorie, verbessert Demand Sensing sie nicht strukturell, sondern korrigiert nur Symptome an einer instabilen Grundlage.
Daraus folgt eine klare Reihenfolge. Zuerst wird die Basisprognose methodisch verbessert, wie es die Artikel zu Absatzprognose-Methoden im Mittelstand und zu Demand Planning im Mittelstand beschreiben. Erst danach lohnt sich Demand Sensing als Ergänzung. Wer die Reihenfolge umkehrt und Signale auf eine schwache Prognose legt, verwechselt eine kurzfristige Nachbesserung mit einer methodischen Lösung und wird enttäuscht, weil die eigentlichen Prognosefehler bleiben.
Grenze 3: Ohne Prozess bleibt Demand Sensing Bauchgefühl
Die dritte Grenze ist die wichtigste. Demand Sensing ohne definierten Prozess ist nichts anderes als ein unstrukturierter Forecast Override, also die manuelle Überschreibung einer systemgenerierten Prognose nach Gefühl, nur unter einem anderen Namen. Der Forecast Override ist kein Fehler, im Gegenteil, er ist die verständliche Reaktion eines erfahrenen Disponenten. Aber solange er unstrukturiert bleibt, ist er personenabhängig und nicht überprüfbar.
Was einen Prozess ausmacht, sind vier Elemente: ein definierter Zeitpunkt, etwa wöchentlich, definierte Signalquellen wie Wetter, Event und Aktion, eine definierte Entscheidungsregel, wann angepasst wird und wann nicht, und die Dokumentation der Änderung. Ohne diese Dokumentation gibt es keinen Lerneffekt und keinen Qualitätsvergleich, und die Korrektur bleibt an einzelne Personen gebunden. Die BCG-Studie Supply Chain Planning 2026 hält fest, dass die Verbindlichkeit und Dokumentation eines Prozesses über seinen Nutzen entscheidet, nicht seine technische Ausstattung.
Die Prüffrage: Wird eine kurzfristige Prognosekorrektur in Ihrem Betrieb dokumentiert, oder verschwindet sie im Kopf der Person, die sie vorgenommen hat?
Demand Sensing einführen im Mittelstand: ein schlanker Wochenprozess ohne neues System
Der Einstieg in Demand Sensing erfordert kein neues System, sondern einen definierten wöchentlichen Prozessschritt. Drei Elemente machen diesen Schritt wirksam, und alle drei lassen sich mit vorhandenen Mitteln beginnen. Der Aufwand ist gering, der Hebel liegt in der Regelmäßigkeit.
Element 1: Die wöchentliche Signalprüfung als Pflichtschritt
Das erste Element ist ein fester Termin pro Woche, etwa am Montagmorgen vor der Bestellauslösung, an dem drei Fragen strukturiert beantwortet werden. Erstens die Wetterfrage: Überschreitet die 5-Tages-Prognose die eigenen Temperaturschwellen für wettersensitive Artikel? Zweitens die Eventfrage: Gibt es in den nächsten zehn Tagen lokale Ereignisse, die die Nachfrage bei Gastronomie- oder Einzelhandelskunden beeinflussen? Drittens die Aktionsfrage: Sind interne Promotions geplant, die noch nicht in der Basisprognose berücksichtigt sind?
Der Zeitaufwand dafür ist gering. Als Orientierungswert genügen einem erfahrenen Disponenten 15 bis 30 Minuten pro Woche. Entscheidend ist nicht die Dauer, sondern die Verlässlichkeit: Der Check findet jede Woche statt, unabhängig davon, ob gerade etwas Auffälliges ansteht, weil nur die Regelmäßigkeit verhindert, dass ein wichtiges Signal genau in der Woche übersehen wird, in der niemand hingeschaut hat.
Die Prüffrage: Gibt es in Ihrem Betrieb einen festen Zeitpunkt, an dem kurzfristige Signale vor der Bestellung geprüft werden?
Element 2: Die Entscheidungsregel für Anpassungen
Das zweite Element verhindert das Gegenteil des Problems: das ständige Nachjustieren. Nicht jedes Signal rechtfertigt eine Prognosekorrektur, und wer bei jeder kleinen Wetteränderung eingreift, erzeugt Unruhe statt Präzision. Eine einfache Entscheidungsregel schützt davor. Als Orientierungswert: Eine Anpassung erfolgt nur, wenn das Signal voraussichtlich mehr als 15 Prozent Nachfrageabweichung vom Basiswert erzeugt, sonst bleibt die Basisprognose bestehen.
Die Grundlage dieser Entscheidung ist je Signaltyp unterschiedlich. Für Wetterdaten dienen die eigenen historischen Temperaturschwellen als Maßstab, wie sie der Artikel zur Wetterprognose im GFGH beschreibt. Für Events liefert die Analogie zu vergleichbaren Vorjahresereignissen die Orientierung: Wie stark hat dasselbe Stadtfest im letzten Jahr die Nachfrage bewegt? Die Regel macht aus einem diffusen Gefühl eine nachvollziehbare Schwelle und sorgt dafür, dass nur die wirklich relevanten Signale die Planung verändern.
Element 3: Dokumentation und Lernprozess
Das dritte Element macht aus der Routine einen lernenden Prozess. Jede vorgenommene Anpassung wird dokumentiert: welches Signal sie ausgelöst hat, welche Anpassung erfolgte und welcher tatsächliche Abverkauf sich daraus ergab. Diese drei Angaben genügen, und sie lassen sich in einer einfachen Tabelle führen.
Nach vier bis sechs Wochen wird ausgewertet, ob die Korrekturen besser waren als die unkorrigierte Basisprognose. Waren sie es, wird der Signaltyp systematisch in den Prozess integriert. Waren sie es nicht, wird die Entscheidungsregel überprüft oder das Signal wieder aussortiert. So entsteht über die Zeit ein belegter Erfahrungswert darüber, welche Signale im eigenen Betrieb wirklich tragen. Demand Sensing wird damit zur Vorstufe einer späteren, automatisierten Signalintegration, wie sie der Artikel zu KI-Absatzprognose zwischen Mehrwert und Hype beschreibt. Wer den Prozess manuell beherrscht, kann später fundiert entscheiden, ob sich die Automatisierung lohnt.
Demand Sensing beginnt mit einer Frage, nicht mit einem System
Demand Sensing beginnt nicht mit einer Systemeinführung, sondern mit einem Prozess. Wer wöchentlich drei Signale prüft, nach einer klaren Regel entscheidet und die Anpassung dokumentiert, betreibt Demand Sensing, unabhängig davon, welches Planungssystem er nutzt. Die Prognosegenauigkeit verbessert sich dort, wo statistische Modelle strukturell blind sind, im kurzfristigen Horizont von Tagen.
Drei Sofortschritte lohnen sich. Erstens die eigenen Temperaturschwellen für die zehn wettersensitivsten Artikel aus den Abverkaufsdaten der letzten drei Sommer ableiten. Zweitens den Veranstaltungskalender der nächsten vier Wochen einmalig anlegen, als Grundlage für den wöchentlichen Check. Drittens einen festen 15-Minuten-Slot vor der wöchentlichen Bestellauslösung definieren, an dem die drei Demand-Sensing-Fragen zum Pflichtschritt werden.
Demand Sensing ist kein Technologieprojekt. Es ist eine Frage: Was weiß ich heute, das meine Prognose von letzter Woche noch nicht wusste? Wer diese Frage jede Woche strukturiert beantwortet, betreibt Demand Sensing, ob er es so nennt oder nicht. Und er trifft in genau den Wochen bessere Entscheidungen, in denen die Standardprognose an ihre Grenze kommt, bei Hitze, beim Fest und bei der Aktion.
Weiterführende Quellen
Fraunhofer IML: Potenziale des Machine Learning in der Bedarfsplanung
BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26
BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn't Enough
McKinsey: Harnessing the Power of AI in Distribution Operations
FAQ
Was ist Demand Sensing, und was unterscheidet es von Demand Planning?
Demand Sensing ist die Methode zur kurzfristigen Verfeinerung von Absatzprognosen auf Basis aktueller, oft externer Signale, typischerweise im Horizont von einem bis vierzehn Tagen. Demand Planning ist der mittelfristige Prognoseprozess über Wochen bis Monate. Der Unterschied liegt im Zeithorizont und in der Funktion: Demand Planning erstellt die strukturelle Prognose auf Basis von Mustern, Demand Sensing korrigiert sie kurzfristig mit aktuellen Signalen wie Wetter, Events oder Aktionen. Demand Sensing ersetzt Demand Planning nicht, es ergänzt es genau dort, wo statistische Modelle im Kurzfristhorizont strukturell blind sind.
Welche Signale nutzt Demand Sensing im FMCG-Mittelstand?
Drei Signaltypen sind ohne Systemaufwand nutzbar. Erstens Wetterdaten, kostenlos verfügbar über DWD, GeoSphere Austria und MeteoSchweiz, mit einem Vorlauf von fünf bis vierzehn Tagen und sehr niedriger Einstiegshürde. Zweitens Veranstaltungs- und Eventkalender wie Volksfeste, Sportevents und Schulferienstart, manuell pflegbar mit zwei bis acht Wochen Vorlauf. Drittens interne Aktions- und Promotionsdaten, die intern vorhanden sind, aber einen definierten Kommunikationsprozess zwischen Vertrieb und Disposition brauchen. Alle drei kündigen eine Nachfrageänderung an, bevor sie in der Absatzhistorie sichtbar wird.
Was ist Signallatenz, und warum ist sie planungsrelevant?
Signallatenz ist die Zeitverzögerung zwischen dem Auftreten eines Nachfragesignals und seiner Verfügbarkeit im Planungssystem. Sie ist planungsrelevant, weil ein Signal nur dann nutzbar ist, wenn es rechtzeitig vor der Bestellauslösung vorliegt. Ein Wettersignal vom Donnerstag hilft nicht, wenn die Bestellung am Montag ausgelöst werden muss. Die Regel lautet: Der Vorhersagehorizont des Signals muss länger sein als die Summe aus Bestellauslösung und Wiederbeschaffungszeit. Für Wetterprognosen reichen fünf bis sieben Tage bei den meisten FMCG-Rhythmen, für Eventkalender sind zwei bis acht Wochen praktisch immer ausreichend.
Welche Wetterdaten sind für die Absatzprognose im FMCG kostenlos verfügbar?
Die nationalen Wetterdienste stellen tagesaktuelle Prognosen kostenlos bereit: der Deutsche Wetterdienst (DWD) für Deutschland, die GeoSphere Austria für Österreich und MeteoSchweiz für die Schweiz. Für Demand Sensing relevant sind vor allem Temperatur, Niederschlag und Sonnenstunden im 5- bis 7-Tage-Horizont. Diese Daten genügen, um wettersensitive Artikel wie Getränke oder Eis kurzfristig zu steuern. Wichtig ist nicht die Datenquelle, die frei verfügbar ist, sondern die Übersetzung in eigene Temperaturschwellen, ab denen die Nachfrage messbar springt.
Was ist eine Temperaturschwelle, und wie leite ich meine eigene ab?
Eine Temperaturschwelle ist der spezifische Temperaturwert, ab dem ein messbarer Sprung in der Nachfrage nach bestimmten Produkten einsetzt, etwa bei Bier oder alkoholfreien Erfrischungsgetränken. Die eigene Schwelle leitet sich aus den historischen Abverkaufsdaten ab: Man vergleicht die Abverkaufsmengen wettersensitiver Artikel der letzten Sommer mit den zugehörigen Tagestemperaturen und erkennt, ab welcher Temperatur der Absatz deutlich ansteigt. Diese betriebs- und artikelspezifische Schwelle ist wertvoller als ein allgemeiner Richtwert, weil sie das tatsächliche Verhalten der eigenen Kunden abbildet. Sie dient dann als Entscheidungsgrundlage im wöchentlichen Signalcheck.
Was ist der Unterschied zwischen Demand Sensing und Forecast Override?
Ein Forecast Override ist die manuelle Überschreibung einer systemgenerierten Prognose durch den Planer. Er ist kein Fehler, sondern oft die berechtigte Reaktion auf ein Signal, das das Modell nicht kennt. Das Problem ist nicht die Korrektur selbst, sondern ihre Unstrukturiertheit: Ein unstrukturierter Override ist personenabhängig, nicht dokumentiert und nicht überprüfbar. Demand Sensing ist die strukturierte Form desselben Vorgangs: mit definiertem Zeitpunkt, definierten Signalquellen, einer Entscheidungsregel und Dokumentation. Aus einer Bauchentscheidung wird so ein nachvollziehbarer, lernender Prozess, dessen Qualität sich messen und verbessern lässt.
Wie lange dauert ein wöchentlicher Demand-Sensing-Prozess in der Praxis?
Als Orientierungswert genügen einem erfahrenen Disponenten 15 bis 30 Minuten pro Woche für die strukturierte Prüfung der drei Signale Wetter, Events und Aktionen. Der Aufwand ist damit gering, entscheidend ist die Regelmäßigkeit statt der Dauer. Hinzu kommt eine einmalige Vorarbeit: das Ableiten der eigenen Temperaturschwellen und das Anlegen des Veranstaltungskalenders. Nach vier bis sechs Wochen kommt eine kurze Auswertung hinzu, ob die Anpassungen die Prognose tatsächlich verbessert haben. Insgesamt ist Demand Sensing damit ein Prozess, der sich in den bestehenden Wochenrhythmus einfügt, ohne zusätzliche Personalkapazität zu binden.
