Blogartikel
Letzte Änderung am
KI-gestützte Absatzprognose: Ab wann lohnt sie sich?
Ob sich eine KI-gestützte Absatzprognose lohnt, hängt weniger am Algorithmus als an Ihren Daten, Ihrem Sortiment und Ihrem Planungsablauf. Dieser Artikel zeigt, woran Sie vor einer Investition erkennen, ob die Voraussetzungen stehen, und wie Sie den Nutzen auf Ihren eigenen Zahlen nachweisen, bevor Sie das ganze Sortiment umstellen.
Für 3.000 aktive Artikel steht jeden Morgen ein Prognosewert im ERP, und bei Aktionsware, Saisonartikeln und Neulistungen rechnet die Disposition trotzdem von Hand nach. Wo die Korrektur zu spät kommt, liegt Ware zu lange im Lager oder fehlt im Regal. Eine KI-gestützte Absatzprognose verspricht Entlastung, und das Interesse ist groß: Laut der Studie Trends und Strategien 2025/26 der Bundesvereinigung Logistik (BVL) werden 68 Prozent der Unternehmen in den nächsten fünf Jahren an der Implementierung oder Skalierung von KI arbeiten. Zugleich sehen 54 Prozent in der eingeschränkten Verfügbarkeit und Qualität von Daten eine der größten Herausforderungen. Was muss also stimmen, damit sich die Investition auszahlt, und wie weisen Sie das vorher nach?
Was ist eine KI-gestützte Absatzprognose?
Eine KI-gestützte Absatzprognose schätzt den künftigen Absatz je Artikel mit Verfahren des maschinellen Lernens. Petropoulos und Kollegen nennen in der Übersicht Forecasting: theory and practice das übliche Kriterium: Als maschinelles Lernen gelten Verfahren meist dann, wenn sie den datenerzeugenden Prozess nicht vorgeben, sondern die Zusammenhänge in den Daten selbst lernen. Die Grenze zur Statistik ist dabei fließend; die Einteilung in statistische und lernende Verfahren nennen die Autoren ausdrücklich „nicht trivial“. Auch eine klassische Absatzprognose wie die exponentielle Glättung schätzt ihre Parameter aus der Historie. Der Unterschied liegt darin, wie viel Struktur ein Verfahren vorgibt und welche Informationen es verarbeiten kann.
Für die Disposition zählen zwei Eigenschaften. Ein lernendes Modell kann über viele Artikel hinweg lernen, statt jede Zeitreihe einzeln zu betrachten; Petropoulos und Kollegen sprechen von „cross-learning“. Was es an vielen Aktionsartikeln über den Verlauf einer Aktionswoche erkennt, steht dann auch für den nächsten Aktionsartikel zur Verfügung. Außerdem kann es Einflussgrößen einbeziehen, die eine einfache Zeitreihenprognose außen vor lässt: Hyndman und Athanasopoulos halten in Forecasting: Principles and Practice fest, dass die einfachsten Zeitreihenverfahren nur die Werte der Reihe selbst nutzen und Informationen wie Marketingaktionen ignorieren. Einflussgrößen verarbeiten zwar auch klassische Regressionsmodelle; ein lernendes Modell braucht die Form des Zusammenhangs aber nicht vorgegeben. Die Kehrseite benennen wieder Petropoulos und Kollegen: Lernende Verfahren brauchen ausreichend Daten, um ihre Stärke auszuspielen.
Wann lohnt sich eine KI-gestützte Absatzprognose? Vier Voraussetzungen
Kurz gesagt: Eine KI-gestützte Absatzprognose lohnt sich, wenn vier Bedingungen zusammenkommen: eine Absatzhistorie von mindestens zwölf Monaten, besser 24, in der Aktionen und Fehlbestände erkennbar sind; ein Sortiment, dessen Absatz von Aktionen, Saison, Feiertagen oder Wetter abhängt; ein Planungsablauf, in dem feststeht, wer die Prognose übernimmt; und ein Test auf den eigenen Daten, in dem die neue Prognose genauer ist als die heutige und als eine einfache Vergleichsprognose. Die Unternehmensgröße sagt darüber wenig. Fehlen Daten, Markierungen oder Zuständigkeiten, ist das kein Ausschlussgrund, sondern der erste Arbeitsschritt; ob sich der Wechsel lohnt, entscheidet dann der Test. Die Tabelle fasst die Prüffragen zusammen, die Abschnitte darunter erklären, worauf es jeweils ankommt.
Voraussetzung | Prüffrage | Wenn die Antwort Nein ist |
|---|---|---|
Absatzhistorie | Liegen je Artikel mindestens 12 Monate vor, besser 24, und sind Fehlbestände, Aktionen und Systembrüche darin erkennbar? | Zuerst markieren, sonst lernt das Modell Ausnahmen als Normalfall |
Sortiment | Hängt der Absatz vieler Artikel von Aktionen, Saison, Feiertagen oder Wetter ab? | Eine einfache statistische Prognose kann genügen, der Test entscheidet |
Planungsablauf | Ist festgelegt, wer die Prognose übernimmt, ändert und begründet? | Zuständigkeit und Planungsrhythmus klären |
Test | Kennen Sie den Fehler Ihrer heutigen Prognose, und testen Sie die neue gegen die heutige und eine einfache Vergleichsprognose? | Ausgangswert messen, Test vor dem Rollout |
Absatzhistorie: 12 Monate als Minimum, 24 für Saisonmuster
Ein Modell lernt nur, was in der Historie mehrfach vorkommt. Mit zwölf Monaten sieht es jede Saison genau einmal; ob der Ausschlag im Dezember Saison war oder eine einmalige Großbestellung, zeigt erst das zweite Jahr. Für Circly Absatzprognosen sind mindestens zwölf Monate digitale Absatzhistorie im ERP Voraussetzung, empfohlen sind 24. Mit nur zwölf Monaten lässt sich ein Saisonmuster auch nicht zugleich schätzen und an zurückgehaltenen Wochen prüfen; dann zeigt erst der laufende Pilot, wie gut die Prognose ist.
Wichtiger als die Länge ist, was in den Zahlen steht, denn der verbuchte Absatz ist nicht immer die Nachfrage. In einer Woche mit leerem Regal steht im ERP eine niedrige Zahl oder eine Null, obwohl Kunden kaufen wollten; im Lebensmittelhandel ist das meist ein verlorener Verkauf und kein Rückstand, der später nachgeholt wird. Wird ein Auftrag nur teilweise beliefert, steht die gelieferte Menge im ERP, die Nachfrage war die bestellte. Hat ein Ersatzartikel die Lücke gefüllt, trägt er fremde Nachfrage in seiner Historie.
Aktionswochen, Sonderaufträge eines Großkunden, Streckengeschäfte ohne Lagerbewegung und Brüche durch einen ERP-Wechsel verzerren die Historie ebenso. Wer solche Wochen nicht kennzeichnet, bringt dem Modell bei, Ausnahmen für den Normalfall zu halten. Bekommt Anlassware wie ein Osterartikel jedes Jahr eine neue Artikelnummer, fehlt am Artikel selbst die Historie; dann braucht die Prognose die Verbindung zum Vorjahresartikel oder zu vergleichbaren Artikeln. Wie sich Fehlbestandswochen erkennen und bereinigen lassen, zeigt der Artikel zur Stockout-Verzerrung im ERP.
Sortiment: Wo KI mehr leisten kann als eine einfache Prognose
Eine KI-gestützte Absatzprognose spielt ihre Stärke dort aus, wo der Absatz von mehr abhängt als von der eigenen Vergangenheit: Aktionen im Lebensmitteleinzelhandel, Ostern, das jedes Jahr auf ein anderes Datum fällt, eine Hitzewoche im Getränkeabsatz, eine neue Listung bei einem Handelskunden. Solche Einflüsse kann ein Modell einbeziehen, wenn sie vorab bekannt sind; ein Aktionsplan zählt dabei nur so, wie er zum Zeitpunkt der Prognose feststand. Dass ein einfacher Abgleich mit der Temperatur nicht reicht, zeigt der Artikel zum Mozzarella-Phänomen.
Bei Artikeln mit gleichmäßigem Absatz, ohne Aktionen und ohne ausgeprägte Saison kann dagegen eine einfache Prognose genügen. Hyndman und Athanasopoulos halten ausdrücklich fest, dass manchmal eine der einfachen Methoden das beste verfügbare Verfahren ist. Schwer bleiben für jedes Verfahren Artikel mit sporadischem Bedarf, also mit vielen Wochen ohne Verkauf. Bevor dafür ein Spezialverfahren gesucht wird, gehört geklärt, ob die Nullen echte Nullnachfrage sind oder Wochen ohne Ware.
Planungsablauf: Wer übernimmt die Prognose?
Die Boston Consulting Group beschreibt in Supply Chain Planning 2026 ein Muster: Unternehmen, die fehlende Planungsreife allein mit KI überspringen wollen, tun sich eher schwer; wer KI gezielt auf eine stabile Planungsgrundlage setzt, erzielt dauerhaftere Verbesserungen. Stabile Grundlage heißt im Mittelstand nicht zwingend ein formaler S&OP-Prozess (Sales and Operations Planning, also die regelmäßige Abstimmung von Vertrieb, Einkauf und Produktion).
Drei Dinge sollten geklärt sein, bevor ein Modell live geht: wer die Prognose freigibt, bis wann der Vertrieb Aktionen und Listungsänderungen meldet und wie eine Korrektur begründet und festgehalten wird. Fehlt diese Klärung, landet die Prognose im System, der Vertrieb plant mit seiner eigenen Zahl und der Einkauf mit der des ERP. Das Modell rechnet dann für niemanden.
Messbarkeit: Den heutigen Prognosefehler kennen
Wie viel genauer eine KI-gestützte Absatzprognose wird, lässt sich vorab nicht seriös beziffern. Der Abstand hängt vom Sortiment ab, von der Datenlage und von der Prognose, mit der Sie heute arbeiten. Belastbar ist nur ein Test auf Ihren eigenen Daten, und dafür brauchen Sie zuerst den Ausgangswert: Wie weit lag die heutige Prognose in den vergangenen Wochen daneben? Hyndman und Athanasopoulos formulieren die Grundregel der Messung: Die Genauigkeit einer Prognose zeigt sich nur an Daten, die beim Anpassen des Modells nicht verwendet wurden. Für einen fairen Vergleich heißt das:
Die neue Prognose tritt gegen Ihre heutige an und gegen eine einfache Vergleichsprognose, etwa den Wert der Vorwoche, bei Saisonware den Wert derselben Woche im Vorjahr und bei Ostern die Vorjahreswoche mit demselben Abstand zum Feiertag. Ist sie nicht besser als die einfache Prognose, ist sie nach Hyndman und Athanasopoulos nicht weiter in Betracht zu ziehen.
Gemessen wird über mehrere Zeitfenster nacheinander und im Horizont, den die Bestellung abdecken muss: mindestens über die Wiederbeschaffungszeit, bei festem Bestellrhythmus zusätzlich über das Bestellintervall.
Aktionen und andere Einflussgrößen fließen nur so ein, wie sie zum Prognosezeitpunkt bekannt waren.
Prozentuale Fehlermaße wie der MAPE (mittlerer absoluter prozentualer Fehler) sind nicht definiert, sobald ein Ist-Wert null ist, und schlagen extrem aus, wenn Ist-Werte nahe null liegen. Bei Langsamdrehern braucht es ein anderes Maß.
Welche Kennzahl für welchen Zweck trägt, erklärt der Artikel Forecast Accuracy messen.
Woran Absatzplanung mit künstlicher Intelligenz in der Praxis scheitert
Die BCG-Analyse führt Leistungsunterschiede in der Planung darauf zurück, wie gut Unternehmen neue Werkzeuge in ihre Entscheidungsprozesse eingebettet haben. An welchen Stellen KI-Projekte in der Absatzplanung enttäuschen können, lässt sich an drei Mustern schon vor dem Start erkennen.
Erwartung: fehlerfreie Prognosen statt seltenerer grober Fehler
Keine Prognose trifft den Absatz einer einzelnen Woche genau, auch keine KI-gestützte. Wer in den ersten Tagen nach dem Start einzelne Artikel nachprüft, findet Abweichungen, und wer daraus schließt, das System tauge nichts, misst am falschen Maßstab. Aussagekräftiger als der Fehler eines einzelnen Artikels sind drei Fragen über mehrere Wochen: Ist der durchschnittliche Fehler kleiner als bei der bisherigen Prognose? Liegt die Prognose systematisch zu hoch oder zu niedrig (Bias, also eine gleichgerichtete Verzerrung)? Und muss die Disposition weniger Werte von Hand ändern?
Bei Frischware mit kurzem Mindesthaltbarkeitsdatum zählt die Richtung des Fehlers oft mehr als seine Größe, weil eine dauerhaft zu hohe Prognose Abschriften erzeugt. Die letzte Frage zeigt, ob die Prognose im Alltag ankommt.
Daten: Fehlbestände und Aktionen nicht gekennzeichnet
Wird ein Modell auf die Historie trainiert, wie sie im ERP steht, erscheinen Wochen mit leerem Regal als schwache Nachfrage und Aktionswochen als Normalabsatz. Die Prognose unterschätzt danach genau die Artikel, die zuletzt knapp waren. Bestellt die Disposition auf dieser Grundlage, wird wieder zu wenig nachgeordert, und der nächste Fehlbestand bestätigt die falsche Zahl. Ungekennzeichnete Aktionswochen wirken in die andere Richtung: Sie können das Grundniveau anheben, und nach der Aktion liegt zu viel Ware im Lager. Beides lässt sich vor dem Training beheben, wenn das ERP Bestandsverlauf oder Verkaufsstatus liefert und Aktionen mit Zeitraum hinterlegt sind.
Akzeptanz: Planer überschreiben die Prognose
Selbst eine nachweislich bessere Prognose bringt nichts, wenn sie systematisch überschrieben wird. Das ist kein Eigensinn, sondern ein gut untersuchtes Muster: Dietvorst, Simmons und Massey zeigten 2015 in fünf Experimenten zur Algorithm Aversion, dass Menschen einem Algorithmus schneller das Vertrauen entziehen als einem menschlichen Prognostiker, wenn sie beide denselben Fehler machen sehen, und zwar auch dann, wenn der Algorithmus insgesamt besser abschneidet. Übertragen auf die Disposition heißt das: Eine auffällige Fehlprognose bei einem Aktionsartikel kann genügen, damit Werte künftig grundsätzlich von Hand gesetzt werden. Dagegen hilft, wenn nachvollziehbar ist, wie ein Wert zustande kommt, und wenn eine begründete Korrektur erhalten bleibt, statt beim nächsten Rechenlauf zu verschwinden. Mehr dazu im Artikel Forecast Override: Warum Planer KI-Prognosen nicht vertrauen.
KI-gestützte Absatzplanung einführen: in dieser Reihenfolge
Eine KI-gestützte Absatzplanung muss nicht mit dem ganzen Sortiment starten. Sinnvoll ist ein Vorgehen in fünf Schritten, bei dem jeder Schritt auf dem Ergebnis des vorigen aufbaut:
Daten prüfen und kennzeichnen: Fehlbestände, Aktionen, Sonderaufträge und Systembrüche in der Historie markieren.
Ausgangswert messen: den Fehler der heutigen Prognose auf der Ebene erheben, auf der disponiert wird, etwa je Artikel und Lager.
Pilot abgrenzen: eine Warengruppe wie Getränke oder Molkereiprodukte wählen, die Aktions- und Saisonartikel enthält und nicht nur die gleichmäßigsten Schnelldreher, und die Laufzeit so legen, dass mindestens eine Aktion und ein Saisonwechsel hineinfallen.
Ablauf festlegen: bestimmen, wer freigibt, wie Korrekturen begründet werden und dass sie den nächsten Rechenlauf überstehen.
Nach Ergebnis ausrollen: Warengruppen, in denen der Test keinen Vorteil zeigt, behalten vorerst das einfachere Verfahren.
Der Pilot liefert außerdem das Argument für die Geschäftsführung: Zahlen aus dem eigenen Sortiment statt Versprechen aus Anbieterpräsentationen.
Spezialisierte Software oder ERP-Modul: vier Prüffragen
Für KI-gestützte Absatzprognosen gibt es zwei Wege: ein Planungsmodul des eigenen ERP-Systems oder eine spezialisierte Lösung, die an das ERP angebunden wird. Welcher passt, hängt weniger vom Etikett ab als von vier Fragen.
Liest das System Absatz und Bestand direkt aus dem ERP, lassen sich Aktionen des Handels mit Zeitraum erfassen, und spielt es die Prognose dorthin zurück? Erkennt es Wochen mit Fehlbestand, statt sie als Nullnachfrage zu werten? Lässt sich eine Korrektur festhalten und später nachvollziehen? Und zeigt es die Prognosegüte je Artikel, damit die Disposition weiß, wo sie genauer hinsehen muss? Weitere Kriterien für die Auswahl sammelt der Artikel SCM-Software auswählen: 7 Kriterien für den Mittelstand.
Was Circly für die KI-gestützte Absatzprognose übernimmt
Circly Absatzprognosen setzen bei Daten und Anbindung an. Circly liefert KI-generierte Absatzprognosen auf Artikelebene, die Saisonalität, Trends, Kalendereffekte, Feiertage, Aktionen und Ausreißer automatisch einbeziehen, ohne manuelle Datenpflege durch den Kunden. Fehlbestandsperioden in der Historie werden gesondert behandelt und nicht als Nullnachfrage gewertet. Voraussetzung dafür ist, dass das ERP Bestandsverlauf oder Verkaufsstatus des Artikels liefert. Die Prognose wird täglich über eine Schnittstelle aus den ERP-Daten neu berechnet und ins ERP zurückgespielt; Aktionen und Sonderereignisse lassen sich zusätzlich manuell hinterlegen und fließen direkt ins Modell ein.
Die Entscheidung bleibt bei der Disposition. Mit Circly Absatzplanung kommt die Kontrolle über jede Korrektur dazu: Angepasste Prognosewerte lassen sich einfrieren und überleben den nächsten automatischen Rechenlauf. Der ursprüngliche KI-Wert bleibt sichtbar, jede Änderung ist im Audit-Log nachvollziehbar.
Fazit
Ob sich eine KI-gestützte Absatzprognose lohnt, ist keine Glaubensfrage, sondern eine Messfrage. Wenn die Historie mindestens zwölf Monate umfasst und Fehlbestände und Aktionen darin erkennbar sind, lohnt der Test. Wenn der Test auf Ihren eigenen Daten zeigt, dass die neue Prognose genauer ist als Ihre heutige und als eine einfache Vergleichsprognose, lohnt der Rollout, und zwar in den Warengruppen, in denen der Vorteil gemessen wurde. Erst wenn feststeht, wer die Prognose übernimmt und wie Korrekturen erhalten bleiben, wird aus der besseren Zahl auch eine bessere Bestellung.
Weiterführende Quellen
BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn’t Enough
BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26
Hyndman, R. J. & Athanasopoulos, G. (2021): Forecasting: Principles and Practice, 3. Auflage, OTexts
Petropoulos, F. u. a. (2022): Forecasting: theory and practice, International Journal of Forecasting
FAQs
Wie viel genauer ist eine KI-Absatzprognose als eine statistische Prognose?
Eine allgemeingültige Zahl gibt es nicht. Der Abstand hängt davon ab, wie stark Aktionen, Saison, Feiertage oder Wetter den Absatz Ihrer Artikel bewegen, wie sauber die Historie ist und wie gut die Prognose ist, mit der Sie heute arbeiten. Bei gleichmäßig drehenden Artikeln kann eine einfache Prognose bereits das beste verfügbare Verfahren sein; mehr Spielraum gibt es dort, wo Einflussgrößen den Absatz treiben. Verlässlich beantworten lässt sich die Frage nur mit einem Test auf Ihren eigenen Daten: über mehrere Zeiträume, im Horizont Ihrer Disposition und gegen eine einfache Vergleichsprognose. Genauigkeitsangaben aus fremden Projekten ersetzen diesen Test nicht, weil Sortiment und Datenlage dort andere sind.
Was kostet die Einführung einer KI-gestützten Absatzplanung?
Eine seriöse Pauschalzahl gibt es nicht, weil der Preis vom Anbieter, vom Sortimentsumfang und von der ERP-Anbindung abhängt. Für die Budgetplanung sind vier Posten wichtig: die Software selbst, die Anbindung an das ERP in beide Richtungen, die Prüfung und Kennzeichnung der Daten vor dem Start und die Zeit der Disposition für Pilot und Einarbeitung. Die Datenprüfung gehört ausdrücklich ins Budget, weil Fehlbestände und Aktionen in vielen ERP-Systemen nicht gekennzeichnet sind. Dem gegenüber stehen Effekte wie geringere Bestände, weniger Fehlmengen und weniger Korrekturaufwand, die sich im Pilot auf den eigenen Daten beziffern lassen.
Lohnt sich KI-gestützte Absatzprognose auch bei wenigen Artikeln?
Die Artikelzahl allein entscheidet es nicht. Bei wenigen, gleichmäßig drehenden Artikeln kann eine gut eingestellte statistische Prognose genügen, und der Aufwand für Anbindung und Datenprüfung ist dann schwerer zu rechtfertigen. Bei vielen Artikeln mit Aktionen und Saisonware lässt sich dagegen kaum noch jede Prognose von Hand prüfen. Dort kann ein Modell, das über viele Artikel hinweg lernt, seine Stärke ausspielen. Prüfen lässt sich das im Pilot: Schlägt die KI-gestützte Prognose die einfache Vergleichsprognose in Ihrer Warengruppe nicht, bleibt das einfachere Verfahren die bessere Wahl.
Was ist der Unterschied zwischen Demand Sensing und KI-gestützter Absatzprognose?
Demand Sensing passt eine Prognose kurzfristig an aktuelle Signale an, etwa an die Auftragseingänge der laufenden Woche oder an Abverkaufsdaten aus dem Handel. Die KI-gestützte Absatzprognose schätzt den Absatz über den Horizont, den Disposition und Einkauf brauchen, aus der Historie und aus bekannten Einflussgrößen wie Aktionen und Feiertagen. Beides ergänzt sich: Demand Sensing korrigiert die nächsten Tage, die Absatzprognose trägt die Bestellentscheidung. Ausführlich behandelt das der Circly-Artikel „Demand Sensing: Kurzfristige Signale für präzisere Absatzprognosen nutzen“.
Kann eine KI-Prognose Neuartikel ohne Absatzhistorie vorhersagen?
Aus der eigenen Historie nicht, weil es keine gibt. Es bleiben zwei Wege: Planmengen, die auf der Erfahrung von Vertrieb und Disposition beruhen, oder ein Vergleich mit ähnlichen Artikeln, deren Absatzverlauf bekannt ist. Für den zweiten Weg beschreiben Petropoulos und Kollegen in ihrer Übersicht zur Prognoseforschung Ansätze, die Analogien suchen und vergleichbare Produkte nutzen. In Circly Absatzprognosen lassen sich für Neuartikel ohne Absatzhistorie Planmengen manuell hinterlegen, bis ausreichend echte Abverkaufsdaten vorliegen.
Ersetzt eine KI-gestützte Absatzprognose den Disponenten?
Nein. Das Modell rechnet für jeden Artikel einen Vorschlag; über Aktionen, Listungen, Lieferantenprobleme oder Kundenzusagen, die noch nicht in den Daten stehen, entscheidet weiterhin die Disposition. Die Arbeit verschiebt sich: weg vom Nachrechnen jedes einzelnen Artikels, hin zu den Fällen, in denen die Prognose vom Erwartbaren abweicht oder in denen Wissen fehlt, das nur das Team hat. Damit das funktioniert, müssen Korrekturen erhalten bleiben und nachvollziehbar sein, sonst rechnet die Disposition jede Woche dieselben Fälle nach.
Ähnliche Artikel
