KI-Absatzprognose mit lückenhaften ERP-Daten: Was der IT-Leiter im Lebensmittelgroßhandel prüfen sollte

Im Lebensmittelgroßhandel ist ein häufig genannter IT-Einwand bei Automatisierungsprozess, dass die Absatzhistorie im ERP zu lückenhaft sei. Der Einwand ist durchaus berechtigt: In der Trendstudie 2025/26 der BVL sehen 54 Prozent der über 200 befragten Unternehmen in der eingeschränkten Verfügbarkeit und Qualität von Daten eine der größten Herausforderungen der digitalen Transformation. Nur zielt der Einwand auf die falsche Stelle. Eine Prognose braucht keine lückenlose Historie, sie braucht erklärbare Datenzustände: Informationen zu Verfügbarkeit, Aufträgen, Kalender und Migration, mit denen sich Nullabsatz, zensierter Verkauf und echte Datenlücke unterschiedlich behandeln lassen. Fehlen diese Spuren, bleibt die tatsächliche Nachfrage unsicher, und genau dort wird die IT gebraucht: als "Datensheriff" zwecks Nachvollziehbarkeit der Daten.

Welche Lücken in den ERP-Daten stören eine KI-Absatzprognose wirklich, und welche nicht?

Wer die Absatzhistorie eines Zustellgroßhändlers mit 8.000 oder mehr Artikeln über drei Temperaturzonen öffnet, sieht Nullen in großer Zahl. Die Frage ist nicht, wie viele es sind, sondern was jede einzelne bedeutet. Drei Datenzustände sehen im Export gleich aus und verlangen drei verschiedene Behandlungen und an keiner Stelle sagt die Null selbst, welcher vorliegt.

Nullabsatz, zensierter Absatz, Datenlücke: warum dieselbe Null drei Zustände verbirgt

Der erste Zustand ist der beobachtete Nullabsatz bei dokumentierter Verfügbarkeit: Der Artikel war lieferbar, niemand hat ihn bestellt. Bei Tiefkühlspezialitäten oder Nischenartikeln, die ein Gastronom alle paar Wochen ordert, ist das kein Fehler in den Daten, sondern das Bedarfsmuster selbst. Petropoulos, Makridakis, Assimakopoulos und Nikolopoulos zeigen in ihrer Untersuchung „Horses for Courses“ in demand forecasting, dass bei sporadischem Bedarf das Bedarfsintervall die Prognosegüte stärker beeinflusst als die Streuung der Mengen; die Verfahrenswahl richtet sich nach dieser Eigenschaft der Zeitreihe. Was die Null nicht sagt: ob es an diesem Tag wirklich keinerlei Nachfrage gab. Aus Verkaufsdaten allein lässt sich das nicht ableiten, die Null ist eine Beobachtung, kein Nachweis.

Der zweite Zustand ist der zensierte Absatz: Der Artikel war nicht oder nur teilweise verfügbar, der Verkauf blieb unter der Nachfrage. Pedregal, Trapero und Holgado beschreiben in ihrer Arbeit zur Prognose bei zensierten Nachfragedaten, dass Verkaufsdaten die Nachfrage bei Fehlmengen nicht korrekt abbilden und die Prognosen dadurch systematisch zu niedrig ausfallen; daraus folgen zu geringe Sicherheitsbestände und Meldebestände, die den nächsten Fehlbestand vorbereiten. Jede Korrektur dieser Verzerrung setzt nach derselben Arbeit voraus, dass die Verfügbarkeitsgrenze je Periode bekannt ist. Steeneck, Eng-Larsson und Jauffred halten in ihrer Studie zu entgangenen Verkäufen bei unsicherer Regalverfügbarkeit (Arbeitsfassung 2016, veröffentlicht 2022) fest, dass nicht erfasste Fehlbestände Tage ohne Verkauf wie Tage ohne Nachfrage aussehen lassen, besonders bei Langsamdrehern.

Der dritte Zustand ist die Datenlücke: Es gibt keine Beobachtung, weil an diesem Tag nichts gebucht wurde. Ein Feiertag oder eine Betriebsruhe erzeugt eine kalendarisch erklärbare Lücke. Eine ERP-Migration, ein Artikelnummernwechsel oder ein Buchungsausfall erzeugen einen technischen Bruch in der Reihe. Beides sind keine Nullen im Sinn des ersten Zustands, auch wenn der Export sie so darstellt. Wer sie mit Null füllt, erfindet einen Nullabsatz, den es nicht gab.

Ein Sonderfall gehört in denselben Atemzug: Bei Streckenware gibt es keinen eigenen Bestand, obwohl verkauft wird; bei Konsignationsware liegt die Ware im Haus, gehört aber dem Lieferanten, und ob der Bestandsverlauf sie zeigt, hängt von der Buchungsführung ab. Beides sind Fragen der Beschaffungsart und des Eigentums, keine Verfügbarkeitszustände.

Zensierter Absatz ohne Spur: Substitution und ungebuchte Fehlmenge

Zwei Varianten des zensierten Absatzes hinterlassen weniger Spur als der klassische Fehlbestand. Weicht der Gastronom auf einen Ersatzartikel aus, zeigt das Original eine Null und der Ersatz einen Ausschlag; diese Verschiebung bucht kein ERP von sich aus, und nach Steeneck, Eng-Larsson und Jauffred scheitern pauschale Aufschläge und das Streichen der Fehlbestandstage genau daran, dass sie die Substitution nicht berücksichtigen. Wird ein Auftrag am Telefon abgewiesen und nie erfasst, bleibt nicht einmal eine gestrichene Position übrig. In beiden Fällen ist die Nachfrage nicht rekonstruierbar, sondern unsicher, und das sollte ein Prognoseverfahren auch so ausweisen.

Prüffrage: Für wie viele Ihrer Renner können Sie aus dem ERP sagen, an welchen Tagen der Artikel verfügbar war, und an welchen nicht?

Was einen Datenzustand erklärt: Spuren, die im ERP schon liegen

Die Unterscheidung der drei Zustände gelingt nicht aus der Absatzreihe heraus, sondern aus Spuren, die daneben liegen. Der Bestandsverlauf je Artikel, Standort und Tag zeigt, ob Ware am Lager war; Ware im Fremdlager oder an einem anderen Standort erscheint darin nicht, ist aber verfügbar. Der Verkaufsstatus des Artikels im Zeitverlauf zeigt, ob er gesperrt, auslaufend oder durch einen Nachfolger ersetzt war. Auftragsmenge gegen Liefermenge zeigt Teilbelieferungen und gestrichene Positionen, also zensierten Absatz, der keine Null hinterlässt. Der Kalender erklärt Nichtverkaufstage, Migrationsdatum und Zuordnung alter zu neuen Artikelnummern erklären den technischen Bruch, die Beschaffungsart trennt Lagerware von Strecke.

Keine dieser Spuren beweist etwas, jede erklärt etwas. Steeneck, Eng-Larsson und Jauffred warnen ausdrücklich davor, Bestandsaufzeichnungen als zuverlässigen Verfügbarkeitsnachweis zu behandeln: Werden Ungenauigkeiten in den Bestandsdaten ignoriert, entstehen erheblich falsche Schätzungen der entgangenen Verkäufe. Der Bestandsverlauf ist der Ausgangspunkt, die zweite Spur macht ihn belastbar. Wie sich aus diesen Spuren eine verzerrte Absatzhistorie bereinigen lässt, beschreibt der Artikel zur Stockout-Verzerrung im ERP.

Hyndman und Athanasopoulos machen im Lehrbuch Forecasting: Principles and Practice an einem Handelsbeispiel deutlich, warum die Ursache die Behandlung bestimmt: Fehlen Werte an Feiertagen, weil das Geschäft geschlossen war, steigt der Absatz am Folgetag; ein Modell, das den Feiertag nicht kennt, unterschätzt diesen Tag und überschätzt die danach. Ein Zustellgroßhändler kennt das vom Tag nach Fronleichnam, wenn die Gastronomie nachbestellt. Die Folgerung der Autoren lautet, dass kein automatisiertes Verfahren solche Effekte von sich aus berücksichtigt, weil sie vom konkreten Prognosekontext abhängen. Fehlt der Wert dagegen zufällig, etwa weil eine Buchung vergessen wurde, ist die Behandlung einfacher. Die IT liefert mit Kalender und Migrationsdatum also nicht Beiwerk, sondern die Information, die über die Behandlung entscheidet.

Wie viel Historie eine KI-Absatzprognose braucht: methodische Untergrenze und Produktvoraussetzung sind zwei Fragen

Nach dem Systemwechsel bleiben bei vielen Artikeln nur wenige Monate verknüpfte Historie. Reicht das? Die Frage hat zwei Antworten, die nicht vermischt werden dürfen. Die methodische: Hyndman und Athanasopoulos halten in ihrem Kapitel zu kurzen und langen Zeitreihen fest, dass Faustregeln zur Mindestlänge „misleading and unsubstantiated in theory or practice“ sind. Die einzige theoretische Grenze liegt darin, dass mehr Beobachtungen als Parameter vorliegen müssen; in der Praxis braucht es deutlich mehr. Bei kurzen Reihen fällt die Modellwahl auf einfache Modelle, weil alles mit mehr als ein oder zwei Parametern am Schätzfehler scheitert.

Petropoulos und Kollegen ergänzen aus ihrer Untersuchung, dass eine längere Reihe die Genauigkeit über alle Datentypen nur geringfügig verbessert. Die Statistik nennt also keine Mindestzahl an Monaten, und ein Anbieter, der eine nennt, beruft sich nicht auf sie, sondern auf sein eigenes Verfahren: Ob es Grill- und Spargelsaison aus der Historie des einzelnen Artikels lernt oder aus der Produktgruppe, entscheidet darüber, wie viel eigene Historie ein Artikel mitbringen muss. Die IT sollte deshalb zwei Zahlen getrennt erfragen, die Eingangsvoraussetzung, ab der das Verfahren überhaupt rechnet, und die Empfehlung, ab der es verlässlich wird. Für Artikel darunter kann eine manuelle Planmenge die Prognose ersetzen, bis die Historie gewachsen ist; das ist keine Schwäche des Verfahrens, sondern eine ehrliche Auskunft. Welche Datenkategorien ein Modell zusätzlich braucht, beschreibt der Artikel zu den Datenanforderungen einer KI-Absatzprognose.

Prüffrage: Welche Ihrer Artikel haben seit dem Systemwechsel weniger als zwölf Monate verknüpfte Historie, und ist die Zuordnung alter zu neuen Artikelnummern dokumentiert?

Was muss die IT liefern, damit die KI-Absatzprognose mit den vorhandenen Daten arbeitet?

Der Datenqualitäts-Einwand wird konkret, sobald er in eine Feldliste übersetzt wird. Dann zeigt sich, dass die Prognose weniger braucht als befürchtet, die Fehlbestandserkennung etwas anderes als die Prognose, und der Bestellvorschlag wieder etwas anderes. Wer alle drei Zwecke in einer Liste vermischt, macht aus einem Schnittstellenprojekt ein Datenprojekt.

Datenfelder nach Zweck: Prognose, Fehlbestandserkennung, Bestellvorschlag

Für die Prognose selbst genügen zwei Datenarten: der Abverkauf je Artikel, Standort und Tag oder Woche, und ein Artikelstamm mit Artikelnummer, Bezeichnung, Einheit und Produktgruppe. Die Produktgruppe ist nicht Dekoration; sie erlaubt es, Muster ähnlicher Artikel zu übertragen, wenn ein einzelner Artikel zu wenig eigene Historie hat. Mehr verlangt das statistische Verfahren nicht.

Für die Fehlbestandserkennung braucht es mindestens eine belastbare Verfügbarkeitsspur: den Bestandsverlauf je Artikel und Standort, täglich übergeben, oder den Verkaufsstatus des Artikels im Zeitverlauf. Artikelstatus, Auftrags- und Liefermengen sowie die Zuordnung alter zu neuen Artikelnummern ergänzen die Einordnung, sie ersetzen die Verfügbarkeitsspur nicht. Fehlt jede Spur, bleibt eine Null das, was sie im Export ist: ein Wert, der Nullabsatz, Fehlbestand oder Lücke bedeuten kann.

Für den Bestellvorschlag, nicht für die Prognose, kommen MHD-Klasse, Verpackungseinheit, Gewicht und Lieferantenrestriktionen hinzu, weil eine Bestellmenge für Frische und Molkerei in Kartons, Paletten und Restlaufzeit gedacht wird. Aktionen und externe Signale wie Feiertagskalender verbessern das Ergebnis, sind aber kein Eingangsfeld, ohne das nichts rechnet. Ein IT-Leiter, der diese drei Listen getrennt vor sich hat, kann den Aufwand realistisch schätzen, und er sieht, dass die erste Liste aus dem laufenden Warenwirtschaftsbetrieb stammt und keine neue Erfassung braucht. Was bei der Anbindung selbst zu klären ist, beschreibt der Artikel zur Verknüpfung von ERP und SCM-Software.

Datenqualität als laufender Prozess, nicht als Vorprojekt

Die Vorstellung, Datenqualität für KI müsse vor dem ersten Rechenlauf hergestellt sein, verkennt, wie die Arbeit mit Daten in der Praxis läuft. Wang, Irion, Groth und Harmouch befragten Ende 2024 185 Datenfachleute aus 24 EU-Ländern und folgern in ihrer Studie zur Datenqualität im maschinellen Lernen, dass Datenqualitätsmanagement „cannot be ‘one and done’“ sei, sondern ein fortlaufender, auf die Phasen des Projekts bezogener Prozess. Das Auffüllen fehlender Werte war die von den Befragten am häufigsten genannte Praxis. Die Befragten kommen aus Technologie, Handel und Fertigung in ganz Europa, nicht speziell aus dem deutschsprachigen Mittelstand; der Befund passt trotzdem: Wer wartet, bis die Historie sauber ist, wartet auf einen Zustand, den es im laufenden Betrieb nicht gibt.

Die Reihenfolge ist der Hebel, nicht der Umfang. Zuerst die Renner, also die Artikel, deren Fehlbestand den Gastronomen zum Wettbewerber schickt: Für sie die Verfügbarkeitsspur sichern und die Datenzustände der letzten zwölf Monate klären. Dann die Stammdaten dieser Artikel nachziehen, Produktgruppe und Einheit zuerst. Die übrigen Artikel folgen im Betrieb, weil jeder Tag mit übergebenem Bestandsverlauf die Historie erklärbarer macht. Ein vorgeschaltetes Bereinigungsprojekt über das gesamte Sortiment kostet Monate und liefert eine Historie, die am ersten Tag danach wieder Lücken bekommt. Welche vier Maßnahmen ein SCM-Leiter dafür ohne Systemwechsel anstoßen kann, beschreibt der Artikel zur Absatzprognose ohne saubere Daten.

Die drei Einwände des IT-Leiters: Blackbox, Aufwand neben der ERP-Einführung, Datenhaltung

Der Datenqualitäts-Einwand kommt selten allein. Der zweite lautet Blackbox: Eine KI-Absatzprognose, die 40 Kartons vorschlägt und nicht sagt, warum, bekommt in einem Haus mit Vollständigkeitsversprechen gegenüber Gastronomie und Hotellerie keine Freigabe. Das Kriterium dafür ist prüfbar, bevor eine Schnittstelle gebaut wird: Zeigt jeder Vorschlag seine Eingangsgrößen, also Bestand, Reichweite, Lieferzeit, zugrundeliegende Prognose und Restriktionen? Wenn ja, kann der Disponent widersprechen. Wenn nein, ist es eine Blackbox, unabhängig davon, wie gut die Zahl ist. Warum Planer KI-Prognosen ohne diese Transparenz überschreiben, zeigt der Artikel zu KI-Absatzprognosen zwischen Mehrwert und Hype.

Der dritte Einwand ist der Aufwand neben einer laufenden Umstellung von Dynamics NAV auf Business Central, der vierte die Datenhaltung. Beide sind Fragen an den Anbieter, keine an die eigenen Daten: Wie viele Übertragungen pro Tag braucht die Anbindung, wer baut sie, wo liegen die Daten? Die Boston Consulting Group ordnet in ihrer Studie Supply Chain Planning 2026 den heutigen Wert von KI in der Planung den grundlegenden Anwendungen zu, darunter der Verbesserung von Prognosen und dem Ausnahmemanagement, und hält fest, dass vollständig autonome Planung eine Zielvorstellung bleibt. Für den IT-Leiter heißt das: Er kauft keine autonome Planung, sondern ein Verfahren, das mit erklärten Datenzuständen rechnet und dem Disponenten die Entscheidung lässt.

Was der IT-Leiter für die KI-Absatzprognose an Circly übergibt, und was er zurückbekommt

Die Anbindung an das bestehende ERP kann per API oder per Datei erfolgen; eine automatisierte tägliche Aktualisierung setzt eine entsprechend häufige Datenübertragung voraus, manuelle Exporte sind dafür nicht gedacht. Übergeben werden Abverkauf, Artikelstamm und Bestandsdaten, und sofern das ERP Bestandsverlauf oder Verkaufsstatus des Artikels liefert, gilt: Fehlbestandsperioden in der Historie werden gesondert behandelt und nicht als Nullnachfrage gewertet. Circly setzt mindestens zwölf Monate Absatzhistorie voraus, damit ein vollständiger Saisonzyklus erfasst ist, und empfiehlt 24; für Artikel ohne ausreichende Historie können Planmengen manuell hinterlegt werden, bis genug Verkaufsdaten vorliegen. Zurück kommt je Artikel und Temperaturzone eine Prognose, und beim Bestellvorschlag vollständige Nachvollziehbarkeit auf Artikelebene: Jeder Vorschlag zeigt Bestand, Reichweite, Lieferzeit, Prognose und Lieferantenrestriktionen, der Disponent entscheidet, und keine Bestellung verlässt das System ohne seine ausdrückliche Bestätigung. Die Daten liegen auf EU-Infrastruktur ohne Abhängigkeit von US-Cloud-Anbietern, was den Einwand zur Datenhaltung vor dem Gespräch beantwortet. Ungewöhnliche Werte markiert Circly als Hinweis und der Nutzer entscheidet, ob es ein Datenfehler oder ein echter Effekt war; die Datenbereinigung kann gemeinsam vorgenommen werden, wie Circly es auf der eigenen Website festhält, und wie Fehlbestandsperioden dabei erkannt werden, steht im Artikel zur Stockout-Verzerrung.

Fazit

Die Reihenfolge entscheidet, nicht der Umfang der Bereinigung. Solange unklar ist, welcher der drei Datenzustände hinter den Nullen der Renner steckt, ist jede Aussage über die Nachfrage dieser Artikel unsicher, egal mit welchem Verfahren. Sind die Zustände geklärt, lässt sich die Verfügbarkeitsspur sichern, und erst dann lohnt es sich, die Datenfelder nach Zweck zu liefern: die schlanke Liste für die Prognose, die Verfügbarkeitsspur für die Fehlbestandserkennung, MHD-Klasse und Gebinde für den Bestellvorschlag. Danach wird die Prognosegüte an den Rennern gemessen, nicht am Gesamtsortiment über alle drei Temperaturzonen. Ob für die restlichen Artikel ein eigenes Datenprojekt nötig ist, zeigt sich an dieser Messung, und bis dahin hat der laufende Betrieb mit täglich übergebenem Bestandsverlauf einen Teil der Lücken bereits erklärbar gemacht.

Weiterführende Quellen

1. BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26

2. Steeneck, D.W., Eng-Larsson, F. & Jauffred, F. (2022): Estimating Lost Sales for Substitutable Products with Uncertain On-Shelf Availability, Manufacturing & Service Operations Management 24(3)

3. Pedregal, D.J., Trapero, J.R. & Holgado, E. (2024): Tobit Exponential Smoothing, towards an enhanced demand planning in the presence of censored data, arXiv

4. Hyndman, R.J. & Athanasopoulos, G. (2021): Forecasting: Principles and Practice, 3. Auflage, OTexts, Kapitel 13.7 und 13.9

5. Petropoulos, F., Makridakis, S., Assimakopoulos, V. & Nikolopoulos, K. (2014): ‘Horses for Courses’ in demand forecasting, European Journal of Operational Research 237(1)

6. BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn’t Enough

7. Wang, Y., Irion, K., Groth, P. & Harmouch, H. (2026): Machine Learning Practitioners’ Views on Data Quality in Light of EU Regulatory Requirements: A European Online Survey, arXiv

FAQ