Blogartikel
Das „Mozzarella-Phänomen“: Warum einfaches Wetter-Matching in der Absatzplanung versagt
Der Zusammenhang zwischen Wetter und Umsatz scheint bei gewissen Produkten rela-tiv simpel zu sein: Scheint die Sonne steigt der Absatz von Getränken und Grillfleisch – keiner möchte Eiscreme bei Regen essen. Jedoch zeigt sich in der Realität der FMCG-Logistik, dass die Zusammenhänge wesentlich komplexer sind und nicht linear. Warum klassische Excel-Planung an der Wetter Logik scheitert und wie KI durch Korrelation einen entscheidenden Vorsprung bei der Warenverfügbarkeit sichert erfahren Sie im folgenden Beitrag.
Oft wird das Wetter als Begründung für Fehlbestände oder Überbevorratung im Lebensmittelhandel herangezogen. Obwohl die Vorhersagen von Wetter Phänomenen in den letzten zehn Jahren signifikant besser wurden, kämpfen Disponenten immer noch mit der manuellen Interpretation der Daten. Der Grund dafür liegt in einer nicht linearen Beziehung zwischen Wetterbedingungen und dem Konsumverhalten von Kunden. So löst ein Temperaturanstieg auf 25° im April eine komplett andere Nachfrage aus als die gleiche Temperatur im August. In aktuellen Publikationen aus dem Bereich der klimaadaptierten Bedarfsprognose zeigt sich, dass jene Unternehmen, die ausschließlich Durchschnittswerte nutzen bis zu 15 % der möglichen Marge durch falsche Planung verlieren. Um Prognosen näher am wahren Leben zu erstellen, müssen Logistiker den Schritt von der deskriptiven Beobachtung hin zur präventiven und KI-gestützten Korrelation starten.
Die Komplexität der nicht-linearen Wetter-Korrelation
Bei der manuellen Planung in einer einfachen Tabellenkalkulation tendieren Menschen dazu lineare Zusammenhänge zu unterstellen. In Wahrheit hat Wetter in der Supply Chain jedoch mehrdimensionale Einflüsse.
Der „First-Time-Effect“ und die saisonale Sättigung
Ein zentrales Konzept moderner Absatzforschung ist der so genannte Schwellenwert Effekt. So führt die erste Hitzeperiode des Jahres, das „Mozzarella Phänomen“ oder „Grillstart“ zu einem exponentiellen Nachfrageanstieg. Vorräte müssen in Haushalten zuerst aufgebaut werden. Im Verlauf des Sommers tritt eine dementsprechende Sättigung ein. Obwohl hohe Temperaturen anhalten, sinkt die Grenznachfrage. KI-Modelle wie „Gradient Boosted Trees“, können diese nicht linearen Muster aus historischen Daten lernen, während in Excel der Bedarf meist linear fortgeschrieben (oder mit einer prozentualen Erhöhung versehen) und damit systematisch verschätzt wird.
Quelle: Hartmann, J., et al. (2024). Nonlinear Weather Impacts on Retail Sales: A Machine Learning Approach. Journal of Retailing and Consumer Services.
Der Interaktionseffekt: Temperatur ist nicht alles
Faktoren wie Wetter wirken in den seltensten Fällen isoliert. Hohe Temperaturen in Kombination mit hoher Luftfeuchtigkeit senken die Lust auf schwere Mahlzeiten deutlich, während trockene Hitze den Getränkeabsatz steigert. Windgeschwindigkeiten haben Auswirkungen auf die Dauer des Aufenthalts im Freien und damit auch auf den Absatz am POS.
Eine moderne Bedarfsprognose integriert daher nicht nur die Temperatur, sondern komplette meteorologische Vektoren. Erst die Korrelation dieser Vektoren mit historischen Abverkaufs Daten ermöglicht eine Prognosegenauigkeit, die über das Bauchgefühl hinausgeht.
Quelle: Climate-Adaptive Supply Chain Management Proceedings (2025). Integration of Meteorological Vectors in FMCG Logistics.
Lokale Varianz vs. Zentrale Planung
Ein häufiger Fehler bei der manuellen Prognose ist die Nutzung von großräumigen Wetterlagen für dezentrale Strukturen. So kann ein Gewitter in der Nähe einer Filiale den Absatz von Fertiggerichten dort steigern, während in einer weiteren Filiale 50 km entfernt die Sonne scheint. Aus diesem Grund setzen wir bei Circly von Anfang an auf granulare Wetterdaten auf Postleitzahlenebene, um die Auswirkungen auf einzelne Standorte im Detail berücksichtigen zu können. Diese granulare Sichtweise verhindert einen „Bullwhip-Effekt“, der entsteht, wenn regionale Wetterschwankungen fälschlicherweise als nationaler Trend interpretiert werden.
Warum manuelle Prognosen an Wetterdaten scheitern
Oft ist die technologische Architektur der meisten Legacysysteme nicht darauf ausgelegt externe und unstrukturierte Daten zu verarbeiten. Dadurch entsteht ein systematischer blinder Fleck, der das Potenzial der grundsätzlich vorhandenen Informationen nicht nutzen kann.
Die Latenz-Falle der manuellen Dateneingabe
Besteht die Möglichkeit einer Anbindung von Drittdaten nicht, bleibt vielen Unternehmen nichts anderes übrig, als Wetterprognosen Manuel von Disponenten bewerten zu lassen und in Form von Puffern in das System einzupflegen. Dieser manuelle Prozess ist selbstverständlich langsam und fehleranfällig. Zudem variiert die Gewichtung mitunter von Disponenten zu Disponenten. Bis eine relevante Information über ein bevorstehendes Hitze-Wochenende in einem Bestellvorschlag ankommt, kann das Zeitfenster für die Produktion und die Logistik oft schon geschlossen sein. Im Gegensatz dazu können KI-basierte Systeme Echtzeit-APIs zu Wetterdiensten verwenden und ihre Prognosen automatisiert und unmittelbar anpassen, sobald eine aktuellere Vorhersage verfügbar ist. Viele Wetterdienste verfügen über kostenpflichtige Anbindungen, die jedoch granulare Prognosen bieten.
Quelle: Gartner (2024). Strategic Supply Chain Technology Trends: Hyper-Automation and Real-Time Signals.
Fehlendes historisches „Gedächtnis“ für Extremereignisse
Wenige Unternehmen haben eine Datenbasis zum letzten Jahrhundert-Hochwasser oder Jahrhundert-Hagel. Klassische Systeme zeigen lediglich eine Absatzspitze, ohne jedoch Ursachen dafür abzuspeichern. In der zukünftigen Planung wird diese Spitze entweder ignoriert oder fälschlicherweise in die Zukunft projiziert. KI-Systeme können jedoch den historischen Absatz untrennbar mit dem entsprechenden Wetterereignis verknüpfen und dadurch eine zukünftige, Vergleichbare meteorologische Bedienung im Absatzwert prognostizieren.
Adaptive Schwellenwert-Logik: Den „Kipppunkt“ der Nachfrage beherrschen
Eine bedeutende Herausforderung für menschliche Planer ist nicht das Wetter an sich, sondern die Identifikation so genannter Kipppunkte oder Tapping Points. Im FMCG-Bereich gibt es spezifische Temperaturschwellen, welche maßgeblich für verändertes Konsumverhalten sorgen, und das teilweise innerhalb von wenigen Stunden. Wäre ein Anstieg von zum Beispiel 12° auf 17 °C praktisch keine Auswirkungen auf den Absatz von kühlen Getränken hat, löst die Veränderung von 19° auf 24 °C eine schlagartige Nachfrage aus. Bei der manuellen Planung in Excel müsste ein Disponent jeden einzelnen Schwellenwert für jede einzelne Warengruppe und jeder einzelnen Filiale individuell definieren und permanent überwachen. Eine Aufgabe, die KI-Prognosesysteme durch Pattern Recognition automatisiert. So wird ein in den Daten oft nur über eine gewisse Dauer bestehender und dadurch meist unsichtbarer Schwellenwert erst im historischen Kontext sichtbar. Dadurch kann ein Bestellimpuls präventiv ausgelöst werden, noch bevor das veränderte Wetter das Verkaufsgebiet erreicht. Dadurch kann eine reaktive Logistik in eine proaktive und datengetriebene umgewandelt werden, die den Excel-Stress am Freitagnachmittag vor dem sonnigen Wochenende ersetzt.
Hybride Intelligenz: Die Symbiose aus algorithmischer Präzision und menschlicher Intuition
Oft geht bei Verantwortlichen in der Logistik die Angst vor einem Kontrollverlust beim Einsatz von KI-gestützten Systemen in der Prognose um. So wird diese als eine Blackbox gesehen, die unumkehrbare Entscheidungen trifft. In einer aktuellen Studie aus dem Jahr 2025 zum Thema Human-AI Collaboration der University of Cambridge zeigt sich jedoch, dass ein kollaborativer Ansatz von KI mit menschlicher Prognose die höchste Prognosegüte erzielt.
Dabei werden in mathematisch komplexen Korrelationsberechnungen tausende Variablen, wie sie bei Wetterphänomen, Saisonalität und Auswirkungen von unterschiedlichen Standorten üblich sind, von der KI übernommen, während Disponenten ihre wertvolle Domänenexpertise, wie zum Beispiel das Wissen über spezifische Kundenbeziehungen, oder kurzfristige Lieferantenprobleme als qualitativen Korrekturfaktor einbringen. Diesem Ansatz haben wir uns schon seit einigen Jahren verschrieben, um nicht starre Befehle, sondern evidenzbasierte Entscheidungsgrundlagen zu liefern. Dies soll eine, im Markt teils verbreitete, Skepsis adressieren, in dem das System nicht als Ersatz, sondern als Werkzeug für Praktiker angesehen wird.
Weiterführende Quellen:
Hartmann, J., et al. (2024). Nonlinear Weather Impacts on Retail Sales: A Machine Learning Approach. Journal of Retailing and Consumer Services.
Climate-Adaptive Supply Chain Management Proceedings (2025). Integration of Meteorological Vectors in FMCG Logistics.
Gartner (2024). Strategic Supply Chain Technology Trends: Hyper-Automation and Real-Time Signals.
FAQs
Wie genau muss die Wettervorhersage sein, damit die KI funktioniert?
Moderne KI-Modelle arbeiten mit Wahrscheinlichkeiten. Selbst wenn die Vorhersage unsicher ist, kann die KI verschiedene Szenarien (Monte-Carlo-Simulationen) durch-rechnen und den sichersten Bestellvorschlag ermitteln.
Kann circly.at auch kurzfristige Wetterumschwünge verarbeiten?
Ja, durch die Echtzeit-Anbindung an Wetter-APIs werden die Prognosen täglich aktuali-siert, was eine kurze Reaktionszeit ermöglicht.
Funktioniert das auch für Non-Food-Artikel?
Absolut. Auch der Absatz von Baumarktartikeln, Parfums oder Brennstoffen folgt meteo-rologischen Mustern, die circly.at ebenso präzise analysieren kann.
