Demand Forecasting mit KI.

Bedarfsprognose ist im Mittelstand häufig Erfahrung plus Excel — und das funktioniert erstaunlich lange erstaunlich gut. Bis es nicht mehr funktioniert: Wenn Sortimente wachsen, Märkte volatiler werden, Lieferketten holpriger, Aktionen häufiger. Plötzlich sind die alten Daumenwerte nicht mehr verlässlich, die Lagerbestände schwanken stärker als nötig, die Lieferfähigkeit leidet oder die Liquidität, manchmal beides. KI verspricht hier Abhilfe — und kann sie auch leisten, allerdings nicht in der Form, die viele Anbieter suggerieren. Eine realistische KI-gestützte Bedarfsprognose ist keine Black Box, die mit einem Knopfdruck zwanzig Prozent bessere Werte liefert. Sie ist ein Werkzeug, das saisonale Muster, externe Einflüsse und Sonderereignisse zusammenführt, dem Disponenten klare Empfehlungen gibt — und ehrlich sagt, wann sie nicht weiterweiß. Wie das in der Praxis aussieht, welche Genauigkeiten realistisch sind und was es kostet, klärt dieser Beitrag.

Warum klassische Prognose-Methoden an Grenzen stoßen.

Die meisten mittelständischen Unternehmen arbeiten mit gleitenden Durchschnitten, exponentieller Glättung oder einfachen Saisonalitätsmodellen — entweder direkt in Excel oder im Standard-ERP. Diese Methoden sind robust, transparent und für viele Sortimente lange brauchbar. Sie haben aber drei strukturelle Schwächen.

Erstens reagieren sie zu langsam auf Trendwechsel. Wenn ein Produkt plötzlich gefragter wird — durch eine PR-Welle, ein Wettbewerbsangebot, eine Saisonverschiebung — braucht das Modell Wochen, um nachzuziehen. Bis dahin ist das Lager leer oder voll. Zweitens berücksichtigen sie keine externen Einflüsse — Wetter, Konjunktur, Marketingaktionen, Wettbewerber. Drittens behandeln sie jedes Produkt isoliert und übersehen damit Wechselwirkungen, die für Kategorien typisch sind.

KI-Verfahren — von Gradient Boosting bis hin zu spezialisierten Forecasting-Modellen — adressieren genau diese drei Schwächen. Sie können viele Einflussgrößen gleichzeitig verarbeiten, sie passen sich schneller an, und sie lernen aus historischen Mustern, die ein Mensch in der Vielzahl von Artikeln nicht mehr überblicken kann.

Welche Datenquellen wirklich Mehrwert bringen.

Mehr Daten bedeuten nicht automatisch bessere Prognosen. Es lohnt sich, die Quellen sauber zu sortieren und ehrlich zu prüfen, welche tatsächlich Informationsgehalt haben:

In den meisten mittelständischen Sortimenten erklären drei bis fünf Quellen den überwiegenden Teil der Vorhersagequalität. Wer fünfzehn Quellen anschließen will, kompliziert das System ohne nennenswerten Zusatznutzen. Es lohnt sich, ehrlich zu prüfen, welche Einflüsse für das eigene Geschäft wirklich relevant sind — und welche nur als „nice to have“ mitgezogen werden.

Was an Genauigkeit realistisch ist.

Die Frage nach der Genauigkeit ist die häufigste — und die, bei der die meisten Missverständnisse entstehen. Anbieter werben gerne mit zwei- bis dreistelligen Prozentverbesserungen. In der Realität gilt: Es kommt sehr darauf an, was man bisher hatte und was man messen will.

Eine seriöse Bandbreite, gemessen am MAPE (Mean Absolute Percentage Error) gegenüber etablierter Excel-Prognose im Mittelstand: Für A-Artikel mit stabiler Nachfrage sind Verbesserungen von 15 bis 30 Prozent realistisch. Für B-Artikel mit moderater Schwankung 10 bis 25 Prozent. Für C-Artikel oder neue Produkte ohne ausreichende Historie kann KI sogar schlechter sein als eine erfahrene Disposition — schlicht weil zu wenig Daten zum Lernen vorhanden sind.

Wichtiger als die nackten Prozentwerte ist die Frage, was man mit der besseren Prognose macht. Wenn die Disposition das System nicht versteht oder ihm nicht traut, bringt die beste Prognose nichts. Akzeptanz im Team ist genauso wichtig wie technische Genauigkeit — und wird in vielen Projekten unterschätzt.

Sonderaktionen, Promotions und neue Produkte.

Die schwierigsten Fälle in der Prognose sind die, in denen die Historie nicht hilft: neue Produkte, neue Aktionen, ungewöhnliche Marktsituationen. Hier braucht das Modell entweder andere Daten oder einen anderen Ansatz — manchmal beides.

Für Sonderaktionen hat sich bewährt, die Aktionsstruktur explizit zu modellieren: Welcher Rabatt, welche Bewerbung, welche Aktionsdauer, welche vergleichbare Aktion in der Vergangenheit? Aus solchen strukturierten Beschreibungen kann das Modell Lift-Faktoren ableiten — also Aufschlagsfaktoren auf die Grundprognose. Das funktioniert oft besser als der Versuch, Aktionen einfach in der Zeitreihe „mitlaufen“ zu lassen.

Für neue Produkte ohne Historie hilft Cold-Start-Modellierung über Ähnlichkeiten: Welche bestehenden Produkte sind vergleichbar? Wie haben die sich in den ersten Wochen entwickelt? Dieser Ansatz ist nicht perfekt — neue Produkte überraschen häufig — aber besser als das Bauchgefühl allein. Wichtig ist die ehrliche Kommunikation: Das System sagt selbst, dass die Prognose unsicher ist.

Wie die Übergabe an die Disposition gelingt.

Eine Bedarfsprognose, die die Disposition nicht versteht, wird nicht genutzt. Vier Prinzipien haben sich bewährt:

• Erklärbarkeit: Das System zeigt, warum es eine Prognose erzeugt hat — welche Treiber waren wichtig, welche Saison, welche Aktion. Eine Black Box wird nicht akzeptiert.
• Bandbreiten statt Punktprognosen: „Erwarteter Absatz 1.200 ± 150 Stück“ ist ehrlicher als „Prognose: 1.215“. Wer mit Unsicherheit umgehen muss, braucht die Unsicherheit benannt.
• Override-Möglichkeit: Die Disposition kann die Prognose anpassen, muss die Anpassung aber begründen. Diese Begründungen sind später Lernmaterial.
• Feedback-Schleife: Wenn die Prognose daneben liegt, lernt das System aus der Abweichung — aber auch der Mensch sieht, woran es lag, und entwickelt Intuition für die Stärken und Schwächen des Modells.

Wer diese Punkte nicht baut, verliert die Disposition. Wer sie baut, gewinnt das Team — und in den meisten mittelständischen Unternehmen ist das Team wichtiger als die letzten zwei Prozent Genauigkeit.

Integration in S&OP und ERP.

Eine KI-Prognose, die in einem separaten Tool lebt und einmal pro Woche per Excel ins ERP geschoben wird, hat begrenzten Wert. Der eigentliche Hebel entsteht, wenn die Prognose im laufenden Sales-and-Operations-Planning-Prozess verankert ist — als Eingangsgröße für Bestellplanung, Produktionsplanung, Liquiditätsplanung.

Sinnvoll ist eine Architektur, die direkt mit dem ERP spricht — Absatzdaten lesen, Prognose schreiben, Bestände abgleichen, Bestellvorschläge anstoßen. Bei SAP, Sage, Microsoft Dynamics oder branchenspezifischen ERPs gibt es heute meist saubere API-Wege, oft auch fertige Connector-Bausteine. Wer eine Eigenentwicklung im Haus hat, braucht etwas mehr Anbindungsarbeit, aber auch das ist beherrschbar.

Wichtig ist die Taktung. Eine Prognose, die einmal im Monat erzeugt wird, ist für schnelldrehende Sortimente zu langsam. Eine wöchentliche oder tägliche Aktualisierung ist für die meisten Branchen sinnvoll — und liefert dem Team eine Datenbasis, die mit dem Geschäft mitläuft, statt eine Momentaufnahme aus der Vergangenheit zu sein.

Wo KI an Grenzen stößt — und das auch sagen sollte.

Drei Situationen sind für KI-Prognosen besonders heikel. Erstens strukturelle Brüche: Wenn sich das Marktverhalten grundsätzlich ändert — eine Pandemie, eine Rohstoffkrise, ein neuer Wettbewerber — sind alle Modelle erstmal blind. Sie lernen aus der Vergangenheit, und die Vergangenheit hat solche Situationen nicht gesehen. Hier braucht es menschliche Einschätzung, und das System muss das auch sagen.

Zweitens Sortimentswechsel: Wenn ein Unternehmen das Sortiment stark umstellt, neue Marken einführt, alte ausläuft, ist die Datengrundlage gestört. Das Modell rechnet weiter mit den alten Mustern, obwohl die Welt sich verändert hat. Ein gutes System erkennt das und meldet Unsicherheit — ein schlechtes liefert weiter Zahlen, die niemand mehr glauben sollte.

Drittens kleine Datenmengen. Für Artikel mit weniger als ein bis zwei Jahren Historie, mit sehr geringen Absatzzahlen oder mit starken Sprüngen ist KI oft nicht besser als ein erfahrener Disponent. Eine ehrliche Diagnose sagt: „Hier hilft das Modell nicht, bleib bei deinem Bauchgefühl und prüfe regelmäßig.“ Das ist keine Schwäche, sondern Reife.

Einstieg, Kosten, Lernkurve.

Ein realistischer Einstieg beginnt mit einer abgegrenzten Sortimentsgruppe — A-Artikel mit hoher Absatzfrequenz, oder eine Produktkategorie mit ausreichender Datenhistorie. Acht bis sechzehn Wochen sind realistisch, bis ein Pilot Ergebnisse liefert, die in der Praxis nutzbar sind.

Investitionen liegen für einen ersten Anwendungsfall im Mittelstand bei 50.000 bis 150.000 Euro, abhängig von der Datenlage und der ERP-Integration. Monatliche Betriebskosten bewegen sich zwischen 1.500 und 4.000 Euro. Der Nutzen entsteht über reduzierte Lagerbestände (typisch 10 bis 25 Prozent in den betroffenen Sortimenten), bessere Lieferfähigkeit und weniger Sondereinsätze in der Disposition.

Was sich aber kaum in Wochen rechnet: Die Akzeptanz im Team. Es dauert oft sechs bis zwölf Monate, bis Disposition und Vertrieb dem System wirklich vertrauen, bis sie verstanden haben, wann sie ihm folgen und wann sie ihre Erfahrung über das Modell stellen sollten. Wer diese Lernkurve unterschätzt und das Projekt vorzeitig als gescheitert deklariert, verschenkt den eigentlichen Nutzen.

Sie wollen prüfen, ob Ihre Sortimente und Ihre Datenlage für eine KI-gestützte Bedarfsprognose tragen? Unverbindlich anfragen — wir schauen gemeinsam auf Sortimentsstruktur, Historie und ERP-Anbindung und schätzen den möglichen Hebel ehrlich ab.