KI-Absatzprognose: So planen KMU die Nachfrage verlässlicher

Eine KI-Absatzprognose schätzt mit maschinellem Lernen, wie viel Sie in den kommenden Wochen, Monaten oder Quartalen verkaufen. Grundlage sind Ihre Verkaufshistorie und Einflussgrößen wie Saison, Aktionen, Wetter oder Konjunktur. Im Englischen heißt das Demand Forecasting, im Deutschen Absatz-, Nachfrage- oder Bedarfsprognose. Damit eine solche Prognose im Mittelstand funktioniert, brauchen Sie kein perfektes ERP-System. Sie brauchen saubere Kernzahlen, ein klares Ziel und eine Einführung in kleinen, messbaren Schritten. Dieser Leitfaden zeigt Ihnen, welche Daten nötig sind, was Praxisbeispiele aus Deutschland erreicht haben, wie Sie die Prognosegüte prüfen und wie Sie Schritt für Schritt starten.

Kurz gesagt

• Daten: Mindestens historische Verkaufszahlen. Für saisonale Muster empfehlen Forschende der TU Dortmund drei bis vier Jahre Daten, wenn maschinelles Lernen zum Einsatz kommt.
• Einflussfaktoren: Wetter, Aktionen, Preisänderungen, Feiertage und Markttrends machen die Prognose deutlich treffsicherer als die reine Fortschreibung der Vergangenheit.
• Ergebnisse: In einem Fraunhofer-Projekt in der Textilindustrie erklärte das Modell 82,7 Prozent der Verkaufsschwankungen, obwohl wichtige Detaildaten fehlten.
• Einführung: Ziel festlegen, Verantwortliche benennen, Daten bereinigen, Modell entwickeln, laufend nachtrainieren. Am besten als Pilot mit einer Produktgruppe.
• Vertrauen: Backtesting, transparente Annahmen und der Mensch als letzte Instanz sorgen dafür, dass Ihr Team die Prognose wirklich nutzt.

Inhaltsverzeichnis

• Was eine KI-Absatzprognose anders macht
• Welche Daten eine KI-Absatzprognose braucht
• Was Praxisbeispiele aus Deutschland zeigen
• So messen Sie die Prognosegüte
• Die Einführung in sechs Schritten
• Prognosen sicher im Alltag nutzen
• Unsere Sicht auf KI-Absatzprognosen im Mittelstand
• Mit uns zur ersten KI-Absatzprognose
• Häufige Fragen zur KI-Absatzprognose
• Quellen

Was eine KI-Absatzprognose anders macht

Klassische Absatzplanung läuft in vielen KMU über Excel, Vorjahreswerte und das Bauchgefühl erfahrener Vertriebsleute. Das funktioniert, solange Sortiment und Nachfrage stabil bleiben. Es kommt an seine Grenzen, wenn hunderte Artikel gleichzeitig geplant werden müssen, wenn Aktionen und Preisänderungen die Nachfrage verschieben oder wenn erfahrene Planer in Rente gehen und ihr Wissen mitnehmen.

Statistische Verfahren wie gleitende Durchschnitte oder exponentielle Glättung schreiben im Kern die eigene Verkaufshistorie fort. Maschinelles Lernen geht einen Schritt weiter: Das Modell lernt aus vielen Einflussgrößen gleichzeitig, wie sie zusammenwirken. Steigt der Absatz von Grillkohle bei Sonne nur am Wochenende? Wirkt eine Rabattaktion im Herbst anders als im Frühjahr? Solche Zusammenhänge erkennt ein gut trainiertes Modell selbstständig, auch wenn sie in keiner Tabelle stehen.

Ein Beispiel aus der Forschung: Eine Studie zu ML-basierten Absatzprognosen mit Frühindikatoren beschreibt, wie externe Daten wie Konjunkturkennzahlen genutzt werden, um den langfristigen Absatz eines Chemieprodukts vorherzusagen. Gerade für Hersteller im B2B-Geschäft ist das wertvoll, weil die eigene Nachfrage oft der Konjunktur ihrer Kunden folgt.

Wichtig für Ihre Erwartungen: Die KI ersetzt den Planer nicht. Sie liefert einen belastbaren Vorschlag, den Ihr Team mit Marktwissen prüft und ergänzt. Der Gewinn liegt darin, dass Ihre Fachleute weniger Zeit mit dem Zusammentragen von Zahlen verbringen und mehr Zeit mit Entscheidungen.

Wo der Nutzen im Unternehmen ankommt

Eine bessere Absatzprognose wirkt weit über den Vertrieb hinaus:

• Einkauf und Lager: Sie bestellen näher am tatsächlichen Bedarf, binden weniger Kapital in Beständen und vermeiden Fehlmengen.
• Produktion: Schichten, Material und Maschinenkapazität lassen sich früher und ruhiger planen. Mehr dazu, wie KI in der Fertigung praktisch eingesetzt wird, lesen Sie in unserem Beitrag zu KI in der Produktion.
• Controlling und Finanzen: Umsatz- und Liquiditätsplanung bauen auf realistischeren Mengen auf. Wie Controller KI darüber hinaus nutzen, zeigt unser Leitfaden KI im Controlling.
• Nachhaltigkeit: Wer genauer plant, produziert weniger Überschuss. Bei Lebensmitteln heißt das konkret: weniger Abfall.

Welche Daten eine KI-Absatzprognose braucht

Die gute Nachricht zuerst: Den Kern haben Sie bereits. Laut dem Praxisleitfaden der TU Dortmund zur Implementierung von Absatzprognosen benötigen sowohl klassische Statistik als auch maschinelles Lernen mindestens historische Verkaufszahlen. Für saisonale Muster empfiehlt der Leitfaden mindestens zwei Jahre Daten bei statistischen Verfahren und drei bis vier Jahre bei maschinellem Lernen.

Darüber hinaus verbessern externe und interne Einflussgrößen die Prognose. Der IHK-Leitfaden zum KI-gestützten Bestellprozess nennt unter anderem Gesamtmarktentwicklung, Marktvolumen und -potenzial, Nachfrage, Trends, Wetter und Verkaufshistorie. Für den Handel kommen wiederkehrende Schwankungen, Promotions, Preisänderungen, Displays, lokale Ereignisse, Wettbewerb und unbekannte Störungen hinzu.

Welche dieser Daten für Sie relevant sind, hängt von Ihrer Branche ab. Ein Bäckereibetrieb profitiert stark von Wetter und Feiertagen, ein Zulieferer im Maschinenbau eher von Frühindikatoren seiner Abnehmer. Wenn Ihre Kundendaten im CRM gepflegt sind, liegt dort oft ein unterschätzter Schatz: geplante Projekte, Angebotsstände und Rahmenverträge. Konkrete Anwendungsfälle dazu finden Sie in unserem Beitrag CRM mit KI.

Einheitliche Definitionen sind wichtiger als mehr Daten

Ein häufig übersehener Punkt: Was zählt eigentlich als Verkauf? Der Tag der Bestellung, der Rechnung oder des Versands? Und wie gehen Retouren in die Zahlen ein? Der TU-Dortmund-Leitfaden betont, dass Verkaufsdaten konsistent definiert sein müssen, weil uneinheitliche Definitionen die Datengrundlage verschlechtern. Wer im Onlinehandel verkauft, kennt das Thema besonders gut: Hohe Retourenquoten verzerren jede Prognose, wenn sie nicht sauber verbucht werden. Wie Daten im E-Commerce Umsatz und Marge steuern, zeigt anschaulich, warum einheitliche Kennzahlen die Grundlage jeder datengetriebenen Entscheidung sind.

Wenn die ERP-Daten Lücken haben

Lückenhafte Daten sind kein Ausschlussgrund. Fehlende Monate, geänderte Artikelnummern oder Umstellungen des ERP-Systems lassen sich in vielen Fällen aufbereiten: durch Zusammenführen von Vorgänger- und Nachfolgeartikeln, durch Markieren von Sonderperioden oder durch Prognosen auf einer höheren Ebene wie der Produktgruppe statt dem Einzelartikel.

Dass auch unvollständige Daten tragen können, zeigt das Fraunhofer-Beispiel weiter unten: Dort fehlten Angaben zu Vertriebskanälen, Regionen und Promotions, und das Modell lieferte trotzdem brauchbare Ergebnisse. Wie Sie Ihre Daten Schritt für Schritt startklar machen, beschreiben wir ausführlich im Leitfaden Datenaufbereitung für KI.

Was Praxisbeispiele aus Deutschland zeigen

KI-Absatzprognosen sind längst kein Thema nur für Konzerne. Drei Beispiele aus unterschiedlichen Branchen zeigen die Bandbreite.

Textilindustrie: Planungssicherheit trotz Datenlücken

Das Fraunhofer IWU hat eine KI-gestützte Bedarfsprognose für die Textilindustrie entwickelt. Das Modell erklärte 82,7 Prozent der Verkaufsschwankungen. Bei durchschnittlich rund 340 verkauften Einheiten pro Monat wich die Prognose im Mittel um etwa 38 Einheiten ab, was laut Fraunhofer rund 9 Prozent entspricht. Zur Verfügung standen vier Jahre historische Daten. Bemerkenswert: Diese Werte kamen zustande, obwohl Vertriebskanäle, Regionen und Promotionseffekte nicht unterschieden und COVID-Sondereinflüsse nicht modelliert wurden. Mit diesen Zusatzdaten besteht also weiteres Potenzial.

Gemeinschaftsverpflegung: weniger Lebensmittelabfall

Die TU Dortmund berichtet über ein Prognose- und Planungstool bei der Stattküche, das Bestell- und Stornierungsmuster mit Feiertagen, Wetter und Daten zu Grippewellen kombiniert. Ziel ist eine bessere tägliche Portionsplanung und weniger Lebensmittelabfall. Das Beispiel zeigt, wie kreativ externe Datenquellen sein können: Eine Grippewelle verändert, wie viele Essen tatsächlich abgenommen werden.

Medizintechnik und Labor: vom Zwei-Monats-Forecast zur Szenariosimulation

Haufe beschreibt, wie Sartorius seinen Forecast mit KI und Szenariosimulation modernisiert hat. Der frühere quartalsweise Bottom-up-Forecast dauerte rund zwei Monate. Ersetzt wurde er durch automatisierte Datenflüsse, KI-Modelle, Backtesting und treiberbasierte Simulationen. Die Einführung lief schrittweise und mit offengelegten Modellannahmen; laut Haufe erreichte die KI-Prognose nach kurzer Zeit eine höhere Qualität als der alte Prozess. Wenn Sie Szenarien wie Preiserhöhungen oder Lieferengpässe durchspielen möchten, finden Sie Methoden und Beispiele in unserem Beitrag zur KI-gestützten Simulation.

So messen Sie die Prognosegüte

Eine Prognose ist nur so gut, wie Sie sie überprüfen. Drei Kennzahlen reichen für den Einstieg:

1. Mittlere absolute Abweichung (MAE): Um wie viele Einheiten liegt die Prognose im Schnitt daneben? Im Fraunhofer-Fall waren das etwa 38 Einheiten pro Monat. Diese Zahl verstehen auch Einkauf und Produktion sofort.
2. Prozentuale Abweichung: Setzt den Fehler ins Verhältnis zur Menge und macht Artikel mit unterschiedlichen Stückzahlen vergleichbar.
3. Erklärte Varianz (Bestimmtheitsmaß): Wie viel der Schwankungen erklärt das Modell? Die 82,7 Prozent aus dem Fraunhofer-Projekt sind ein solcher Wert.

Entscheidend ist der Vergleich mit Ihrer heutigen Planung. Führen Sie deshalb ein Backtesting durch: Das Modell prognostiziert vergangene Monate, die es nicht kennt, und Sie vergleichen das Ergebnis mit den tatsächlichen Verkäufen und mit Ihrer damaligen Planung. So sehen Sie schwarz auf weiß, wo die KI besser liegt.

Ein zweiter Punkt betrifft das Vertrauen. Eine Dissertation der TU Dortmund zu Analytics in Planung und Entscheidung zeigt, dass Manager fehlerhafte algorithmische Prognosen nur schwer erkennen. Informativer als reine Leistungskennzahlen können Angaben dazu sein, wie gut ein Artikel überhaupt vorhersagbar ist. Praktisch heißt das: Teilen Sie Ihr Sortiment in gut und schwer prognostizierbare Artikel ein. Bei Ersteren können Sie dem Vorschlag weitgehend folgen, bei Letzteren bleibt das Urteil Ihrer Planer wichtig.

Die Einführung in sechs Schritten

Der Leitfaden des Digitalzentrums Hannover zur KI-basierten Absatzplanung gliedert die Einführung in klare Phasen. Ergänzt um unsere Erfahrung aus der KMU-Beratung ergibt sich dieser Fahrplan:

1. Ziel definieren: Welche Entscheidung soll die Prognose verbessern? Bestellmengen, Produktionsplanung oder Umsatzplanung? Legen Sie Zeithorizont, Planungsebene (Artikel, Gruppe, Filiale) und eine messbare Zielgröße fest.
2. Verantwortlichkeiten klären: Wer liefert Daten, wer bewertet Ergebnisse, wer entscheidet am Ende? Ohne einen fachlichen Verantwortlichen aus Vertrieb oder Disposition bleibt das Projekt ein IT-Experiment.
3. Einflussfaktoren identifizieren: Setzen Sie sich mit den Menschen zusammen, die heute planen. Ihr Erfahrungswissen sagt Ihnen, welche Treiber wirklich zählen.
4. Daten identifizieren und bereinigen: Laut Digitalzentrum Hannover ist eine bereinigte Datengrundlage Voraussetzung. Einheitliche Definitionen, markierte Sonderperioden und zusammengeführte Artikelnummern gehören dazu.
5. Modell entwickeln und testen: Starten Sie mit einer Produktgruppe, vergleichen Sie mehrere Verfahren im Backtesting und prüfen Sie die Ergebnisse gemeinsam mit den Planern.
6. Fortlaufend optimieren: Neue Absatzzahlen werden kontinuierlich eingepflegt, damit das Modell weiterlernt und besser wird.

Der TU-Dortmund-Leitfaden empfiehlt dafür das Vorgehensmodell CRISP-DM: Unternehmenskontext, verfügbare Daten und Absatztreiber werden gemeinsam betrachtet, und die Entwicklung verläuft iterativ. Rechnen Sie also damit, nach dem ersten Test noch einmal zu Schritt drei oder vier zurückzukehren. Das ist kein Rückschlag, sondern der normale Weg zu einem guten Modell.

Prognosen sicher im Alltag nutzen

Jede Prognose bleibt eine Schätzung. Die bereits genannte TU-Dortmund-Dissertation beschreibt algorithmische Prognosen als grundsätzlich fehleranfällig, besonders bei unvorhersehbaren Ereignissen. Fehlprognosen können zu Überproduktion, Lieferengpässen und schlechterem Service führen. Mit diesen Regeln holen Sie den vollen Nutzen heraus:

• Mensch im Prozess: Die KI schlägt vor, Ihr Planer entscheidet. Bei bekannten Sondereffekten wie einem Großauftrag oder einer Messe korrigiert er bewusst.
• Transparenz: Zeigen Sie, welche Treiber eine Prognose beeinflussen. Wie bei Sartorius stärkt das die Akzeptanz im Team.
• Frühwarnung: Legen Sie Schwellenwerte fest. Weicht der tatsächliche Absatz deutlich ab, wird geprüft statt blind nachbestellt.
• Datenschutz: Für Absatzprognosen genügen meist aggregierte Verkaufszahlen. Wenn Kundendaten einfließen, klären Sie die Verarbeitung vorab mit Ihrem Datenschutzbeauftragten.
• Regelmäßige Überprüfung: Kontrollieren Sie die Prognosegüte monatlich und trainieren Sie das Modell nach Strukturbrüchen wie neuen Vertriebskanälen neu.

Unsere Sicht auf KI-Absatzprognosen im Mittelstand

Wir erleben in Gesprächen mit Geschäftsführern aus Handel, Handwerk und Industrie immer wieder dasselbe Muster: Die Absatzplanung hängt an zwei oder drei erfahrenen Köpfen und an einer Excel-Datei, die über Jahre gewachsen ist. Das Wissen ist wertvoll, aber es skaliert nicht, und es geht verloren, wenn diese Menschen das Unternehmen verlassen.

Unser Ansatz ist deshalb bewusst praxisnah. Wir starten nicht mit einem großen IT-Projekt, sondern mit einer klaren Frage: Welche Planungsentscheidung kostet Sie heute am meisten Geld? Daraus entsteht ein kleiner Pilot mit einer Produktgruppe, einem messbaren Ziel und einem schnellen Nachweis des Nutzens. Erst wenn die Zahlen überzeugen, wird ausgeweitet.

Genauso wichtig wie das Modell sind die Menschen, die damit arbeiten. Als zertifizierte INQA-Coaches binden wir Planer, Vertrieb und Einkauf von Anfang an ein. Wer versteht, wie die Prognose entsteht, nutzt sie auch. Und wer sie nutzt, verbessert sie mit seinem Wissen weiter. So wird aus einer KI-Absatzprognose ein Werkzeug, das Ihr Team stärkt, statt es zu ersetzen.

Shaun

Mit uns zur ersten KI-Absatzprognose

Sie möchten wissen, ob Ihre Daten für eine KI-Absatzprognose reichen und wo sich der Einstieg am schnellsten rechnet? An unserem KI-ROI-Tag analysieren wir gemeinsam Ihre Planungsprozesse, bewerten Ihre Datenlage und entwickeln einen konkreten Fahrplan für den ersten Pilot.

Darüber hinaus begleiten wir Sie mit KI-Strategieberatung, Workshops und Mitarbeitertrainings von der Idee bis zum laufenden Betrieb. Wir unterstützen Sie auch bei der Suche nach passenden Förderprogrammen und beim Förderantrag. Wir betreuen Unternehmen deutschlandweit von Saarbrücken und Nassenfels aus. Vereinbaren Sie hier ein Erstgespräch.

Häufige Fragen zur KI-Absatzprognose

Was bedeutet Demand Forecasting auf Deutsch?

Demand Forecasting heißt auf Deutsch Nachfrage- oder Bedarfsprognose. Gemeint ist die Vorhersage, wie viel von einem Produkt oder einer Dienstleistung künftig nachgefragt wird. Im Unternehmensalltag wird meist von Absatzprognose gesprochen, wenn es um die erwarteten Verkaufsmengen geht.

Wie viele Daten brauche ich für den Start?

Mindestens historische Verkaufszahlen. Für saisonale Muster empfiehlt die TU Dortmund drei bis vier Jahre Daten beim maschinellen Lernen und mindestens zwei Jahre bei statistischen Verfahren. Haben Sie weniger, kann eine Prognose auf Produktgruppenebene ein guter Einstieg sein.

Lohnt sich eine KI-Absatzprognose auch für kleine Betriebe?

Ja, wenn regelmäßig Planungsentscheidungen mit spürbaren Kosten anfallen, etwa bei Bestellungen, verderblicher Ware oder Produktionskapazität. Entscheidend ist nicht die Unternehmensgröße, sondern ob sich bessere Mengen in weniger Bestand, weniger Fehlmengen oder weniger Abfall übersetzen. Ein kleiner Pilot zeigt schnell, ob sich der Aufwand für Sie rechnet.

Wie lange dauert die Einführung?

Das hängt vor allem von der Datenlage ab. Ein Pilot mit einer Produktgruppe und sauberen Verkaufsdaten ist deutlich schneller umgesetzt als eine Prognose für das ganze Sortiment. Planen Sie mehrere Iterationen ein, denn die Entwicklung verläuft erfahrungsgemäß nicht linear.

Ersetzt die KI meine Disponenten?

Nein. Die KI liefert einen datenbasierten Vorschlag und nimmt Ihrem Team Routinearbeit ab. Sondereffekte, Kundengespräche und Marktgespür bleiben bei den Menschen, die die endgültige Entscheidung treffen.

Quellen

• TU Dortmund: Praxisleitfaden Implementierung von Absatzprognosen
• IHK: Leitfaden KI-gestützter Bestellprozess
• Digitalzentrum Hannover: Entwicklung einer KI-basierten Absatzplanung
• De Gruyter Brill: ML-basierte Absatzprognose mit Frühindikatoren
• Fraunhofer IWU: KI-gestützte Bedarfsprognose in der Textilindustrie
• TU Dortmund: Mithilfe von KI weniger Lebensmittel verschwenden
• Haufe: Agiles Forecasting bei Sartorius
• TU Dortmund: Analytics on Planning and Decision-Making
• Hyped: Rolle von Daten im E-Commerce

Empfehlungen

• Kundenabwanderung mit KI vorhersagen: Leitfaden für KMU