Zu viel auf Lager bindet Kapital, zu wenig kostet Umsatz und Kunden. Zwischen diesen beiden Fehlern balanciert jeder Handels-, Großhandels- und Produktionsbetrieb, meist mit Bauchgefühl, Excel und einem gleitenden Durchschnitt. Eine Absatzprognose mit KI verspricht hier eine bessere Grundlage: Sie lernt aus Ihrer Verkaufshistorie und aus äußeren Einflüssen, statt nur den Vergangenheitsschnitt fortzuschreiben. Dieser Artikel zeigt nüchtern, was das im Mittelstand leistet, welche Daten Sie brauchen und wo die Grenzen liegen.
Was eine KI-Absatzprognose anders macht
Klassische Verfahren wie der gleitende Durchschnitt oder eine einfache Trendfortschreibung behandeln alle Einflüsse gleich und reagieren träge. Sie erkennen weder, dass ein Artikel vor Weihnachten anzieht, noch dass eine Rabattaktion die Nachfrage kurzfristig verzerrt hat.
KI-Modelle für die Bedarfsprognose (Demand Forecasting) arbeiten anders: Sie werten die Verkaufshistorie zusammen mit vielen zusätzlichen Signalen aus und gewichten diese automatisch. Typische Faktoren sind:
- Saisonalität und Kalender, Wochentage, Feiertage, Ferien, Monats- und Jahresrhythmen
- Aktionen und Preise, eigene Promotions, Preisänderungen, Aktionen des Wettbewerbs, soweit bekannt
- Externe Einflüsse, bei manchen Sortimenten Wetter, regionale Ereignisse oder Nachfragetrends
- Artikelbeziehungen, ähnliche Produkte, Nachfolger, Bundles
Das Ergebnis ist keine einzelne Zahl, sondern idealerweise eine Prognose mit Bandbreite, zum Beispiel ein wahrscheinlicher Absatz plus ein oberer und unterer Korridor. Genau diese Unsicherheitsangabe ist für die Disposition oft wertvoller als ein einzelner Punktwert.
Welchen Nutzen der Mittelstand realistisch hat
Der Kern des Nutzens ist ein besseres Gleichgewicht zwischen Verfügbarkeit und Kapitalbindung. Konkret hilft eine belastbare Prognose bei mehreren operativen Entscheidungen:
- Einkauf und Bestellmengen: passendere Mengen und Zeitpunkte, weniger Überbestand und weniger Fehlmengen
- Bestands- und Sicherheitsbestände: Puffer dort, wo die Nachfrage schwankt, statt pauschal überall
- Produktions- und Kapazitätsplanung: frühere Sicht auf Nachfragespitzen
- Personal- und Schichtplanung: absehbare Auslastung im Lager oder in der Fertigung
Wichtig für die Erwartungshaltung: Wie stark sich Lagerkosten senken oder die Verfügbarkeit steigern lässt, hängt vollständig von Ihrer Ausgangslage, Ihrer Datenqualität und Ihrem Sortiment ab. Seriöse Aussagen dazu entstehen erst, wenn ein Pilot gegen Ihre bisherige Methode gemessen wird, Pauschalprozente aus Werbebroschüren sollten Sie ignorieren.
Welche Daten Sie brauchen
Eine Prognose ist immer nur so gut wie die Daten dahinter. Bevor Sie über Modelle nachdenken, sollten diese Grundlagen stehen.
Ausreichend lange, saubere Historie
Um Saisonmuster zu erkennen, braucht das Modell in der Regel mehrere vollständige Zyklen, als Faustregel mindestens rund zwei Jahre Verkaufshistorie pro Artikel oder Artikelgruppe. Fehlende, doppelte oder inkonsistente Datensätze verzerren das Ergebnis unmittelbar.
Kontext zu den Verkäufen
Reine Absatzzahlen reichen selten. Hilfreich sind Angaben zu Aktionen, Preisänderungen, Out-of-Stock-Phasen und außergewöhnlichen Ereignissen. Denn ein Umsatzeinbruch, weil die Ware nicht lieferbar war, ist kein Nachfragerückgang, wird er nicht markiert, lernt das Modell das Falsche.
Sondereffekte und Ausreißer kennzeichnen
Einmalige Effekte, ein Großauftrag, eine Sonderaktion, pandemiebedingte Ausschläge, sollten als solche erkennbar sein. Sonst überträgt die KI diese Ausnahmen auf die Zukunft. Ordentliche Stammdaten und eine solide Datenaufbereitung sind hier die eigentliche Vorarbeit, nicht das Modell selbst.
Grenzen und ehrliche Erwartungen
Eine Prognose ist eine begründete Wahrscheinlichkeit, keine Gewissheit. Diese Grenzen gehören zu jeder ehrlichen Planung dazu:
- Unvorhersehbare Ereignisse: Lieferkettenbrüche, plötzliche Nachfrageeinbrüche oder Nachfrageexplosionen kann kein Modell zuverlässig vorwegnehmen.
- Neue Artikel (Kaltstart): Ohne Historie ist die Prognose schwach; hier helfen nur vergleichbare Produkte und die Einschätzung erfahrener Planer.
- Kurze oder sprunghafte Historie: Bei stark schwankenden Einzelaufträgen im B2B ist eine klassische Absatzprognose oft weniger aussagekräftig.
- Bullwhip-Effekt: Fehler entlang der Lieferkette schaukeln sich auf, die eigene Prognose ist nur ein Baustein.
Deshalb gilt: Die KI liefert einen Vorschlag, die Entscheidung bleibt beim Menschen. Ein erfahrener Disponent, der Kontext und Ausnahmen einordnet, ist kein Widerspruch zur KI, sondern deren notwendige Ergänzung.
So gelingt der Einstieg
Fangen Sie klein und messbar an, statt gleich das gesamte Sortiment umstellen zu wollen:
- Sortiment eingrenzen: Starten Sie mit den umsatzstarken A-Artikeln oder mit chronischen Engpass- und Ladenhütern, dort ist der Hebel am größten.
- Baseline definieren: Messen Sie Ihre heutige Prognosegüte, bevor Sie umstellen. Nur so lässt sich später ehrlich beurteilen, ob die KI wirklich besser ist.
- Parallel testen: Lassen Sie das Modell einige Perioden mitlaufen und vergleichen Sie Prognose gegen Ist, bevor Sie darauf disponieren.
- Integration klären: Die Prognose entfaltet Nutzen erst, wenn sie in ERP oder Warenwirtschaft einfließt, nicht als isolierte Excel-Liste daneben.
Achten Sie außerdem auf Datenschutz und Datenhaltung, wenn externe Dienste im Spiel sind, Absatzdaten sind sensibles Geschäftswissen und gehören auf eine vertraglich und technisch saubere Basis.
Fazit
Eine Absatzprognose mit KI ist kein Orakel, aber ein spürbar besseres Planungswerkzeug als der starre Durchschnitt, vorausgesetzt, die Datenbasis stimmt und die Erwartungen sind realistisch. Für den Mittelstand liegt der größte Wert in der besseren Disposition: weniger totes Kapital im Lager, weniger verpasste Umsätze, planbarere Kapazitäten. Wer mit einem klar abgegrenzten Pilot startet, die Ergebnisse ehrlich gegen die bisherige Methode misst und den Menschen in der Entscheidung behält, holt aus dem Thema den echten Nutzen heraus. Gern besprechen wir in einem Erstgespräch, ob und wo sich das für Ihre Sortimente lohnt.
Auch nützlich: Auftragsbearbeitung automatisieren im Überblick