E-Commerce-Bestandsprognosen mit AI: Mehr als nur einfache Nachfragevorhersage

Veröffentlicht am 6. Oktober 2026

Fragt man die meisten E-Commerce-Verantwortlichen, wie sie ihren Bestand prognostizieren, bekommt man im Kern immer eine ähnliche Antwort: die Verkäufe des Vorjahres für diesen Zeitraum ansehen, um das Wachstum bereinigen, einen Puffer hinzufügen und nachbestellen. Ganz falsch ist dieser Ansatz nicht — er wird nur den Anforderungen des heutigen Handels immer weniger gerecht. Aktionen, nachfragegetriebene Schübe durch Influencer, Wetter, regionale Unterschiede und Schwankungen in der Lieferkette verändern sich schneller, als es eine Prognose auf Basis gleitender Durchschnittswerte auffangen kann. Und genau in der Lücke zwischen „was das einfache Modell vorhergesagt hat“ und „was tatsächlich passiert ist“ entstehen sowohl Fehlbestände als auch Überbestände.

AI-gestützte Nachfrageprognosen sind keine Wunderlösung für diese Lücke, aber ein deutlich anderer Ansatz — einer, der mehr Signale einbeziehen, schneller aktualisieren und die eigene Unsicherheit auf eine Weise quantifizieren kann, wie es ein einfacher gleitender Durchschnitt nie könnte. Hier zeigt sich, was ein ernst zu nehmendes Prognosesystem wirklich von einer nur etwas schickeren Tabellenkalkulation unterscheidet.

Warum einfache Nachfrageprognosen an ihre Grenzen stoßen

Klassische Prognosemethoden — gleitende Durchschnitte, einfache exponentielle Glättung, Vorjahresvergleiche — gehen davon aus, dass Nachfragemuster relativ stabil sind und sich vorhersehbar wiederholen. Diese Annahme funktioniert noch recht gut bei Standardprodukten mit langen, unspektakulären Verkaufshistorien. Sie bricht schnell zusammen bei neuen Produkten ohne Historie, bei saisonalen Artikeln, deren Kalender des Vorjahres nicht mehr zum aktuellen Jahr passt, bei allem, was von einem Marketingkalender beeinflusst wird, der sich von Woche zu Woche ändert, und in Kategorien, in denen ein einziger viraler Moment die Nachfrage über Nacht um das Zehnfache steigern kann.

Das praktische Symptom kennen alle, die Bestand gesteuert haben: Die Prognose liegt im Gesamtbild meist nah genug dran, um plausibel zu wirken, ist aber genau in den entscheidenden Punkten falsch — man bestellt zu viel von stabilen, margenschwachen Standardartikeln und zu wenig von den wenigen SKUs, die einen überproportional großen Teil des tatsächlichen Umsatzes treiben.

Was Prognosen mit Machine Learning tatsächlich besser machen

Der eigentliche Wert von ML-gestützten Prognosen liegt nicht darin, dass sie in einem abstrakten Sinn „intelligenter“ sind — sondern darin, dass sie gleichzeitig mehr Signalarten verarbeiten und diese nach ihrer tatsächlichen Vorhersagekraft gewichten können, statt nach einer starren Formel. Ein gut entwickeltes Modell kann Aktionskalender, Preisänderungen, Ausverkäufe bei Wettbewerbern, regionale Nachfrageschwankungen, Wetterdaten für wetterabhängige Kategorien und sogar externe Signale wie Suchtrenddaten einbeziehen und dabei lernen, welche davon bei welchen Produkten tatsächlich die Nachfrage bewegen, statt dieselbe Logik gleichförmig auf das gesamte Sortiment anzuwenden.

Ebenso wichtig: Diese Modelle können eine Wahrscheinlichkeitsverteilung statt nur eines Punktwerts ausgeben — also nicht „wir verkaufen 400 Einheiten“, sondern „wahrscheinlich verkaufen wir zwischen 320 und 480, mit 400 als Medianwert“. Dieser Unterschied ist für Nachbestellentscheidungen enorm wichtig, weil er einem Unternehmen ermöglicht, den Zielkonflikt zwischen Fehlbestandsrisiko und Lagerkosten ausdrücklich und fundiert abzuwägen, statt so zu tun, als sei die Prognose sicherer, als sie tatsächlich ist.

Neue Produkte und geringe Historie bewältigen

Eine der schwierigsten Prognoseaufgaben im E-Commerce ist das neue Produkt ohne Verkaufshistorie, aus der man lernen könnte, und einfache Methoden haben hier im Grunde nichts zu bieten außer „auf Basis eines ähnlichen Artikels schätzen“. Ein leistungsfähigerer Ansatz kann Produkteigenschaften nutzen — Kategorie, Preisniveau, Ähnlichkeit zu bestehenden Sortimenten, Zeitpunkt des Launches im Verhältnis zu saisonalen Mustern —, um ab dem ersten Tag eine solide Startprognose zu erstellen und dann frühe Verkaufsdaten sofort einzubeziehen, sobald sie eintreffen, damit die anfängliche Schätzung schon innerhalb der ersten Wochen korrigiert wird, statt auf die Anhäufung einer ganzen Saison an Daten zu warten.

Dieses Handling von „Cold Starts“ ist oft die Einzelkomponente mit dem höchsten Wert für schnelllebige Sortimente, weil gerade neue oder häufig erneuerte Produktlinien genau dort sind, wo einfache Methoden auf Basis gleitender Vergangenheitswerte am nutzlosesten sind.

Komplexität über Standorte und Kanäle hinweg

Die Prognose wird deutlich schwieriger, sobald ein Unternehmen über mehrere Lager, Filialen oder Kanäle hinweg verkauft (eigene Website, Marktplätze, Großhandel) — mit unterschiedlichen Nachfragemustern und unterschiedlichen Fulfillment-Bedingungen. Eine im Gesamten genaue Prognose kann dennoch zu schlechten Entscheidungen führen, wenn sie nicht berücksichtigt, dass die Nachfrage an einem Distributionsknoten ganz anders aussieht als an einem anderen oder dass sich die Marktplatznachfrage anders auf algorithmische Sichtbarkeit auswirkt als die Nachfrage im Direktvertrieb.

Genau hier zahlen sich e-commerce AI systems aus, die speziell für die operative Struktur eines Unternehmens entwickelt wurden — statt als generisches Prognosetool pauschal eingesetzt zu werden. Auf SKU-, Standort- und Kanalebene zu prognostizieren statt nur auf SKU-Ebene ist erheblich komplexer zu entwickeln und zu pflegen, aber genau darin liegt der Unterschied zwischen einer Prognose, die echte Nachschubentscheidungen unterstützt, und einer, die nur eine plausibel wirkende Gesamtsumme erzeugt.

Das Datenqualitätsproblem, mit dem sich niemand beschäftigen will

Kein Prognoseansatz, wie ausgefeilt er auch sein mag, liefert bei unstrukturierten Eingabedaten gute Ergebnisse — und E-Commerce-Bestandsdaten sind verlässlich unstrukturiert. Retouren, die nicht sauber mit dem ursprünglichen Verkauf verrechnet werden, Aktionszeiträume, die in historischen Verkaufsdaten nicht konsistent markiert sind, SKU-Änderungen und Produktneueinführungen, die die Kontinuität in der Verkaufshistorie unterbrechen, sowie Bestandszahlen, die durch Schwund oder Fulfillment-Fehler von der Realität abweichen, verschlechtern die Prognosequalität unabhängig davon, wie gut das zugrunde liegende Modell ist.

Teams, die eine Umstellung auf AI-basierte Prognosen prüfen, konzentrieren sich oft ausschließlich auf die Modellauswahl und investieren zu wenig in die Arbeit an der Datenpipeline, die nötig ist, um saubere, konsistente historische Daten bereitzustellen. In der Praxis macht die Arbeit an der Datenpipeline meist den größeren Teil des Engineering-Aufwands aus und ist der größere Hebel für bessere Prognosegenauigkeit — nicht die Wahl des Algorithmus.

Wie das in der Produktion tatsächlich aussieht

Ein Prognosesystem in der Produktion ist kein Modell, das einmal pro Quartal läuft und einen statischen Plan ausgibt. Es ist eine Pipeline, die Verkaufs-, Bestands- und externe Signaldaten regelmäßig einliest, Prognosen mit neuen Daten neu trainiert oder aktualisiert, markiert, wenn die tatsächliche Nachfrage spürbar von der prognostizierten Nachfrage abweicht, damit ein Mensch nachsehen kann, statt eine schlechte Prognose unkontrolliert weiterlaufen zu lassen, und sich in den bestehenden Nachbestell- oder Auffüll-Workflow des Unternehmens integriert, sodass die Prognose tatsächlich Maßnahmen auslöst, statt in einem Dashboard zu liegen, das niemand prüft.

Der letzte Punkt ist wichtiger, als es zunächst scheint. Ein statistisch hervorragendes Prognosemodell, das jedoch vom eigentlichen Einkaufs- und Nachfüll-Workflow getrennt ist — also in einem separaten Dashboard lebt, an das sich Einkäufer erst erinnern müssen — schafft deutlich weniger operativen Mehrwert als eine bescheidenere Prognose, die direkt mit Nachbestell-Auslösern und den Bestandsmanagement-Tools verbunden ist, die Menschen ohnehin täglich nutzen.

So starten Sie, ohne zu groß zu bauen

Unternehmen müssen ihr gesamtes Bestandssystem nicht ersetzen, um von besserer Prognose zu profitieren. Ein häufiger und risikoärmerer Einstieg ist, ein verbessertes Prognosemodell während eines definierten Evaluierungszeitraums parallel zu den bestehenden Prozessen laufen zu lassen und seine Vorhersagen mit dem tatsächlich Eingetretenen sowie mit der Genauigkeit der aktuellen Methode zu vergleichen, bevor man sich dafür entscheidet, den bestehenden Prozess vollständig zu ersetzen. So werden auch Datenqualitätsprobleme früh sichtbar, bevor sie in ein System einfließen, von dem das Unternehmen bereits vollständig abhängt.

Wenn die Bestandsprognose derzeit von Tabellenkalkulationen und aus dem Bauch heraus angepassten gleitenden Durchschnittswerten gesteuert wird und Fehlbestände oder Überbestände in bestimmten, wiedererkennbaren Mustern statt zufällig auftreten, ist das meist ein starkes Signal, dass sich ein leistungsfähigerer Prognoseansatz schnell bezahlt machen würde.

Messen, ob es tatsächlich funktioniert

Sobald ein Prognosesystem eingeführt ist, besteht die Versuchung, es danach zu beurteilen, ob die Zahlen sich „ausgereifter“ anfühlen, statt konkrete Ergebnisse zu messen. Die Kennzahlen, die wirklich zählen, sind die Fehlbestandsquote bei schnell drehenden SKUs, die Lagerhaltungskosten bei langsam drehendem Bestand und die Prognoseabweichung im Vergleich zu den tatsächlich verkauften Mengen, aufgeschlüsselt nach Kategorie statt über den gesamten Katalog gemittelt. Eine aggregierte Verbesserung kann verdecken, dass das System bei den SKUs mit den höchsten Auswirkungen weiterhin falsch liegt, während es bei Produkten, um die sich niemand sorgt, gute Arbeit leistet.

Es lohnt sich auch zu verfolgen, wie oft ein Mensch die Empfehlung des Systems übersteuern muss und warum. Eine hohe Override-Quote ist nicht zwangsläufig ein Zeichen dafür, dass das Modell schlecht ist — sie kann bedeuten, dass Einkäufer einen Kontext haben, den das Modell nicht kennt, etwa ein bevorstehendes Lieferantenproblem — aber sie ist ein Hinweis, den man regelmäßig prüfen sollte, da sie oft auf ein bestimmtes Signal hinweist, das das Modell einbeziehen sollte, es derzeit aber nicht tut.

Projektgespräch starten, wenn Sie gemeinsam prüfen möchten, ob Ihre aktuelle Prognoselücke eher ein Modellproblem, ein Datenproblem oder beides ist.