# E-Commerce-Bedarfsprognose: Ein vollständiger Leitfaden für 2026

> Lernen Sie E-Commerce-Bedarfsprognose Schritt für Schritt: Methoden, Promotion-Effekte, Genauigkeitskennzahlen und Bestandsplanung. Erfahren Sie, wie ELECTE das automatisiert.

Source: https://www.electe.net/de/beitrag/ecommerce-demand-forecasting

Site guide: https://www.electe.net/de/llms.txt

Sie bereiten eine Launch-Bestellung vor, mit den Verkaufszahlen des letzten Jahres neben dem Angebot Ihres Lieferanten. Die Mengen sehen plausibel aus – bis Marketing einen Flash-Sale ansetzt und ein Marktplatz ändert, welche Angebote Käufer überhaupt zu sehen bekommen. Schon bald stehen in einem Lager die Regale leer, während ein anderes Ware hält, die sich nur mit Rabatt bewegen lässt.

Die naheliegende Reaktion ist, die Prognose zu verbessern. Doch ein ausgefeilterer Algorithmus hilft nicht, wenn Ihre Verkaufshistorie nicht lieferbare Produkte als unbeliebt ausweist oder wenn Einkäufer die Vorhersage bei der Bestellung ohnehin nicht nutzen. Sie brauchen ein Entscheidungssystem, nicht nur ein überzeugenderes Diagramm.

**E-Commerce-Bedarfsprognose** verbindet Kundennachfrage mit Einkauf, Fulfillment und finanziellen Verpflichtungen. Sorgfältig umgesetzt macht sie auch Unsicherheit sichtbar, sodass Sie eine verlässliche Nachbestellungsschätzung von einer Launch-Prognose unterscheiden können, die eine kleinere Erstbestellung verdient.

Die praktische Arbeit beginnt bei Ihren Bestandsdaten und endet bei einer operativen Entscheidung. Dazwischen müssen Sie Methoden passend zum Produktmuster auswählen, sie testen, ohne zukünftige Informationen einfließen zu lassen, und Promotions über ihren anfänglichen Verkaufsschub hinaus bewerten. Das Erfolgskriterium ist einfach: Hilft die Prognose Ihnen, profitabler einzukaufen und zu bewerben?

## Was E-Commerce-Bedarfsprognose vorhersagt und warum sie wichtig ist

Im genannten Launch-Szenario setzt die Wiederholung der Vorjahresbestellung voraus, dass dieselben Kunden über dieselben Kanäle kommen und an denselben Standorten kaufen. Ein Flash-Sale verändert den Kaufanreiz. Eine Änderung der Marktplatz-Sichtbarkeit verändert die Reichweite. Keines von beidem gehört in eine gewöhnliche saisonale Anpassung.

**E-Commerce-Bedarfsprognose** schätzt, wie viele Einheiten Kunden in jedem zukünftigen Zeitraum wollen – nach Produkt, Kanal und Standort. Stellen Sie es sich wie eine Wettervorhersage für Ihr Lager vor: vergangene Muster schaffen Erwartungen, während bekannte bevorstehende Ereignisse die Prognose verändern.

[Schätzungen der UNCTAD](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales) zufolge lag der weltweite E-Commerce-Umsatz 2019 bei etwa **26,7 Billionen US-Dollar**, was rund **30 % des globalen BIP** entspricht. Zudem stieg der Anteil des Online-Handels am gesamten Einzelhandel von **16 % vor der Pandemie auf 19 % im Jahr 2020**. Diese Zahlen umfassen mehr als nur den Shop eines einzelnen Händlers, zeigen aber, wie schnell sich Kanal-Annahmen ändern können.

Wachstum, wiederkehrende Spitzen und plötzliche Schocks können in einer Verkaufsspalte ähnlich aussehen. Trennen Sie sie, bevor Sie Geld binden.

Eine nützliche Grundlage, um Prognosen mit dem operativen Geschehen zu verknüpfen, bieten die [Grundlagen der Bedarfsplanung](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting) der Reddog Consulting Group. Ihre Prognose sollte letztlich Folgendes informieren:

- **Einkauf:** Was und wann bestellt werden soll.
- **Fulfillment-Kapazität:** Wo Bestand und Arbeitskraft benötigt werden.
- **Liquiditätsplanung:** Wie viel Finanzierung zukünftige Bestandsverpflichtungen erfordern.

## Feature Engineering und saubere Daten vor der Modellierung

Bevor Sie einen Algorithmus austauschen, prüfen Sie die Eingabetabelle. Doppelte Bestellungen, nicht übereinstimmende SKU-Kennungen und fehlende Bestandsdaten können dazu führen, dass ein technisch einwandfreies Modell die falsche Frage beantwortet.

**Features** sind die Fragen, die Sie an Ihre Daten stellen. Geben Sie dem Modell nicht nur die gestrigen Verkaufszahlen, sondern genug Kontext, um Kundeninteresse von Verkaufsbedingungen zu unterscheiden.

### Bauen Sie Features, die Käufer wiedererkennen

Ein praktischer Startsatz umfasst:

- **Verzögerte Verkaufsdaten:** Die Verkäufe der letzten Woche und der vergleichbare Zeitraum des Vorjahres, ein Rückspiegel für die Nachfrage.
- **Gleitende Durchschnitte:** Testen Sie als Kandidaten-Einstellungen Durchschnitte über **7, 28 und 91 Tage**, um aktuelle Bewegungen von der breiteren Basislinie zu unterscheiden.
- **Kalendermarkierungen:** Feiertage, Gehaltszahlungsmuster und lokale Handelsereignisse.
- **Preis und Rabatttiefe:** Tatsächlicher Verkaufspreis, nicht nur ein Sale-Label.
- **Verfügbarkeit:** Tage auf Lager, Listing-Status und Fulfillment-Einschränkungen.
- **Reichweite und Conversion:** Produktimpressionen, Traffic und Käufe, sofern verlässlich.
- **Retouren:** Zurückgesandte Einheiten und wann verkaufsfähiger Bestand wieder verfügbar ist.

Halten Sie das Prognoseziel eindeutig fest. Brutto-Bestelleinheiten helfen bei der Planung der Kommissionierkapazität; behaltene Einheiten und verkaufsfähige Retouren zählen bei der Schätzung des Netto-Bestandsverbrauchs.

Nutzen Sie nach Möglichkeit aggregierte Verhaltensdaten. Beschränken Sie den Zugriff auf kundenbezogene Datensätze, entfernen Sie unnötige Kennungen und beachten Sie bei der Zusammenführung von E-Commerce- und Analysesystemen die geltenden Datenschutzanforderungen.

### Geben Sie Tagen ohne Verkäufe eine Erklärung

Eine [Studie zur Einzelhandelsprognose](https://arxiv.org/pdf/2506.05941) untersuchte Daten mit **20,9 % fehlenden Werten** und stellte fest, dass **99,9 % der Produktreihen** mindestens einen Tag ohne Verkäufe aufwiesen, mit durchschnittlich **492 verkaufsfreien Tagen pro Reihe**; lokale baumbasierte Modelle übertrafen in diesem Kontext zudem fortgeschrittenere Deep-Learning-Architekturen.

Diese Ergebnisse klären nicht die Ursache jedes einzelnen Nulltags. Ihre operativen Daten müssen echte geringe Nachfrage von Fehlbeständen, fehlenden Marktplatz-Feeds, inaktiven Listings und Katalogänderungen unterscheiden.

Markieren Sie einen Tag ohne Verfügbarkeit als **zensierte Nachfrage**: Die Verkäufe sind beobachtbar, aber die Nachfrage, die Sie hätten bedienen können, ist es nicht. Ersetzen Sie sie nicht automatisch durch eine erfundene Verkaufsschätzung. Bewahren Sie den ursprünglichen Datensatz, fügen Sie die Verfügbarkeitsmarkierung hinzu und dokumentieren Sie jede Schätzregel.

Bei einem neuen oder langsam drehenden SKU bündeln Sie Informationen aus vergleichbaren Produkten nach Kategorie, Preis und Kanal. Nutzen Sie Sichtbarkeit, Konversion, Verfügbarkeitsdauer und Substitutionen, um ein Produkt, das Kunden noch nicht gesehen haben, von einem zu unterscheiden, das sie abgelehnt haben.

> **Datencheck:** Können Sie jede Null erklären, und lässt sich die tägliche Verfügbarkeit rekonstruieren?

Solange die Beobachtungen keine engere Schätzung zulassen, zeigen Sie ein **breites Prognoseintervall** neben dem Punktwert. Einkäufer müssen die Bandbreite und ihren angegebenen Abdeckungsgrad sehen, nicht nur eine scheinbar präzise Zahl.

## Die richtige Prognosemethode für jeden Produkttyp wählen

Kein einzelnes Modell gewinnt überall. Passen Sie die Methode an das Nachfragemuster und an die Informationen an, die Ihnen bei Bestellung vorliegen.

Ein stabiler Bestseller kann einem klaren wöchentlichen Rhythmus folgen. Ein aktionsgetriebenes Produkt verkauft sich vielleicht überwiegend rund um Kampagnen. Ein sporadischer Artikel, etwa ein Nischen-Ersatzteil, kann über längere Zeiträume keine Verkäufe verzeichnen und dann plötzlich eine Bestellung erhalten.

Das sind unterschiedliche Prognoseprobleme. Sie alle durch dieselbe Konfiguration zu zwingen, erleichtert die Wartung, kann aber Einkaufsentscheidungen verschlechtern.

### Prognosemethoden nach Produktmuster

Betrachten Sie die unten genannten Historienlängen als **Ausgangsempfehlungen**, nicht als universelle Mindestwerte. Ein wöchentlicher Zyklus benötigt andere Belege als ein jährlicher, und jüngste strukturelle Veränderungen können ältere Historiendaten weniger nützlich machen.

MethodeAm besten geeignet fürBenötigte DatenHauptschwächeSaisonal naive Methode oder gleitender DurchschnittStabile Bestseller mit hohem VolumenEmpfohlenes Startfenster von 1–2 Jahren täglicher oder wöchentlicher VerkaufsdatenErfasst keine Aktionen, Trendveränderungen oder neue ProdukteExponentielle Glättung (Holt-Winters)Konstante Verkaufsartikel mit klarer wöchentlicher oder jährlicher SaisonalitätVorzugsweise 2 oder mehr vollständige SaisonzyklenErfordert Feinabstimmung pro SKU; schwach bei AktionsspitzenARIMA oder SARIMAEinzelne Zeitreihe mit Trend und AutokorrelationEmpfohlenes Startfenster von 2+ Jahren stabiler HistorieSeparate Anpassung und Wartung werden bei Tausenden von SKUs aufwendigCroston oder SBAUnregelmäßige, sprunghafte Verkaufsartikel mit vielen Nullumsatz-TagenBeginnen Sie mit der Auswertung von 12+ Monaten Historie und der Anzahl der Ereignisse ungleich nullLiefert Punktprognosen; mit Sicherheitsbestandslogik kombinierenRegression mit Preis- und AktionsvariablenAktionsgetriebene Kategorien mit bekannten RabattplänenPreis, Rabatttiefe und KampagnenkalenderBenötigt genügend vergangene Aktionen, um den Effekt zu schätzenGradient Boosting (XGBoost, LightGBM) auf gepoolten SKUsGroße Sortimente mit interagierenden SignalenIdealerweise Hunderte vergleichbarer SKUs und umfangreiche MerkmaleSchwerer zu erklären; erfordert sorgfältige Validierung

Für eine genauere Erklärung von seriellen Mustern und Saisonmodellierung siehe [Verwendung von ARIMA zur Prognose des Lagerbedarfs](https://www.electe.net/post/arima-models-explained). ARIMA ist nützlich, wenn vergangene Beobachtungen wiederholbare Informationen enthalten, nicht wenn sich der gesamte kommerzielle Kontext eines Produkts verändert hat.

### Lassen Sie Komplexität sich verdienen

Eine [Einzelhandelsprognose-Studie aus 2025](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html), die **50 Artikel in 10 Filialen** umfasste, verglich Random Forest, XGBoost, lineare Regression und ARIMA und betonte, dass der beste Algorithmus vom Datensatz und dem jeweiligen Geschäftsproblem abhängt.

Der Detailgrad von Merkmalen kann der einen Methode helfen, der anderen aber nicht. In einer [Studie zur kurzfristigen E-Commerce-Prognose](https://www.atlantis-press.com/article/125982175.pdf) verbesserten detaillierte Rabattklassifizierungen die lineare Regression, Ridge- und Lasso-Regression deutlich, wobei die beste MAPE-Verbesserung **36,19 %** erreichte, jedoch keine signifikante Verbesserung bei Support-Vector-Machine-, Gradient-Boosting- oder Random-Forest-Modellen erzielten.

Die operative Lehre daraus ist nicht, einen Gewinner aus einer veröffentlichten Rangliste auszuwählen. Prüfen Sie, ob die zusätzliche Methode Ihre eigenen Entscheidungen so weit verbessert, dass sie den Aufwand für Vorbereitung, Erklärung und Wartung rechtfertigt.

Beginnen Sie mit einer saisonalen Baseline. Ein komplizierter Kandidat, der eine wiederholbare Referenz auf unbekannten Zeiträumen nicht schlagen kann, hat sich den Produktiveinsatz nicht verdient.

## Ihrer Prognose Saisonalität und Promotions beibringen

Ein Konzert liefert eine nützliche Analogie für die Signale im Umsatz. **Trend** ist das zugrundeliegende Tempo, **Saisonalität** ist der wiederkehrende Refrain, **Promotions** sind ein Solo, das die Aufführung vorübergehend verändert, und **Rauschen** ist das Publikum.

Operativ bedeutet Trend anhaltendes Wachstum oder anhaltenden Rückgang. Saisonalität umfasst wiederkehrende Wochenmuster und Kalenderspitzen wie Black Friday oder die Rückkehr zur Schule. Promotions erzeugen ein anderes Verkaufsregime, während Rauschen die unerklärte Tag-zu-Tag-Schwankung ist, die übrig bleibt.

### Kalendereffekte von Kampagneneffekten trennen

Ein Feiertag und ein Rabatt können sich überschneiden, sind aber nicht austauschbar. Wenn Sie dem Modell beibringen, dass jeder Feiertagsanstieg normale Nachfrage ist, erwartet es möglicherweise dieselben Umsätze, wenn Sie den Rabatt entfernen.

Erfassen Sie Start- und Enddaten von Kampagnen, Rabatttiefe, Kanal, Produktkategorie und relevante Einschränkungen bei der Auftragsabwicklung. Halten Sie länderspezifische Kalender getrennt, wenn Ihre Märkte unterschiedliche Feiertage oder Einkaufsmuster haben.

Eine [Studie einer dänischen Discount-Supermarktkette](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66) ergab, dass Tree-Ensembles, insbesondere XGBoost, bei Produkten mit **mehr als fünf historischen Promotions** am besten abschnitten, während penalisierte lineare Regression bei Produkten mit **weniger als fünf** besser abschnitt; spärliche Promotion-Historien führten dennoch zu relativ hohen Fehlern.

Nutzen Sie diesen Befund als Beleg für Segmentierung, nicht als universellen Grenzwert:

- **Promotion-starke Produkte:** Testen Sie gepoolte nichtlineare Modelle, die Interaktionen über verwandte SKUs hinweg lernen.
- **Selten beworbene Produkte:** Bevorzugen Sie einfachere, regularisierte Modelle, die instabile Schätzungen eindämmen.
- **Kampagnenbewertung:** Untersuchen Sie einzelne Promotion-Ereignisse, statt sich auf eine Monatssumme zu verlassen, die Timing-Fehler verbergen kann.

Um Kampagnenmessung mit kommerzieller Planung zu verbinden, nutzen Sie einen konsistenten Prozess, um den [Umsatz-Lift durch Promotions zu messen](https://www.electe.net/post/promotion-optimization-in-retail). Halten Sie Rückerstattungen ebenfalls kampagnenbezogen identifizierbar. PlatformDTCs Hinweise zum [Umgang mit Rückerstattungen bei rabattierten Bestellungen](https://platformdtc.com/blog/discounts-promo-codes) sind nützlich, um Rabattmechanik mit Post-Purchase-Daten in Einklang zu bringen.

### Informationen zum Entscheidungszeitpunkt einfrieren

**Data Leakage** tritt auf, wenn ein Modell Informationen erhält, die zum Zeitpunkt der Prognoseerstellung noch nicht existiert hätten. Tatsächlicher Kampagnen-Traffic, realisierte Fehlbestände und endgültige Rabattänderungen können einen historischen Test besser aussehen lassen als eine Live-Prognose.

Speichern Sie einen datierten Snapshot der geplanten Rabatte, des Kampagnen-Timings, der Bestandssituation und der Kapazitätsannahmen. Trainieren und bewerten Sie anhand dessen, was Planer zu diesem Zeitpunkt wussten, nicht anhand dessen, was sich im Nachhinein als offensichtlich herausstellte.

> Eine vor einer Kampagne erstellte Prognose muss anhand von Informationen beurteilt werden, die vor der Kampagne verfügbar waren.

## Bewertungsmetriken, die zeigen, ob Prognosen funktionieren

Ein respektabler durchschnittlicher Fehler kann gleichzeitig mit Überbeständen bei Langsamdrehern und Fehlbeständen bei Bestsellern bestehen. Ein Aggregatwert sagt Ihnen nicht, ob Einkäufer bessere Entscheidungen treffen.

Halten Sie den jüngsten Zeitraum zurück und verhindern Sie, dass jeder Kandidat ihn während des Trainings sieht. Vergleichen Sie Kandidaten anhand derselben Produkte, Daten und Prognosehorizonte, und wiederholen Sie den Test über aufeinanderfolgende historische Stichtage hinweg, um zu prüfen, ob das Ergebnis unter unterschiedlichen Handelsbedingungen Bestand hat.

### Prognosegenauigkeits-Metriken für den E-Commerce

KennzahlWas sie aussagtWo sie in die Irre führtMAE (mittlerer absoluter Fehler)Durchschnittliche Abweichung in EinheitenSchwer vergleichbar zwischen SKUs sehr unterschiedlicher GrößenordnungRMSE (quadratischer Mittelwertfehler)Typische Fehlergröße, wobei große Abweichungen stärker gewichtet werdenWenige große Ausreißer können den Wert dominierenMAPE (mittlerer absoluter prozentualer Fehler)Abweichung als Anteil der tatsächlichen NachfrageUndefiniert oder instabil, wenn die tatsächliche Nachfrage null istMASE (mittlerer absoluter skalierter Fehler)Fehler im Verhältnis zu einer naiven PrognoseFür Nicht-Analysten weniger intuitiv zu lesenRMSSE (quadratischer skalierter Mittelwertfehler)Skalierter quadratischer Fehler, verwendet in Benchmarks für unregelmäßige NachfrageSchwer verständlich für Einkäufer und PlanerBiasOb Prognosen systematisch zu hoch oder zu niedrig liegenEin durchschnittlicher Bias von null kann große Abweichungen in beide Richtungen verdecken

Eine [Übersicht zur Prognose unregelmäßiger Nachfrage](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701) zeigt, dass die Wahl der Kennzahl das Ranking der Modelle verändern kann, dass MAPE bei Nachfrage von null instabil oder undefiniert wird und dass Random Forests bei lagerbezogenen Kennzahlen schlechter abschneiden können als Croston-basierte Methoden.

Verwenden Sie **MAE**, um Abweichungen in Einheiten zu kommunizieren, und **RMSE**, um kostspielige Ausreißer zu untersuchen. Nutzen Sie skalierte Kennzahlen, um Produkte unterschiedlicher Größenordnung zu vergleichen, prüfen Sie aber den Referenznenner, wenn eine Reihe wenig Schwankung aufweist. Berichten Sie den Bias mit einer dokumentierten Vorzeichenkonvention, damit alle verstehen, ob ein positiver Wert Über- oder Unterprognose bedeutet.

Vergleichen Sie unregelmäßige Produkte mit einer Methode aus der Croston-Familie und regelmäßige Verkäufer mit einer saisonalen naiven Prognose. Berichten Sie schnelldrehende, unregelmäßige, neue und auslaufende Produkte getrennt, anstatt Bestseller den Durchschnitt dominieren zu lassen.

### Horizont und wirtschaftliche Folgen bewerten

Eine [saudi-arabische E-Commerce-Prognosestudie](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf) berichtete einen **RMSE von 0,4537 für wöchentliche Prognosen** und **8,1938 für langfristige Vorhersagen**. Dies sind studienspezifische Fehlerwerte, keine übertragbaren Zielgrößen pro Einheit, aber der Vergleich spricht dafür, Horizonte getrennt zu überwachen.

Ihr Nachschubhorizont sollte der Lieferzeit des Lieferanten entsprechen. Ihre Kapazitätsprognose benötigt möglicherweise einen anderen Horizont und ein anderes Aggregationsniveau.

Übersetzen Sie Abweichungen in operative Kosten:

- **Fehlmengenkosten:** Entgangener Deckungsbeitrag, Expresslieferung und Substitution, soweit messbar.
- **Überbestandskosten:** Lagerung, Finanzierung, Preisnachlässe und Entsorgung.
- **Entscheidungsergebnis:** Erreichte Verfügbarkeit und gebundener Lagerbestand unter derselben Bestellpolitik.

Bewerten Sie Fehlbestandsperioden sorgfältig, da beobachtete Verkäufe nicht die gesamte unerfüllte Nachfrage zeigen. Trennen Sie diese Perioden im Reporting und testen Sie die Sensitivität gegenüber Ihren Annahmen zur verlorenen Nachfrage, anstatt eine unbekannte Grundwahrheit zu behaupten.

## Wie Sie Prognosen in Nachbestell- und Promotionsentscheidungen umsetzen

Ein Einkäufer braucht einen Auslöser, nicht nur eine prognostizierte Verkaufskurve. Definieren Sie, wie die Prognose eine Bestellung verändert, wer eine Ausnahme genehmigt und welche Hinweise eine Überarbeitung auslösen.

Das Folgende ist ein **hypothetisches Beispiel**, keine empfohlene Servicepolitik für jeden Katalog. Die Mengen und Zielwerte veranschaulichen die Berechnung, damit Sie Ihre eigenen wirtschaftlichen Kennzahlen einsetzen können.

### Nachfrage in einen Nachbestellauslöser umwandeln

1. **Legen Sie einen Servicelevel-Zielwert je Produktklasse fest.** Setzen Sie beispielsweise ein **95%-Zyklus-Servicelevel für Bestseller** und **90% für Long-Tail-Artikel**. Zyklus-Servicelevel bedeutet die Wahrscheinlichkeit, während eines Nachschubzyklus einen Lagerausfall zu vermeiden – nicht den Prozentsatz der belieferten Einheiten. Legen Sie die tatsächlichen Zielwerte anhand von Marge, Kundenwirkung und Lagerhaltungskosten fest, nicht allein anhand der Verkaufsgeschwindigkeit.
2. **Schätzen Sie die Nachfrage während der Lieferzeit des Lieferanten.** Multiplizieren Sie die durchschnittliche Tagesnachfrage mit der Lieferzeit, wenn der tägliche Erwartungswert einigermaßen stabil ist. Fällt eine Kampagne oder saisonale Veränderung in diesen Zeitraum, summieren Sie stattdessen die Tagesprognosen.
3. **Bemessen Sie den Sicherheitspuffer.** Verwenden Sie unter einem veranschaulichenden Modell mit fester Lieferzeit, unabhängiger Tagesnachfrage und Normalverteilungsnäherung: **Sicherheitsbestand = z × Tagesstandardabweichung × √Lieferzeit**. Ein gerundetes **z von 1,65** entspricht dem 95%-Zyklus-Servicelevel-Ziel im Beispiel. Trends, Autokorrelation, unregelmäßige Bestellungen und schwankende Lieferverzögerungen erfordern eine passendere Verteilung der Lieferzeit-Nachfrage.
4. **Legen Sie den Meldebestand fest.** Addieren Sie die Lieferzeit-Nachfrage zum Sicherheitsbestand. Lösen Sie anhand der **Bestandsposition** aus – also nutzbarem Lagerbestand plus bestätigtem Wareneingang minus zugesagter Nachfrage – statt allein anhand des physischen Bestands.
5. **Genehmigen Sie Aktionen anhand des Netto-Mehrwerts.** Vergleichen Sie die Kampagnennachfrage mit einer glaubwürdigen Baseline ohne Aktion und berücksichtigen Sie anschließend verdrängte künftige Käufe und Substitutionen durch andere Produkte.

Für praktischen operativen Kontext zum [Aufbau von Sicherheitsbeständen](https://npoint.digital/how-to-prevent-stock-outs/) bietet die Anleitung von Next Point Digital zur Vermeidung von Lagerausfällen eine nützliche Ergänzung.

### Rechnen Sie, bevor Sie bestellen

Angenommen, ein SKU verkauft sich **40 Einheiten täglich**, die Lieferzeit des Lieferanten beträgt **14 Tage**, und die Standardabweichung der Tagesnachfrage liegt bei **8 Einheiten**. Unter den oben vereinfachten Annahmen:

- **Lieferzeit-Nachfrage:** 40 × 14 = **560 Einheiten**.
- **Sicherheitsbestand:** 1,65 × 8 × √14 ≈ **49 Einheiten**.
- **Meldebestand:** 560 + 49 = **609 Einheiten**.

Dieser Puffer nutzt die tägliche Nachfrageschwankung. Schätzen Sie bei einer prognosebasierten Umsetzung die Unsicherheit anhand von Out-of-Sample-Prognosefehlern über den Nachschubhorizont, damit Sie vorhersehbare Saisonalität nicht als zufällige Schwankung behandeln.

Nehmen wir nun an, eine **viertägige Aktion** verkauft **120 Einheiten täglich**. Das Kampagnenvolumen beträgt **480 Einheiten**, verglichen mit einer **Baseline von 160 Einheiten**, was einen scheinbaren **Zuwachs von 320 Einheiten** ergibt. Verkaufen sich in den folgenden **zehn Tagen** nur **25 Einheiten täglich** statt der üblichen **40**, bleibt nach dem **Ausfall von 150 Einheiten** ein geschätzter **Nettozuwachs von 170 Einheiten**.

Diese Schätzung setzt voraus, dass die Baseline glaubwürdig ist. Vergleichen Sie, wo möglich, mit unbeeinflussten Produkten, Märkten oder Kundengruppen und prüfen Sie dabei, ob diese Vergleiche nicht selbst von der Kampagne betroffen sind.

Eine [Studie von 2025 im International Journal of Forecasting](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html) stellte fest, dass Aktionen Prognostiker dazu verleiten können, die Nachfrage bei hohen Ziel-Servicelevels zu überschätzen. Zusätzlicher Bestand ist nicht automatisch die wirtschaftlich sicherere Entscheidung.

Ziehen Sie Rabattkosten, Werbung, Retouren und Erfüllungsaufwand ab, bevor Sie die Rentabilität beurteilen. Nutzen Sie für die Umsetzungsunterstützung [einen 30-tägigen Bestandspilot für Einzelhändler](https://www.electe.net/post/inventory-optimization-for-retail), um Zuständigkeiten und Überprüfungen zu strukturieren. Ein praktischer Ausgangsrhythmus ist wöchentlich für schnelldrehende und monatlich für langsamere Produkte, mit sofortigen Ausnahmeprüfungen nach Lieferkettenänderungen oder Kampagnen.

## Wichtige Erkenntnisse und ein 90-Tage-Pilot

Starten Sie Ihren **90-Tage-Pilot zur Nachfrageprognose im E-Commerce** mit einer Kategorie, die groß genug ist, um relevant zu sein, aber überschaubar genug, damit Einkäufer sie prüfen können. Als vorgeschlagenen Umfang betrachten Sie die **oberen 20% der SKUs nach Umsatz** und beziehen Sie dann repräsentative langsamdrehende Artikel ein, damit der Test das Long-Tail-Risiko nicht verdeckt.

Halten Sie die Betriebsgrundsätze sichtbar:

- **Komplexität verdienen:** Verlangen Sie von Kandidaten, eine saisonale Referenz auf zurückgehaltenen Zeiträumen zu schlagen.
- **Verfügbarkeitskontext bewahren:** Trainieren Sie weder Einkäufer noch Modelle darauf, Lagerausfälle als Kundenablehnung zu interpretieren.
- **Kommerzielle Ergebnisse bewerten:** Beurteilen Sie Bestandsrisiko und Deckungsbeitrag, nicht allein die Genauigkeit einzelner Einheiten.
- **Den Aktionslebenszyklus messen:** Berücksichtigen Sie die Baseline, den Kampagnenzuwachs und die anschließende Nachfrageveränderung.

### Geben Sie dem Piloten einen Verantwortlichen und eine Entscheidung

Erfassen Sie für diesen vorgeschlagenen Piloten **12 bis 24 Monate** an täglichen oder wöchentlichen Verkaufsdaten, Verfügbarkeitsaufzeichnungen und, sofern verfügbar, Aktionskalendern. Reservieren Sie die **letzten drei Monate** für einen abschließenden Vergleich und testen Sie rückwirkend eine saisonale Baseline sowie **zwei Kandidatenmethoden** anhand von MAE, Bias und geschätzten Lagerausfallkosten.

Wählen Sie die Methode mit dem stärksten wirtschaftlichen Ergebnis unter einer einheitlichen Bestellpolitik. Wenden Sie deren Nachschubempfehlungen auf die ausgewählten SKUs an, prüfen Sie Ausnahmen wöchentlich und erfassen Sie jede manuelle Überschreibung mit Begründung.

**ELECTE, eine KI-gestützte Datenanalyseplattform für KMU**, führt **sechs Prognosemethoden** auf Nutzerdaten aus, bewertet sie gegeneinander und wählt die genaueste aus. Die meisten Nutzer sind in **unter 5 Minuten** einsatzbereit, wobei Analyse und erste Prognosen sofort nach Anbindung der Buchhaltungssoftware oder dem Hochladen einer Datei beginnen; die operative Validierung erfordert weiterhin geeignete Verkaufs- und Verfügbarkeitsaufzeichnungen.

Eine schnelle Einrichtung ist kein Nachweis des geschäftlichen Werts. Das Ergebnis des Piloten ist, ob der gewählte Ansatz Ihre aktuelle Methode auf Ihren Daten übertrifft, unter den Einkaufsbeschränkungen, mit denen Ihr Team in der Praxis konfrontiert ist. Halten Sie an diesem Maßstab fest, auch wenn das Dashboard überzeugend wirkt.

---

ELECTE bietet Bedarfsprognosen und einen kostenlosen Bestellpunkt-Rechner, um Vorhersagen mit Kaufentscheidungen zu verknüpfen. Besuchen Sie [ELECTE](https://www.electe.net), um die Plattform zu erkunden und ELECTE in einer persönlichen Demo live zu erleben.