# Bestandsprognose-Methoden: 5 Wege, die Nachfrage vorherzusagen

> Fünf bewährte Methoden der Bestandsprognose: wie sie funktionieren und wann sie sich eignen. Vergleichen Sie die Ansätze und wählen Sie den passenden für Ihr Unternehmen.

Source: https://www.electe.net/de/beitrag/inventory-forecasting-methods

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

Wer zu viel bestellt, verbrennt Cash. Wer zu wenig bestellt, verliert den Verkauf an den Anbieter, der Ware im Regal hat. Jedes Unternehmen mit Lagerhaltung bewegt sich zwischen diesen beiden Fehlern, und der Unterschied entscheidet sich an einer Frage: Welche Methode der Bestandsprognose steht hinter Ihren Bestellungen?

Fragt man in einer Runde von Verantwortlichen, welche Methode sie nutzen, bekommt man Produktnamen zur Antwort. Eine Tabellenkalkulation. Ein ERP-Modul. Ein Add-on, das jemand aus dem Finanzbereich gekauft hat. Die Mathematik dahinter nennt niemand. Genau diese Lücke lohnt es sich zu schließen. Ein Prognose-Tool ist nur das Transportmittel für eine Methode, und die Methode entscheidet, ob Ihr Sicherheitsbestand an der Realität oder an Wunschdenken ausgerichtet ist.

Hier sind fünf Methoden der Bestandsprognose, verstanden als Stufenleiter für Entscheidungen und nicht als konkurrierende Lager. Jede ist die Messlatte, die die nächste übertreffen muss. Zu jeder erfahren Sie, was sie braucht, wo sie versagt und unter welchen Bedingungen sie ihren Platz verdient.

## 1. Gleitender Durchschnitt

Der gleitende Durchschnitt ist ein gängiger Einstieg, und das zu Recht. Sie wählen ein Fenster (3, 6 oder 12 Perioden), mitteln die tatsächliche Nachfrage darüber und verwenden das Ergebnis als Prognose für die nächste Periode. Sobald eine neue Periode abgeschlossen ist, rückt das Fenster weiter und der Wert aktualisiert sich von selbst.

Eine [Supply-Chain-Studie der University of Arkansas](https://scholarworks.uark.edu/cgi/viewcontent.cgi?article=1003&context=scmtwscp) beschreibt die Zeitreihenprognose als Grundlage der meisten Nachschubsysteme; ihr Ziel ist es, Trend und Saisonalität unter dem Rauschen der Verkaufsdaten zu erkennen. Der gleitende Durchschnitt erledigt die einfachste Variante dieser Aufgabe: Er filtert einmalige Ausschläge heraus, ohne ein Modell zu benötigen.

### Einfache versus gewichtete Fenster

Einfache gleitende Durchschnitte gewichten jede Periode gleich. Gewichtete gleitende Durchschnitte geben jüngeren Perioden mehr Einfluss. Das zählt, wenn die Nachfrage steigt oder fällt, statt konstant zu bleiben. Greifen Sie zur gewichteten Variante, wenn der letzte Monat mehr über den nächsten aussagt als das letzte Quartal.

Ein Online-Schreibwarenshop mittelt etwa die Notizbuchverkäufe der letzten drei Monate, um Meldebestände für eine stabile Produktlinie festzulegen, während eine Bäckerei jeden Montag die Brotverkäufe von vier Wochen mittelt, um die Mehlbestellung zu dimensionieren. Gleiche Methode, unterschiedliche Fenster, beides lässt sich einem Einkäufer leicht erklären.

> Testen Sie drei Fensterlängen an den Daten der letzten zwölf Monate, bevor Sie sich festlegen. Das beste Fenster ist meist kürzer, als der Instinkt vermuten lässt.

- **Mit der naiven Prognose vergleichen:** Wenn der Absatz der letzten Periode genauso gut prognostiziert wie Ihr Durchschnitt, rechtfertigt der Durchschnitt seine Komplexität nicht.
- **Mit Sicherheitsbestand kombinieren:** Die Glättung entfernt den Ausschlag aus der Prognose, nicht aus der Nachfrage.
- **Produktfamilien trennen:** Ein Notizbuch und ein saisonaler Planer sollten sich kein Fenster teilen.

Setzen Sie sie ein, wenn Ihre Artikel gleichmäßig verkauft werden, mindestens sechs saubere Perioden Historie vorliegen und Sie eine Baseline brauchen, der jeder Beteiligte folgen kann. Es ist zugleich die Zahl, die jede spätere Methode schlagen muss. Ein [30-Tage-Bestandspilot für Händler](https://www.electe.net/post/inventory-optimization-for-retail) zeigt, wie schnell eine solche Baseline offenlegt, welche SKUs mehr als einen Durchschnitt brauchen.

## 2. Exponentielle Glättung (Holt-Winters-Methode)

Die exponentielle Glättung behält das Mitteln bei, behandelt aber alte und neue Daten nicht mehr gleich. Jede Beobachtung verliert mit dem Alter exponentiell an Gewicht, sodass die Prognose sich an dem orientiert, was jetzt passiert, ohne auf eine ungewöhnliche Woche überzureagieren.

Holt-Winters fügt zwei Komponenten hinzu: einen Trendterm und einen Saisonterm, additiv oder multiplikativ angewendet, je nachdem, ob die saisonalen Schwankungen mit dem Volumen wachsen. Deshalb verbringen saisonale Handelssortimente die meiste Zeit hier.

### Warum bei der Genauigkeit mehr auf dem Spiel steht

Die stärkere Gewichtung jüngerer Daten bringt Reaktionsfähigkeit, und die hat ihren Preis. Eine [Studie zur Forschung über Großhandel und Bestandssteuerung](https://www.sciencedirect.com/science/article/abs/pii/S0925527310001805) berichtet über ein Ergebnis von Syntetos und Kollegen, wonach eine **Verringerung der Prognosegenauigkeit um 1 %** bei gleichbleibendem Servicelevel einem **Anstieg der Bestandskosten um 10–15 %** entsprechen kann. Zu träge eingestellte Parameter lassen Sie bei einer Nachfrageverschiebung mit zu viel Ware zurück; zu schnell eingestellte jagen dem Rauschen hinterher und münden in einen Peitscheneffekt.

Drei Gewohnheiten halten das Modell ehrlich:

- **Mindestens zwei Jahre:** Füttern Sie es mit mindestens zwei vollständigen Saisonzyklen, sonst rät die Saisonkomponente nur.
- **Optimierer auf Plausibilität prüfen:** Lassen Sie die Software die Glättungskonstanten berechnen und prüfen Sie dann, ob die Saisonform zum vergangenen Jahr passt.
- **Aktionen als Ereignisse markieren:** Eine dreiwöchige Kampagne verzerrt die Baseline monatelang, wenn sie in die Historie einfließt.

Setzen Sie sie ein, wenn die Nachfrage ein wiederkehrendes Saisonmuster hat und Sie zwei saubere Zyklen liefern können. Wie Glättungsmodelle in der Praxis eingesetzt und verglichen werden, lesen Sie in [Ausfallraten mit Glättungsmodellen prognostizieren](https://www.electe.net/post/exponential-smoothing).

## 3. ARIMA- und SARIMA-Zeitreihenmodelle

Glättung behandelt die Historie als gewichteten Durchschnitt. ARIMA stellt an dieselben Daten eine schwierigere Frage: Hängt die heutige Nachfrage von der gestrigen ab, von derselben Woche im Vorjahr und von den Fehlern, die das Modell zuvor gemacht hat? Der integrierte Schritt bildet so lange Differenzen der Reihe, bis der Trend stabil ist, und SARIMA ergänzt saisonale Terme für Wochen- und Jahreszyklen. Während Holt-Winters Ihnen eine glattere Linie liefert, liefert ARIMA ein Modell des Nachfrageprozesses selbst.

Das Intervall um die Prognose ist das Ergebnis, das sich auszahlt.

### Spannen schlagen Einzelwerte

Eine [Studie zur Optimierung der Wiederauffüllung](https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2527957) modelliert SKU-Nachfrage, Rückläuferlaufzeiten und Wiederbeschaffungszeiten als Zufallsvariablen, arbeitet mit Quantilsprognosen statt mit einer einzelnen Schätzung und schlägt ein Verhältnis von Prognoseunsicherheit (Ratio of Forecast Uncertainty) vor, um zu verfolgen, wie sich Unsicherheit zwischen den Stufen der Lieferkette fortpflanzt. Dieser Unterschied zählt bei der Bestellung. Eine Prognose von 1.000 Stück bedeutet etwas anderes, wenn die plausible Spanne von 850 bis 1.150 reicht, als wenn sie von 500 bis 1.700 reicht.

Zwei Einkäufer können dieselbe Prognose lesen und gegensätzliche Entscheidungen treffen. Eine regionale Supermarktkette modelliert die wöchentliche Molkereinachfrage mit wöchentlicher und jährlicher Saisonalität, damit der Feiertagsanstieg in der Bestellung auftaucht und nicht erst danach. Ein Elektronikdistributor legt den Sicherheitsbestand für Komponenten am 90. Perzentil des Intervalls fest, bemessen nach einem Servicelevel-Ziel statt nach pauschal zwei Wochen Reichweite. Gleiche Methodik, andere politische Fragestellung.

Eine saubere Umsetzung erfordert Disziplin:

- **Auf Stationarität prüfen** – per Diagramm und mit einem formalen Test – und nur so weit differenzieren wie nötig. Übermäßiges Differenzieren erzeugt Rauschen, das das Modell dann erklären muss.
- **Die letzten drei Monate zurückhalten** und das Modell dort bewerten, bevor Sie ihm vertrauen.
- **Intervalle in Regeln übersetzen:** Wählen Sie das Perzentil, das Ihre Marge, Liquidität und Servicezusage rechtfertigen.
- **Modellauswahl automatisieren** bei großen Sortimenten. Manuelles Feintuning der Ordnung funktioniert bei 400 SKUs nicht.

Der Preis dafür ist Aufwand. ARIMA verlangt stationäre Daten, sorgfältige Ordnungswahl und genug Historie, um die saisonalen Terme zu schätzen, und liest dennoch nur die eigene Vergangenheit der Reihe. Damit setzt es die Messlatte, die kausale Methoden überspringen müssen: Ein Treiber wie Preis oder Aktion verdient seinen Platz im Modell nur, wenn er besser prognostiziert als die eigene Nachfragehistorie.

Setzen Sie es ein, wenn Ihre Reihe Autokorrelation enthält, die Glättung übersieht, und Sie eine belastbare Spanne brauchen, um den Sicherheitsbestand an einem Servicelevel-Ziel auszurichten.

## 4. Kausale Regressionsprognose

Alle bisherigen Methoden lesen die Nachfrage aus ihrer eigenen Historie ab. Die kausale Regression stellt eine andere Frage: Was bewegt die Nachfrage, und um wie viel? Sie speisen Treiber ein, die Ihr Team ohnehin erfasst, etwa Preis, Rabatthöhe, Aktionen, Feiertage, Wetter und Wettbewerberaktivität, und das Modell schätzt den jeweiligen Effekt.

Das Ergebnis ist ein Koeffizient, über den man streiten kann, und genau das ist der Punkt. Ein Rabatt erhöht die Prognose nicht einfach, er erhöht sie um einen bezifferten Betrag, und diesen Betrag braucht Ihre Bestellung.

### Den Aktionskalender ins Modell einbauen

Ein Haushaltswarenhändler möchte wissen, wie ein Rabatt von 20 Prozent plus eine E-Mail-Kampagne am Wochenende den Absatz von Küchengeräten verändern. Die Regression schätzt den kombinierten Effekt, sodass der Einkäufer gegen ein geplantes Ereignis bestellt statt gegen den Monatsdurchschnitt des Vorjahres. Ein Getränkedistributor, der die Temperaturprognose einbezieht, kann sich vor einer Hitzewelle eindecken, statt erst auf sie zu reagieren.

> **Praxisregel:** Testen Sie jeweils einen Treiber auf einem Holdout-Zeitraum. Ein Treiber, der die Genauigkeit auf Daten, die das Modell nicht kennt, nicht verbessert, ist eine Geschichte, kein Signal.

- **Beginnen Sie mit dem, was Sie erfassen:** Aktionskennzeichen, Preisänderungen und Feiertagskalender. Viele Teams haben mehr nutzbare Treiber, als sie annehmen.
- **Koeffizienten aktualisieren:** Das Kundenverhalten ändert sich nach einer Preisänderung oder einem neuen Wettbewerber, und veraltete Koeffizienten können zu Überbeständen führen.
- **Geplantes von Ungeplantem trennen:** Kampagnen gehen als Eingabe ein; ein viraler Beitrag oder eine Erholung nach einem Lieferengpass geht als Ereignis-Flag ein.

Setzen Sie dies ein, wenn Aktionen und Preise einen großen Teil Ihres Volumens bestimmen und Sie den Bestand für eine Kampagne vor ihrem Start dimensionieren müssen, nicht danach.

## 5. Prognose der Nachfrage mit maschinellem Lernen

Maschinelles Lernen verändert die Modellierungseinheit. Statt ein Modell pro Produkt anzupassen, trainieren Sie ein einziges Modell über Tausende von SKU-Standort-Kombinationen und lassen es gemeinsame Muster lernen: Welche Artikel reagieren auf Wetter, welche auf Gehaltszyklen, welche auf eine Aktion zwei Wochen zuvor.

Gradient Boosting kommt mit tabellarischen Verkaufsdaten gut zurecht. Neuronale Netze zahlen sich aus, wenn das Sortiment riesig ist und die Signale auf eine Weise zusammenwirken, die Sie nicht von Hand spezifizieren können.

### Wo das Genauigkeitsargument komplizierter wird

Eine [Studie, die 7.500 Nachfragereihen und 13 Prognosemethoden untersuchte](https://www.ajol.info/index.php/jriie/article/download/340188/319463/763962), fand heraus, dass der Wert der Prognosegenauigkeit von Produkteigenschaften, Bestandspolitik, Lagerkosten, Kosten entgangener Verkäufe, Überprüfungsintervallen und Wiederbeschaffungszeiten abhängt. Dieselbe Arbeit stellt fest, dass pharmazeutische KMU selbst bei vielen sporadischen Bestellungen oft auf Expertenschätzungen setzen, und nennt als Hürden ungenaue historische Daten, begrenzte Fachkräfte und geringe Technologieakzeptanz.

Die Folgerung ist unbequem für alle, die einer Bestenliste hinterherjagen. Ein Modell, das bei Fehlermaßen gewinnt, kann bei den Kosten verlieren, wenn die Lagerkosten niedrig und Fehlbestände teuer sind. Und eine Methode, die bei sporadischen Artikeln stark aussieht, schneidet womöglich nur deshalb gut ab, weil die meisten Perioden keine Nachfrage enthalten.

- **Die Baseline schlagen:** Ein gleitender Durchschnitt oder Holt-Winters ist Ihre Kontrollgruppe. Wenn maschinelles Lernen sie auf Holdout-Daten nicht schlägt, setzen Sie es nicht ein.
- **Zeitlich validieren, nicht zufällig:** Auf älteren Perioden trainieren, auf neueren testen.
- **Nach Segment bewerten:** Der Fehler bei Ihren Top-50-SKUs zählt mehr als der Fehler im Long Tail.
- **Sporadische Nachfrage separat behandeln:** Artikel mit vielen Nullwerten brauchen eigene Bewertungsregeln.

ELECTE, eine KI-gestützte Datenanalyseplattform für KMU, wendet sechs Prognosemethoden auf Ihre Daten an, bewertet sie gegeneinander und wählt die genaueste aus. Das ersetzt den manuellen Methodenvergleich. Für aktionslastige Sortimente lesen Sie [wie Sie Nachfragespitzen bei Flash Sales berücksichtigen](https://www.electe.net/post/ecommerce-demand-forecasting).

Setzen Sie dies ein, wenn Sie dichte, detaillierte Historie über viele Produkte haben und Belege dafür, dass es Ihre Baseline bei Kosten und Service schlägt, nicht nur auf dem Papier.

## 5 Methoden der Bestandsprognose im Überblick

MethodeAm besten geeignet fürBenötigte DatenBerücksichtigt SaisonalitätSchwierigkeitsgradPrognose mit gleitendem DurchschnittStabile Nachfrage und einfache BasisprognosenKleine Menge aktueller VerkaufsdatenNeinEinfachExponentielle Glättung (Holt-Winters-Methode)Nachfrage mit Trends und saisonalen MusternVerkaufsdaten aus mindestens zwei SaisonzyklenJaMittelARIMA- und SARIMA-ZeitreihenmodelleAutokorrelierte Nachfrage mit zeitlichen MusternLange, saubere historische ZeitreihenJa, mit SARIMAFortgeschrittenKausale RegressionsprognosePrognose der Auswirkungen von Aktionen, Preisen und anderen EinflussfaktorenVerkaufsdaten und verlässliche Daten zu den EinflussfaktorenMöglich, mit saisonalen VariablenMittelNachfrageprognose mit maschinellem LernenGroße Sortimente mit komplexen NachfragetreibernUmfangreiche, saubere Verkaufshistorie und relevante EingabedatenJa, mit Kalender- oder SaisonmerkmalenFortgeschritten

## Wichtigste Erkenntnisse: Wählen Sie die Methode, die Ihre Daten tragen

Betrachten Sie jede Stufe als Basis, die die nächste übertreffen muss. Ein gleitender Durchschnitt ist günstig und nachvollziehbar, daher setzt er die Zahl, die jedes spätere Modell verbessern muss. Nehmen Sie Holt-Winters hinzu, wenn dasselbe saisonale Muster immer wiederkehrt; verwenden Sie ARIMA oder SARIMA, wenn Sie für Servicelevel ein belastbares Intervall brauchen; wechseln Sie zur kausalen Regression, wenn Aktionen und Preisänderungen die Absatzmenge bestimmen; setzen Sie maschinelles Lernen erst ein, wenn es auf einem Holdout-Datensatz gewinnt.

Gehen Sie diese Stufenleiter in jedem Zyklus auf dieselbe Weise durch:

- Prüfen Sie die Verkaufshistorie: Zählen Sie saubere Perioden und SKUs mit langen Nullserien.
- Wählen Sie die einfachste Methode, die zum Nachfragemuster passt.
- Validieren Sie anhand der letzten drei Monate, ohne zufällige Aufteilung.
- Automatisieren Sie den Vergleich, damit sich die beste Basis mit den Bedingungen ändert.

[ELECTE](https://www.electe.net) verbindet Buchhaltungs-, Bank- und Tabellenquellen, hält sie aktuell, führt sechs Prognosemethoden mit den Live-Zahlen aus, vergleicht sie miteinander und wählt die genaueste aus. Sie erhalten Nachfrage-, Liquiditäts- und Gehaltsprognosen mit Dashboards, die Sie mit einem Klick exportieren oder teilen können. Besuchen Sie ELECTE und sehen Sie in wenigen Minuten die Prognose für Ihre eigene Verkaufshistorie.
