KI-gestützte Nachfrageprognose: Von historischen Daten zu prädiktiven Insights

Ihre Prognose sagte Ihnen, die Nachfrage würde flach bleiben. Drei Wochen später sitzen Sie auf sechs Wochen überschüssigem Bestand und zwei kritischen Fehlbeständen. Klingt vertraut?

Jeder Supply-Chain-Verantwortliche kennt diesen Moment. Die monatliche Nachfrageüberprüfung sah solide aus, die Zahlen passten zu historischen Trends – und dann kam die Realität: Eine Promotion verschob Volumina um 40 %. Ein Schlüsselkunde zog Bestellungen vor. Ein Rohstoffmangel zwang einen Wettbewerber zum Stillstand, und plötzlich klingelt Ihr Telefon mit Anfragen, die Sie nicht kommen sahen.

Das Problem ist nicht mangelnde Kompetenz im Team – im Gegenteil. Das Problem ist, dass die Tools und Methoden, auf die sich viele Hersteller noch verlassen, für eine Welt entworfen wurden, die so nicht mehr existiert.

Dieser Artikel zeigt, was es braucht, um von Prognosemethoden, die auf historischen Mustern beruhen, zu prädiktiven Ansätzen überzugehen, die Echtzeitsignale, maschinelles Lernen und externe Daten einbeziehen. Nicht als theoretische Übung, sondern als praktischer Übergang: mit Fokus auf Datenqualität, organisatorische Bereitschaft und die Verbindung zwischen besseren Prognosen und messbaren Geschäftsergebnissen.

Kurz zusammengefasst:

• Historische Methoden stoßen bei volatiler Nachfrage an strukturelle Grenzen.
• Prädiktive Prognosen ergänzen bestehende Planung durch Echtzeitsignale und externe Einflussfaktoren.
• Der größte Hebel liegt in Datenqualität, Integration und klarer Verantwortlichkeit.
• Wert entsteht erst, wenn Prognosen direkt mit Planung und Execution verknüpft sind.

Warum historische Methoden ihre Grenze erreicht haben

Seien wir klar: Gleitende Durchschnitte, exponentielle Glättung und Regressionsmodelle haben sich ihren Platz verdient. Jahrzehntelang lieferten sie eine vernünftige Annäherung zukünftiger Nachfrage auf Basis vergangener Daten. In stabilen Märkten mit vorhersehbarer Saisonalität und begrenzter Produktfluktuation funktionieren sie noch immer.

Das Problem ist: Immer weniger Märkte entsprechen dieser Beschreibung.

Nachfragevolatilität hat sich von zyklisch zu strukturell verschoben. Laut einer Studie von McKinsey berichten 73 % der Supply-Chain-Verantwortlichen von Problemen mit der Prognosegenauigkeit, unter anderem aufgrund fragmentierter Daten und reaktiver Planungsprozesse. Die Ursachen sind bekannt: Promotionen verzerren historische Baselines, neue Produkte starten ohne Nachfragehistorie, externe Störungen – von Rohstoffengpässen bis zu geopolitischen Ereignissen – machen die Vergangenheit als Prädiktor der Zukunft weniger verlässlich.

Denken Sie darüber nach, was eine traditionelle Prognose tatsächlich tut: Sie schaut rückwärts. Sie nimmt 12, 18, vielleicht 24 Monate Versanddaten, wendet ein statistisches Modell an und projiziert nach vorne. Wenn die zugrunde liegenden Nachfragemuster stabil sind, funktioniert das. Wenn sie sich verschieben, projiziert das Modell eine Realität, die nicht mehr existiert.

Roberto, der Planungsmanager, der jeden Montagmorgen den Nachfrageplan neu bearbeitet, weil die Freitagszahlen bereits „alt“ wirken, weiß das instinktiv. Die Prognose-versus-Ist-Lücke ist kein Dateneingabefehler. Sie ist eine strukturelle Limitierung von Methoden, die nicht für Tempo und Komplexität moderner Nachfragesignale ausgelegt sind.

Das bedeutet nicht, dass Excel oder traditionelle statistische Prognosen „weg“ müssen. Sie sind ein sinnvoller Startpunkt. Aber ihre natürlichen Grenzen zu erkennen, ist der erste Schritt hin zu etwas Reaktionsfähigerem.

Die Prognose-Reifekurve: Wo die meisten Hersteller stehen

Die analytische Reife in der Supply Chain folgt typischerweise vier Stufen:

Deskriptiv (was ist passiert): Dashboards, die historische Nachfrage zeigen, Versandberichte, Varianzanalysen. Die meisten Organisationen sind hier einigermaßen versiert.

Diagnostisch (warum ist es passiert): Ursachenanalyse von Prognosefehlern, Verständnis, welche Produktfamilien oder Regionen die Abweichung treiben. Weniger Unternehmen tun dies systematisch.

Prädiktiv (was wird passieren): Modelle, die mehrere Datenquellen einbeziehen, Muster über große Datensätze erkennen und vorlaufende Nachfragesignale generieren. Hier öffnet sich die Lücke.

Präskriptiv (was sollten wir tun): Automatisierte Empfehlungen, die Prognosen mit Bestandsentscheidungen, Produktionsplanung und Beschaffungsmaßnahmen verknüpfen. Das ist das Ziel – aber nur wenige Hersteller sind dort angekommen.

Die ehrliche Einschätzung: Viele Fertigungsorganisationen operieren irgendwo zwischen deskriptiv und diagnostisch. Sie verfolgen, was passiert ist, verstehen gelegentlich warum – und haben selten die Infrastruktur, um mit sinnvoller Vorlaufzeit vorherzusagen, was als Nächstes kommt.

Diese Lücke ist relevant. Gartner prognostiziert, dass 70 % der großen Organisationen bis 2030 KI-basierte Supply-Chain-Prognosen einsetzen werden. Gleichzeitig zeigt eine Gartner-Umfrage aus dem Jahr 2025, dass derzeit nur 23 % der Supply-Chain-Organisationen über eine formale KI-Strategie verfügen. Die Chance ist groß – aber auch die Distanz, die viele Unternehmen noch zurücklegen müssen.

Von rückwärtsgewandt zu zukunftsorientiert: Den Prognosehorizont erweitern

Traditionelle Nachfrageprognose und intelligente Prognosemethoden sind keine konkurrierenden Ansätze. Sie arbeiten auf unterschiedlichen Zeithorizonten und erfüllen komplementäre Zwecke.

Traditionelle Prognosen sind eher mittel- bis langfristig: monatliche oder vierteljährliche Nachfragepläne, abgeleitet aus historischen Trends, Sales-Input und Marketing-Kalendern. Sie beantworten: „Wie viel erwarten wir im nächsten Quartal zu verkaufen?“ Das bleibt wichtig für Kapazitätsplanung, strategische Beschaffung und S&OP.

Intelligente Prognosen erweitern dieses Fundament – insbesondere im Rahmen moderner Nachfrageplanung und Demand-Management-Prozesse – durch die Einbeziehung von Echtzeitsignalen (mit geringer Verzögerung) und externen Variablen: Point-of-Sale-Daten, Änderungen im Auftragsbuch, Bestandspositionen in Distributionszentren, Wettermuster oder Wirtschaftsindikatoren. Sie arbeiten auf kürzeren Horizonten – Tage bis Wochen statt Monate – und beantworten: „Was passiert gerade – und wie weicht das vom Plan ab?“

Der praktische Unterschied ist entscheidend. Betrachten Sie einen Hersteller, der Produktion für ein saisonales Produkt plant. Die monatliche Prognose, basierend auf drei Jahren historischer Daten, erwartet ein stetiges Nachfragewachstum von 5 %. Gleichzeitig erkennt die intelligente Prognose einen scharfen Anstieg der Bestellungen in dieser Woche – ausgelöst durch eine Hitzewelle und eine Out-of-Stock-Situation eines Wettbewerbers. Die traditionelle Prognose sagt: „Bleib auf Kurs.“ Das angereicherte Signal sagt: „Passe jetzt an.“

Wenn beides zusammenspielt, entsteht ein Planungssystem, das strategisch fundiert und taktisch reaktionsfähig ist: Der Monatsplan setzt die Richtung. Echtzeitsignale unterstützen Kurskorrekturen, wenn sich Bedingungen verändern.

Was KI und maschinelles Lernen tatsächlich in der Prognose leisten (ohne Hype)

Die Diskussion über KI in der Nachfrageplanung ist oft überladen mit Überversprechen. Konzentrieren wir uns darauf, was heute funktioniert, was reift und was noch Vorsicht erfordert.

Was heute zuverlässig funktioniert

Automatisierte Modellauswahl. Statt dass ein Planer zwischen exponentieller Glättung, ARIMA oder der Croston-Methode für jede SKU wählt, testen ML-Algorithmen mehrere Modelle gegen historische Daten und wählen automatisch die beste Passung. Das spart Zeit und verbessert oft die Genauigkeit, weil das passende Verfahren zum passenden Nachfragemuster zugeordnet wird.

Anomalieerkennung. ML-Modelle erkennen, wenn eingehende Nachfrage deutlich von erwarteten Mustern abweicht, und markieren Ausnahmen für die menschliche Prüfung, statt sie in aggregierten Zahlen zu verstecken. Planer fokussieren dadurch die Artikel, die wirklich Aufmerksamkeit brauchen.

Artikel-Segmentierung (Clustering). Maschinelles Lernen kann Produkte nach Nachfrageverhalten gruppieren, nicht nur nach Produktfamilie oder Region. Ein langsam drehendes Ersatzteil und ein saisonales Konsumprodukt benötigen unterschiedliche Prognoseansätze – die Segmentierung sorgt für passende Methoden je Cluster.

Mustererkennung in komplexen Datensätzen. Wo traditionelle Modelle bei vielen Variablen an Grenzen stoßen, können ML-Algorithmen zahlreiche Inputs gleichzeitig verarbeiten und nichtlineare Zusammenhänge zwischen Treibern wie Preis, Promotionen, Wetter oder Wettbewerbsaktivität abbilden.

Was reift

Prognosen für Produkteinführungen. Eine der schwierigsten Aufgaben im Demand Planning – Nachfrage für Produkte ohne Verkaufshistorie – macht Fortschritte. ML-Modelle können über attributbasierte Ähnlichkeiten (eine neue SKU teilt Merkmale mit bestehenden Produkten) belastbare Startprognosen ableiten. Praxisberichte zu KI-gestützter Nachfrageprognose zeigen dabei insgesamt häufig Genauigkeitsgewinne im Bereich von rund 20–30%.

Integration externer Signale. Wetterdaten, Rohstoffpreise, Konsumentenstimmung oder makroökonomische Indikatoren sind technisch integrierbar, erfordern jedoch Data-Engineering-Aufwand. Early Adopters sehen deutliche Genauigkeitsgewinne – besonders in wettersensitiven Kategorien und rohstoffgetriebenen Industrien.

Was noch Vorsicht erfordert

Vollautomatisierte Prognosen. Die Vision einer „touchless“ Nachfrageplanung ist attraktiv, aber für viele Organisationen noch verfrüht. Wie Gartners Jan Snoeckx anmerkt, hängt die erfolgreiche Adoption von Vertrauen, Erklärbarkeit und robustem Benchmarking gegen einfachere Modelle ab.

Die Zahlen sprechen für pragmatischen Optimismus: McKinsey berichtet, dass KI-gestützte Prognosen Fehler um 20 bis 50 % reduzieren können. Entscheidend ist dabei, wie KI- und ML-Modelle in bestehende Planungsprozesse integriert werden. Weitere Effekte werden in Studien häufig mit geringeren Fehlbeständen, niedrigeren Lagerkosten und sinkenden administrativen Aufwänden in Verbindung gebracht – vorausgesetzt, die Datenbasis stimmt. Damit kommen wir zur meist unterschätzten Voraussetzung.

Die Voraussetzung, die viele überspringen: Datenqualität und Integration

Hier ist eine Wahrheit, mit der keine Vendor-Präsentation beginnt: Das komplexeste prädiktive Modell der Welt produziert „Müll“, wenn es mit „Müll“ gefüttert wird.

Datenqualität ist kein glamouröses Thema. Aber sie ist der stärkste Einzel-Faktor dafür, ob eine prädiktive Prognoseinitiative gelingt oder scheitert.

Die typische Fertigungsumgebung sieht so aus: Nachfragedaten im ERP, Kundendaten im CRM, Produktions-Istwerte im MES, Bestände im WMS – und Marktdaten in E-Mails oder auf Shared Drives. Diese Systeme wurden zu unterschiedlichen Zeiten eingeführt, von unterschiedlichen Teams, mit unterschiedlichen Datenstandards. Sie zu verbinden – und daraus ein einheitliches Nachfragesignal abzuleiten – erfordert eine saubere Systemintegration und eine zentrale Supply-Chain-Transparenz über einen Control Tower.

Ein häufiges Fehlmuster: Ein Unternehmen investiert in Advanced-Analytics-Software, verbindet sie mit dem ERP und erwartet Transformation. Sechs Monate später ist die Prognose nicht besser als die Excel-Version, die sie ersetzen sollte – weil die zugrunde liegenden Daten unvollständig, inkonsistent oder verzögert sind.

Bevor Sie in prädiktive Fähigkeiten investieren, adressieren Sie diese Fundamente:

• Datenverantwortung (Data Governance). Wer besitzt Nachfragedaten? Wer ist verantwortlich für Bereinigung? Welche Standards gelten für Eingabe, Klassifizierung und Updates?
• Systemintegration. Automatisierte, bidirektionale Datenflüsse zwischen ERP, CRM, WMS, MES und Planungssystem. Manuelle CSV-Exporte und E-Mail-Anhänge erzeugen Verzögerung und Fehler.
• Single Source of Truth. Ein autoritatives Nachfragesignal, mit dem Vertrieb, Operations und Finance arbeiten. Wenn jede Funktion „ihre“ Zahlen nutzt, löst keine KI die Diskrepanz.
• Historische Datenhygiene. Vor dem Training: einmalige Ausreißer bereinigen (oder bewusst modellieren), Eingabefehler korrigieren, Maßeinheiten konsistent machen.

Von Prognose zu Plan: Vorhersage mit Aktion verbinden

Eine genaue Prognose, die in einem Spreadsheet sitzt, monatlich überprüft und wöchentlich vergessen wird, schafft keinen Wert. Der echte Test einer prädiktiven Prognosefähigkeit ist, ob sie nahtlos mit den Entscheidungen verbunden ist, die das operative Geschäft steuern.

Das ist der Kern eines geschlossenen Planungskreislaufs im Rahmen integrierter S&OP- und S&OE-Prozesse: Die Prognose speist den S&OP-Prozess, der Nachfrage, Angebotskapazität und Finanzziele ausrichtet. Der S&OP-Output treibt Produktions- und Beschaffungsplanung. Produktions-Istwerte fließen zurück ins Modell und verbessern künftige Prognosen.

In der Praxis haben viele Organisationen Lücken in diesem Kreislauf. Die Nachfrageplanung liefert eine Prognose. Die Angebotsplanung nutzt sie, passt aber unabhängig an. Produktionsplanung arbeitet mit anderer Kadenz und oft anderen Daten. Und bis zur nächsten S&OP-Runde sind Zahlen bereits veraltet.

Prädiktive Prognosen verstärken dieses Problem, wenn sie nicht in den Workflow eingebettet sind: Ein Modell, das täglich aktualisiert, ist nutzlos, wenn der Planungsprozess nur wöchentlich reagiert. Ein Signal, das am Dienstag eine Verschiebung erkennt, verpufft, wenn Entscheidungen erst am Freitag getroffen werden.

Den Kreislauf zu schließen erfordert drei Dinge:

• Prozess-Alignment. Prognosekadenz und Planungskadenz müssen zusammenpassen. Wenn intelligente Prognosen tägliche Signale liefern, braucht S&OE (Sales & Operations Execution) einen Mechanismus, darauf täglich zu handeln – auch wenn S&OP monatlich bleibt.
• Szenarioplanung. „Was-wäre-wenn“-Analysen: Wenn Nachfrage für Produktfamilie X über vier Wochen um 15 % steigt – was bedeutet das für Rohmaterial, Kapazität und Bestände?
• Kollaborative Sichtbarkeit. Vertrieb, Operations, Finance und Beschaffung sehen dieselbe Prognose, mit denselben Annahmen, zur selben Zeit.

Warum bessere Prognosen sich in Geschäftswert übersetzen

Francesca, die COO, braucht keine weitere Folie zur „digitalen Transformation“. Sie muss nachvollziehbar erklären, warum Investitionen in Prognosefähigkeiten Renditen erzeugen, die die Kosten rechtfertigen.

Die Logik ist unkompliziert, auch wenn die Umsetzung es nicht ist:

Wenn die Prognosegenauigkeit steigt, wird die Lücke zwischen Erwartung und Realität kleiner. Das hat direkte Konsequenzen entlang der Planungskette: Bestände können präziser am tatsächlichen Bedarf ausgerichtet werden. Sicherheitsbestände sinken, weil der Unsicherheitspuffer schrumpft. Überproduktion, Markdowns und Abschreibungen werden seltener.

Gleichzeitig nehmen Fehlbestände ab. Wenn Prognosen Verschiebungen früher erfassen, haben Produktion und Beschaffung mehr Zeit zu reagieren. Weniger Fehlbestände bedeuten weniger verlorene Verkäufe, weniger Expediting-Kosten und weniger Strafklauseln.

Service-Levels verbessern sich als Folge: OTIF-Werte steigen, Kundenbeziehungen werden stabiler, Vertragsverlängerungen werden einfacher. Und Working Capital wird frei: Kapital, das in überschüssigem Bestand gebunden war, steht für andere Zwecke zur Verfügung.

Der pragmatische Weg ist, klein zu starten und sauber zu messen: Wählen Sie eine Produktfamilie mit hoher Variabilität. Lassen Sie einen prädiktiven Ansatz 90–120 Tage parallel zum bestehenden Prozess laufen. Vergleichen Sie Genauigkeit, Bestände und Service-Performance. Lassen Sie Ergebnisse sprechen, bevor Sie skalieren.

Wie dieser Übergang aussieht

Der Wechsel von historischer zu prädiktiver Prognose ist kein reines Technologieprojekt. Es ist eine operative Weiterentwicklung, die Menschen, Prozesse und Tools betrifft.

Phase 1 (Monate 1–3): Fundament. Datenqualität über ERP, CRM, WMS und MES auditieren. Standards für Datenverantwortung definieren. Automatisierte Datenpipelines aufbauen. Historische Daten bereinigen. Baseline-KPIs festlegen (z. B. MAPE/WAPE, Bias, Lagerumschlag, Service-Level).

Phase 2 (Monate 3–6): Pilot. ML-basierte Prognosen für einen begrenzten Umfang einführen. Parallel zum bestehenden Prozess laufen lassen. Planer im Interpretieren der Modelloutputs und im Ausnahme-Management schulen. Verbesserungen bei Genauigkeit, Planungszeit und Bestandswirkung messen.

Phase 3 (Monate 6–12): Skalierung. Auf weitere Produktfamilien und Regionen ausweiten. Externe Signale integrieren. Prädiktive Outputs mit S&OP- und Produktionsplanung verknüpfen. Szenarioplanung etablieren.

Phase 4 (Monate 12–18): Optimierung. Zusätzliche Datenquellen einbeziehen. Modellleistung durch kontinuierliches Lernen verbessern. Produkteinführungsprognosen ausbauen. Closed-Loop-Feedback von Istwerten in die Modellverfeinerung etablieren.

Jede Phase kann messbare Ergebnisse liefern, die die nächste rechtfertigen. Das ist keine „Alles-oder-nichts“-Initiative, sondern eine strukturierte, evidenzbasierte Evolution.

Die Prognose ist nicht das Ziel

Wenn Sie nur eine Idee mitnehmen: Der Wert einer Prognose liegt nicht allein in ihrer Genauigkeit. Er liegt in den Entscheidungen, die sie ermöglicht.

Eine etwas weniger genaue Prognose, auf die schnell und kollaborativ gehandelt wird, schlägt eine technisch überlegene Prognose, die in einem Silo bleibt. Der Übergang von historischen zu prädiktiven Methoden ist wichtig, weil er schnellere, informiertere Entscheidungen entlang der Planungskette ermöglicht – vom Nachfragesignal bis zur Kundenlieferung.

Planer, die jeden Montagmorgen Spreadsheets neu bauen, verdienen bessere Tools. Supply-Chain-Verantwortliche, die Nachfrageüberprüfungen präsentieren, obwohl die Zahlen bereits veraltet sind, verdienen Echtzeit-Sichtbarkeit. Operations-Leader, die Bestandsentscheidungen vor dem Board verteidigen, verdienen einen Business Case auf Basis messbarer Verbesserungen – nicht Versprechen.

Die Technologie existiert. Die Daten reichen in den meisten Organisationen aus, um zu starten. Die Frage ist nicht, ob dieser Übergang sinnvoll ist – sondern wie schnell Ihre Organisation die Fundamente schafft und Wert realisiert.