KI-Bedarfsprognose im Handel: wann sie sich rechnet, und wann nicht.
Erst die Datenbasis, dann die Prognose.
Kaum ein KI-Anwendungsfall wird im Handel so oft genannt wie die Bedarfsprognose. Weniger Fehlbestände, weniger Abschriften, bessere Verfügbarkeit. Das Versprechen ist echt, und in den richtigen Fällen ist der Effekt erheblich. Nur hängt er an Voraussetzungen, über die im Angebot selten jemand spricht.
Eine KI-gestützte Absatzprognose spielt ihre Stärke dort aus, wo viele Einflussfaktoren gleichzeitig wirken und ein Mensch sie nicht mehr im Kopf zusammenrechnen kann. Wo diese Faktoren fehlen oder die Daten nicht tragen, kostet sie mehr, als sie bringt. Die folgende Gegenüberstellung zeigt, wovon das abhängt.
Wann eine KI-Prognose trägt, und wann nicht
Rechnet sich
Eher nicht
Datenlage
Saubere Abverkaufshistorie über mehrere Jahre, je Artikel und Standort
Lückenhafte oder uneinheitlich gepflegte Stammdaten
Nachfrage
Viele Einflüsse zugleich: Saison, Wetter, Aktionen, Feiertage
Stabil und einfach, eine klare Regel genügt
Volumen
Große Sortimente mit hoher Umschlaghäufigkeit
Zu kleines Volumen, der Aufwand amortisiert sich nie
Sondereffekte
Aktionen sind sauber erfasst und von echter Nachfrage trennbar
Aktionen sind nirgends dokumentiert
Der häufigste Grund für eine gescheiterte KI-Prognose ist nicht das falsche Modell, sondern die Datenbasis darunter. Erst die Stammdaten sauber, dann die Prognose.
Woran wir die Prognose-Reife messen
Drei Fragen entscheiden, ob sich der Einsatz lohnt
Datenverfügbarkeit
Wie vollständig und sauber liegen Abverkäufe je Artikel und Standort über die Zeit vor?
Stabilität
Ist der Prozess stabil genug, dass sich aus der Vergangenheit überhaupt Muster ableiten lassen?
Volumen und Frequenz
Trägt die Menge den Aufwand, oder liefert eine Meldebestand-Regel dasselbe Ergebnis günstiger?
Manchmal schlägt eine Regel das Modell
Nicht jede Nachbestellung braucht KI. Wo die Nachfrage stabil und die Logik einfach ist, liefert eine klare Meldebestand-Regel dasselbe Ergebnis, nur billiger, schneller und für jeden nachvollziehbar. Ein typisches Muster aus der Praxis: Ein Händler will die gesamte Disposition auf KI umstellen. In der Analyse zeigt sich, dass sich nur ein Bruchteil der Artikel volatil genug verhält, um von einem Modell zu profitieren. Für den großen, stabilen Rest reicht eine saubere Regel. Genau diese Trennung spart das meiste Geld.
Wie wir das für Sie einordnen
Wir prüfen Ihre Prognose-Idee vendor-neutral und in Zahlen: Datenlage, Standardisierung, Volumen und Fehlerkosten. Daraus sagen wir Ihnen, ob sich eine KI-Prognose bei Ihnen heute rechnet, welche Voraussetzung gegebenenfalls zuerst fehlt und wo eine einfache Regel die bessere Wahl ist. Ohne Bindung an einen Anbieter, denn wir verdienen an Beratungstagen, nicht an Lizenzen.
Häufig gestellte Fragen
Wie viele Jahre Historie braucht eine KI-Prognose?
Als Faustregel mindestens zwei bis drei volle Saisonzyklen, damit das Modell wiederkehrende Muster von Zufall trennen kann. Wichtiger als die reine Länge ist die Qualität: sauber je Artikel und Standort, mit erkennbar markierten Aktionen. Kurze, aber saubere Historie schlägt lange, aber lückenhafte.
Rechnet sich eine KI-Prognose auch für kleinere Händler?
Nicht automatisch. Entscheidend ist nicht die Unternehmensgröße, sondern Volumen und Volatilität der Nachfrage sowie die Kosten von Fehlbeständen. Bei überschaubarem, stabilem Sortiment ist eine regelbasierte Disposition oft die wirtschaftlichere Wahl.
Wo KI im Handel sonst noch zahlt und wo nicht, und wie eine ehrliche Einordnung aussieht, lesen Sie auf unserer Themenseite KI im Handel.
Wenn Sie dieses Thema in Ihrem Projekt vertiefen möchten, sprechen Sie mit uns.
Über den Autor
Stefan Radau
Gründer & Geschäftsführer
Stefan Radau gründete Innovera Consulting 2025 nach über 20 Jahren im Handel. Er begleitet Geschäftsführer und Bereichsleiter im Handel und Großhandel vendor-neutral, pragmatisch und messbar durch komplexe Transformationen.
