Nachfrageprognose
Nachfrageprognose ist die Praxis, die zukünftige Kundennachfrage nach Produkten mithilfe historischer Verkaufsdaten, Saisonalität und Trendsignalen vorherzusagen. E-Commerce-Marken nutzen sie, um Bestandskäufe zu planen, Fehlbestände und Überbestände zu vermeiden und die Wiederauffüllung so zu timen, dass kein Geld in den falschen Produkten gebunden ist.
Definition der Nachfrageprognose
Nachfrageprognose ist der Prozess der Schätzung, wie viel von einem Produkt Kunden in einem zukünftigen Zeitraum kaufen werden, basierend in erster Linie auf historischen Verkaufsmustern sowie Saisonalität, Trends und bekannten bevorstehenden Ereignissen. Im E-Commerce steht die Nachfrageprognose im Zentrum der Bestandsstrategie: Sie bestimmt, wie viel Bestand gekauft werden muss, wann er gekauft werden sollte und welche Produkte mehr Lagerfläche und Kapitaleinsatz verdienen als andere. Eine Prognose muss nicht perfekt sein, um nützlich zu sein – selbst eine richtungsmäßig genaue Schätzung, die besagt „diese SKU wird aufgrund der Saisonalität im nächsten Monat voraussichtlich 15–20 % mehr Einheiten verkaufen", reicht aus, um Kaufentscheidungen im Vergleich zum Bauchgefühl oder den rohen Vorjahreszahlen spürbar zu verbessern.
Wie die Nachfrageprognose funktioniert
Im einfachsten Fall geht die Nachfrageprognose von einer Basislinie aus – der durchschnittlichen aktuellen Verkaufsgeschwindigkeit – und passt diese an bekannte Faktoren an. Eine gängige Ausgangsformel:
Prognostizierte Nachfrage = Basis-Verkaufsgeschwindigkeit × Saisonalitätsfaktor × Trendfaktor
Betrachten wir ein praktisches Beispiel. Eine Haushaltswarenmarke verkauft eine Keramiktasse durchschnittlich 200 Einheiten pro Woche in den letzten drei Monaten. Historisch gesehen liegen die Dezember-Verkäufe für diese Kategorie aufgrund der Geschenkesaison etwa 40 % über dem Jahresdurchschnitt, was einen Saisonalitätsfaktor von 1,4 ergibt. Das Produkt verzeichnet außerdem aufgrund einer kürzlichen Erwähnung durch einen Influencer einen monatlichen Aufwärtstrend von etwa 5 %, was einen Trendfaktor von 1,05 ergibt.
Prognostizierte wöchentliche Nachfrage für den kommenden Dezemberzeitraum = 200 × 1,4 × 1,05 = 294 Einheiten pro Woche.
Wenn die Marke eine Bestellung aufgibt, die einen Zeitraum von 6 Wochen bis zum nächsten Wiederauffüllungszyklus abdecken soll, empfiehlt die Prognose eine Bestellung von etwa 1.764 Einheiten, zuzüglich eines Sicherheitsbestands zur Abdeckung von Prognosefehlern und möglichen Lieferverzögerungen.
Ready to Monitor Your AI Visibility?
Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.
Warum die Nachfrageprognose für E-Commerce-Marken wichtig ist
Eine korrekte Nachfrageprognose wirkt sich direkt auf den Cashflow und das Kundenerlebnis aus – in beide Richtungen. Eine zu niedrige Prognose führt zu Fehlbeständen, Umsatzverlusten und – bei Produkten mit fest eingeplanten Marketingausgaben – zu verschwendeten Akquisitionskosten, die Traffic auf eine Seite lenken, die nicht konvertieren kann. Eine zu hohe Prognose bindet Kapital in Lagerbeständen, die im Lager stehen, Lagerkosten verursachen und das Risiko von Preisnachlässen oder Abschreibungen bergen, wenn das Produkt nicht abverkauft wird.
Für wachsende oder saisonale Marken ist die Nachfrageprognose besonders risikoreich, weil die historische Basis dünner und die Schwankungen größer sind – eine erste Weihnachtssaison ohne vorherige Dezemberdaten, an denen sich eine Prognose verankern kann, ist von Natur aus riskanter als die Prognose für ein etabliertes, mehrere Jahre altes Produktsortiment.
Nachfrageprognose-Methoden im Vergleich
| Methode | Funktionsweise | Am besten geeignet für | Einschränkung |
|---|---|---|---|
| Gleitender Durchschnitt | Mittelt aktuelle Verkäufe über ein festes Fenster | Stabile, nicht-saisonale Produkte | Hinkt plötzlichen Trendänderungen hinterher |
| Saisonale Anpassung | Wendet einen Multiplikator basierend auf historischen Saisonmustern an | Produkte mit vorhersagbaren saisonalen Schwankungen | Erfordert mindestens eine vollständige Vorsaisondatenreihe |
| Trendbereinigte Prognose | Kombiniert eine Basislinie mit einem Wachstums- oder Rückgangstrendfaktor | Wachsende oder rückläufige Produktlinien | Empfindlich gegenüber kurzfristigem Rauschen, das fälschlich als Trend interpretiert wird |
| Kausale/Regressionsmodelle | Bezieht externe Variablen wie Preis, Aktionen oder Marketingausgaben ein | Marken mit starken historischen Aktionsdaten | Erfordert saubere, gut beschriftete historische Daten |
Die meisten E-Commerce-Marken benötigen kein ausgefeiltes statistisches Modell, um einen sinnvollen Nutzen zu erzielen – ein saisonal bereinigter gleitender Durchschnitt, konsequent angewandt und regelmäßig überprüft, schöpft den größten Teil des Nutzens für ein typisches Sortiment aus.
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Nachfrageprognose und KI-gesteuerter Handel
Da KI-Einkaufsassistenten und KI-Übersichten zunehmend beeinflussen, welche Produkte entdeckt werden und wann, kann sich die Nachfrage schneller und unvorhersehbarer verschieben, als traditionelle saisonale Muster vermuten lassen – ein Produkt, das in einem KI-generierten Vergleich oder einer „Besten"-Antwort positiv erwähnt wird, kann einen Nachfrageschub erleben, den eine rückwärtsgerichtete Prognose nicht vorhersieht. Händler, die ihre KI-Sichtbarkeit zusammen mit ihren Verkaufsdaten verfolgen, sind besser in der Lage, diese Nachfrageverschiebungen frühzeitig zu erkennen und die Bestellung anzupassen, bevor ein Fehlbestand eintritt, anstatt erst danach zu reagieren.
Das eshop_get_replenishment-Tool von AmICited setzt die praktische Seite der Nachfrageprognose um, indem es die aktuelle Verkaufsgeschwindigkeit mit dem vorhandenen Lagerbestand kombiniert, um zu kennzeichnen, welche Produkte sich einem Bestellpunkt nähern. Händler erhalten so eine nachfrageorientierte Ansicht dessen, was bald wieder aufgefüllt werden muss, ohne ein vollständiges Prognosemodell selbst aufbauen und pflegen zu müssen.
Best Practices für die Nachfrageprognose
- Fehlbestandszeiträume aus den historischen Verkaufsdaten ausschließen, wenn eine Basislinie erstellt wird – eine Woche ohne Bestand ist keine Woche ohne Nachfrage.
- Saisonalitätsfaktoren nach Möglichkeit aus mindestens einem vollständigen vorherigen Zyklus ableiten; ein einzelner Datenpunkt kann wie ein Trend aussehen, obwohl es sich nur um Rauschen handelt.
- Sowohl eine kurzfristige Prognose für den Wiederauffüllungszeitpunkt als auch eine längerfristige Prognose für die Bestellplanung führen, da Lieferzeiten der Lieferanten selten mit der Nachbestellfrequenz übereinstimmen.
- Prognosen nach jeder größeren Marketingaktion, Preisänderung oder Lieferunterbrechung überprüfen – diese Ereignisse verschieben die Basislinie, auf der die Prognose aufbaut.
- Einen Sicherheitsbestand vorhalten, der an der typischen Fehlermarge der Prognose und der Variabilität der Lieferzeit des Lieferanten bemessen ist – nicht an einem festen, willkürlichen Wert für alle Produkte.
Häufige Fehler bei der Nachfrageprognose
Fehlbestandszeiträume als Niedrignachfragezeiträume behandeln. Wenn ein Produkt in zwei der letzten zwölf Wochen nicht auf Lager war, zeigen diese Wochen Nullverkäufe, die ein Lieferproblem widerspiegeln, kein Nachfrageproblem. Werden sie unbereinigt in einen gleitenden Durchschnitt einbezogen, wird die tatsächliche Nachfrage systematisch unterschätzt und der Fehlbestandszyklus fortgeschrieben.
Die Auswirkungen früherer Aktionen auf historische Daten ignorieren. Ein Verkaufsspitze durch eine Rabattaktion oder eine temporäre Marketingmaßnahme kann in eine Prognose einfließen, als repräsentiere sie die fortlaufende Basissnachfrage, was zu Überbestellungen führt, sobald der Aktionseffekt nachlässt.
Prognose für neue Produkte ohne Datenhistorie. Eine neu eingeführte SKU hat keine Verkaufshistorie, auf die eine Prognose gestützt werden könnte. Sich ausschließlich auf historische Daten zu verlassen, wird ihre Nachfrage anfangs immer unterschätzen. Kategoriebezogene Benchmarks oder Analogien zu vergleichbaren Produkten sind ein sinnvollerer Ausgangspunkt, bis genügend eigene Daten vorliegen.
Den Prognosehorizont kürzer als die Lieferzeit des Lieferanten festlegen. Wenn es acht Wochen dauert, neue Ware zu erhalten, die Prognose aber nur vier Wochen in die Zukunft blickt, bleibt keine Zeit, auf einen von der Prognose aufgedeckten Engpass zu reagieren. Der Horizont muss die Lieferzeit deutlich überschreiten.
Die Prognose nach der Erstellung nie wieder überprüfen. Nachfragemuster verschieben sich mit Wettbewerb, Preisgestaltung, Saisonalität und externen Trends. Eine einmal zu Jahresbeginn erstellte und unverändert gelassene Prognose wird mit jedem Monat, der ohne Überprüfung vergeht, weiter von der Realität abweichen.