Bedarfsprognose (Demand Forecasting)
Die Bedarfsprognose im E-Commerce schätzt, wie viele Einheiten jedes Produkts Kunden in einem kommenden Zeitraum kaufen, damit du Bestand, Einkauf und Aktionen planen kannst.
Was ist Bedarfsprognose (Demand Forecasting)?
Die Bedarfsprognose (Demand Forecasting) im E-Commerce ist die Schätzung, wie viele Einheiten jedes Produkts (oder jeder SKU) Kunden in der kommenden Woche, im kommenden Monat oder in der kommenden Saison kaufen. Onlineshops nutzen die Prognose, um zu entscheiden, was nachbestellt wird, wie viel Bestand sie halten und wann sie Aktionen fahren. Eine Prognose startet mit der Verkaufshistorie und passt sie an Saisonalität, Trends, Aktionen, Preisänderungen, Neueinführungen und auslaufende Produkte an. Sie unterscheidet sich von der Bedarfsplanung, die aus der Prognose Bestellungen und Bestandsziele macht, und von der Bestandsprognose, die auf Lagerbestände statt auf die Kundennachfrage schaut. Prognosen sind nur so gut wie die Produktdaten dahinter: Eine SKU mit geändertem Code, eine Variante, die zu einem neuen Produkt abgespalten wurde, oder eine falsche Kategorie zerstört die Historie. Was eine Fehlprognose kostet, siehst du mit dem Stockout-Verlustrechner.
Warum Bedarfsprognose (Demand Forecasting) im E-Commerce wichtig ist
Zu wenig Bestand bedeutet verlorene Bestellungen und auf Marktplätzen weniger Sichtbarkeit für Angebote, die ausverkauft sind. Zu viel Bestand bindet Kapital und endet in Preisnachlässen. Eine Prognose pro SKU hilft dir, näher an dem einzukaufen, was sich tatsächlich verkauft. Die Prognose beeinflusst auch andere Entscheidungen: welche Produkte du bewirbst, wann du ein Saisonsortiment startest und welche Langsamdreher du auslaufen lässt. Diese Entscheidungen hängen von sauberen Produktdatensätzen, konsistenten Kategorien und einer klaren Verknüpfung zwischen alten und neuen SKUs ab.
Beispiele für Bedarfsprognose (Demand Forecasting)
- 1Produkt: Gartenschlauch, Signal: Saisonalität, Prognose: Die Nachfrage steigt ab März und erreicht im Juni ihren Höhepunkt, also werden Nachbestellungen vorgezogen.
- 2Produkt: Laufschuh, Signal: neue Farbvariante, Prognose: Die Historie der alten Farbe dient als Ausgangspunkt für die neue SKU.
- 3Produkt: Kaffeemaschine, Signal: geplanter Black-Friday-Rabatt, Prognose: Der Aktionsaufschlag wird nur für diese Woche hinzugerechnet.
- 4Produkt: Handyhülle, Signal: Handymodell läuft aus, Prognose: Die Nachfrage lässt nach, also wird die letzte Bestellung reduziert.
So hilft WISEPIM
- Saubere Produktdatensätze: WISEPIM hält SKUs, Varianten und Produktfamilien an einem Ort, damit ein Prognosetool eine konsistente Liste dessen bekommt, was du verkaufst.
- Konsistente Kategorien: Die AI-Kategorieklassifizierung und die Category map (Kategoriezuordnung) halten Produkte in der richtigen Kategorie, wovon Prognosen pro Kategorie abhängen.
- Lebenszyklusdaten im Export: Attribute wie Launch-Datum, Saison oder End of Life lassen sich hinzufügen und an das Planungs- oder ERP-System exportieren, das die Prognose erstellt.
- Analytics-Kontext: WISEPIM Analytics zeigt die Produktperformance neben den Produktdaten, was hilft zu erklären, warum eine SKU über oder unter Plan verkauft.
Häufige Fehler bei Bedarfsprognose (Demand Forecasting)
- Nur auf Basis der Verkäufe prognostizieren, ohne die Wochen zu korrigieren, in denen das Produkt ausverkauft war.
- Die Historie verlieren, wenn sich ein SKU-Code ändert oder eine Variante zu einem eigenen Produkt wird.
- Alle Produkte gleich behandeln, statt Schnelldreher, Saisonartikel und Long Tail zu trennen.
- Die Prognose nie mit den tatsächlichen Verkäufen vergleichen, um zu sehen, wo sie danebenliegt.
Tipps zu Bedarfsprognose (Demand Forecasting)
- Prognostiziere auf SKU-Ebene und aggregiere zur Kategorie, nicht umgekehrt.
- Markiere Zeiträume ohne Bestand, damit das Modell sie nicht als geringe Nachfrage liest.
- Halte eine klare Verknüpfung zwischen alten und neuen SKUs, wenn Produkte ersetzt werden.
- Prüfe jeden Monat die größten Abweichungen und notiere die Ursache.
Trends rund um Bedarfsprognose (Demand Forecasting)
- Machine-Learning-Modelle, die Verkaufshistorie mit Preis, Aktionen, Wetter und Website-Traffic kombinieren.
- Prognosen pro Kanal, da die Nachfrage auf einem Marktplatz anders sein kann als im eigenen Webshop.
- Kürzere Planungszyklen mit wöchentlichen statt monatlichen Neuprognosen.
- Mehr Aufmerksamkeit für Prognosen neuer Produkte, die die Historie ähnlicher Artikel übernehmen.
Tools für Bedarfsprognose (Demand Forecasting)
- Tabellenkalkulationen: Ein gleitender Durchschnitt pro SKU ist für kleine Kataloge ein brauchbarer Anfang.
- Software für Bestandsplanung: spezialisierte Tools, die pro SKU prognostizieren und Bestellungen vorschlagen.
- ERP-Systeme: Viele enthalten Module für Prognose und Nachschub.
- WISEPIM: hält die Produktdaten (SKUs, Varianten, Kategorien, Lebenszyklus-Attribute), von denen Prognosen abhängen, konsistent.