Welche Artikel müssen Sie wann und in welcher Menge nachbestellen? Eine KI-gestützte Bedarfsprognose im E-Commerce soll diese Entscheidung mit vorausschauenden Auswertungen unterstützen. Der Nutzen der Prognose lässt sich daran prüfen, ob die daraus abgeleiteten Bestellungen die Warenverfügbarkeit verbessern, ohne unnötig Kapital im Lager zu binden.

Dafür müssen Nachfrage, vorhandene Bestände und Beschaffungsbedingungen zusammenpassen. Dieser Artikel erklärt, welche Daten Sie benötigen, wie Sie Prognosen bewerten und wie daraus kontrollierbare Bestellvorschläge entstehen. Die beschriebenen Schritte richten sich branchenübergreifend an Onlinehändler.

Was eine KI-gestützte Bedarfsprognose im E-Commerce leistet

Eine Bedarfsprognose schätzt die zukünftig benötigten Mengen für einen festgelegten Zeitraum. Für die Planung sollten Sie zunächst präzisieren, was vorhergesagt werden soll: eingehende Kundenbestellungen, versendete Stückzahlen oder der Bedarf eines bestimmten Lagers. Diese Größen sind bei Stornierungen, Lieferengpässen oder Umlagerungen nicht zwangsläufig identisch.

Eine Absatzprognose mit KI richtet sich auf erwartete Verkaufsmengen. Eine Nachfrageprognose mit KI soll die nachgefragten Mengen abbilden. Für die Beschaffung müssen daraus anschließend Bestellmengen und Bestellzeitpunkte abgeleitet werden. Diese Trennung verhindert, dass eine Verkaufsprognose ungeprüft als Einkaufsauftrag behandelt wird.

Technisch gibt es unterschiedliche Ansätze. Microsoft dokumentiert für Dynamics 365 Demand Planning beispielsweise klassische Zeitreihenverfahren sowie XGBoost, eine Methode des maschinellen Lernens, die mehrere Eingangsgrößen verarbeitet. Die Dokumentation beschreibt außerdem eine Modellauswahl je Produkt und Merkmalskombination. Das zeigt mögliche Funktionen einer konkreten Anwendung; es belegt keine allgemeine Überlegenheit von KI gegenüber einfacheren Verfahren. Microsoft Learn

Für Ihre Entscheidung zählt deshalb der Vergleich im eigenen Sortiment. Eine Bedarfsprognose mit KI sollte sich an einer nachvollziehbaren Ausgangslösung messen lassen, etwa dem bisherigen Planungsverfahren oder einer Prognose auf Basis vergleichbarer Vorperioden.

Welche Daten Onlinehändler für die Planung zusammenführen sollten

Vor der Modellauswahl steht die Prüfung der Datenbasis. Der Leitfaden „KI-gestützter Bestellprozess“ des Mittelstand 4.0-Kompetenzzentrums Handel nennt digitalisierte Abläufe, strukturierte Abverkaufsdaten und eine zum Anwendungsfall passende Datenqualität als Voraussetzungen. Seine Einordnung bezieht sich auf Handelsunternehmen; konkrete Projektergebnisse lassen sich daraus für einen einzelnen Onlineshop nicht ableiten. ihk.de

Für eine erste Bestandsaufnahme empfiehlt es sich, folgende Datenbereiche getrennt zu prüfen:

  • Bestellungen und Absatz: Artikel, Variante, Menge, Bestelldatum und Verkaufskanal. Legen Sie fest, wie Stornierungen und Retouren berücksichtigt werden, und unterscheiden Sie Bestell- von Versanddaten.
  • Bestände und Verfügbarkeit: verkaufbare Mengen, Reservierungen, gesperrte Ware und Zeiträume ohne lieferfähigen Bestand. Prüfen Sie auch, ob Bestandsänderungen zeitlich nachvollziehbar sind.
  • Preise und Aktionen: tatsächliche Verkaufspreise sowie Beginn und Ende von Rabattaktionen. Für künftige Prognosen werden die zum Planungszeitpunkt bekannten Aktionspläne benötigt.
  • Beschaffung: Lieferzeiten, bestätigte Wareneingänge, Mindestbestellmengen und Verpackungseinheiten. Halten Sie zugesagte und beobachtete Liefertermine auseinander.
  • Artikelstruktur und Kalender: eindeutige Artikelnummern, Varianten, Sortimentswechsel sowie relevante Wochen-, Feiertags- und Saisoninformationen.

Beginnen Sie mit Daten, deren Herkunft und Bedeutung geklärt sind. Prüfen Sie beispielsweise an einigen Bestellungen, ob Shop, Warenwirtschaft und Lager dieselbe Mengeneinheit verwenden. Ein Set mit mehreren Einzelteilen darf nicht in einem System als eine Einheit und im anderen ohne Umrechnung als mehrere Einheiten in die Planung eingehen.

Für das Bestandsmanagement im E-Commerce sollten Sie außerdem festlegen, auf welcher Ebene bestellt wird. Teilen sich mehrere Verkaufskanäle einen Lagerbestand, muss die Planung diesen gemeinsamen Warenpool berücksichtigen. Reservierte Mengen dürfen dabei nicht mehrfach als frei verfügbar erscheinen.

Warum Ausverkaufszeiten die Bedarfsprognose verzerren können

Ein Artikel verkauft sich nicht, wenn er nicht bestellt werden kann. Aus fehlenden Verkäufen lässt sich deshalb nicht automatisch auf fehlende Nachfrage schließen. Ein dokumentiertes Beispiel von frePPLe zeigt diesen Unterschied: Dort werden Ausverkaufszeiten als fehlende Beobachtungen markiert, damit sie die statistische Prognose nicht wie echte Nullnachfrage beeinflussen. Bei einem selten verkauften Artikel können absatzfreie Zeiträume dagegen zum normalen Verlauf gehören. frePPLe 10.0.0 documentation

Für Ihre Datenprüfung folgt daraus: Unterscheiden Sie zwischen einem verfügbaren Artikel ohne Verkäufe, einem ausverkauften Artikel und einem fehlenden Datensatz. Diese Zustände benötigen eine jeweils passende Behandlung. Ein pauschales Auffüllen aller Lücken mit null wäre keine ausreichende fachliche Bereinigung.

Auch eine rechnerische Ergänzung entgangener Nachfrage bleibt eine Schätzung. Dokumentieren Sie, welche Werte beobachtet und welche nachträglich ermittelt wurden. Bewerten Sie das Modell zusätzlich für Zeiträume, in denen die Ware verfügbar war. So bleibt erkennbar, wie stark das Ergebnis von Annahmen über nicht beobachtete Nachfrage abhängt.

Wer Fehlbestände reduzieren möchte, sollte diese Unterscheidung bereits vor dem Modelltraining klären. Andernfalls wird ausgerechnet die bisherige Warenknappheit Teil der Grundlage für die nächste Einkaufsentscheidung.

Wie Sie den zusätzlichen Nutzen von KI prüfen

Für einen aussagekräftigen Vergleich brauchen alle Verfahren dieselbe Aufgabe: dieselben Artikel, denselben Prognosezeitpunkt und denselben Vorhersagezeitraum. Vergleichen Sie beispielsweise die bestehende Planung mit einer einfachen saisonalen Referenz und einem KI-Modell. Eine aufwendigere Lösung sollte durch einen nachvollziehbaren zusätzlichen Nutzen gerechtfertigt sein.

Prüfen Sie unterschiedliche Artikelgruppen getrennt. Für regelmäßig nachbestellte Produkte kann eine andere Vorgehensweise angemessen sein als für selten verkaufte Varianten oder Neuheiten. Bei neuen Artikeln sollten Annahmen über vergleichbare Produkte ausdrücklich dokumentiert und nach den ersten Verkäufen überprüft werden.

Zusätzliche Einflussgrößen benötigen ebenfalls eine Prüfung. Microsoft weist für AutoML darauf hin, dass verwendete Eingangsmerkmale bis zum Prognosehorizont bekannt sein müssen. Informationen, die erst später entstehen, können die Bewertung verfälschen. Dieses Problem wird als Datenleck (Data Leakage) bezeichnet. learn.microsoft.com

Ein hypothetisches Beispiel: Sie erstellen montags eine Prognose für die kommende Woche. Der bereits beschlossene Aktionspreis darf in die Planung einfließen. Die erst am Sonntag feststehende Zahl der Wochenbesucher war am Montag noch unbekannt. Wird sie rückwirkend als Eingangsgröße verwendet, entspricht der Test nicht der tatsächlichen Planungssituation.

Prognosequalität und betriebliche Ergebnisse getrennt messen

Die Bedarfsprognose im E-Commerce sollte an Daten geprüft werden, die beim Training nicht verwendet wurden. Microsoft beschreibt für Azure Machine Learning einen zeitlich fortlaufenden Rücktest: Das Modell erstellt über mehrere Testfenster hinweg Prognosen, die anschließend mit den beobachteten Werten verglichen werden. Dadurch lässt sich mehr als ein einzelner günstiger Zeitraum betrachten. Microsoft Learn

Richten Sie den Rücktest an Ihrer Beschaffung aus. Wenn eine Entscheidung mehrere Wochen vor dem Wareneingang fällt, sollte auch die Bewertung diesen Vorlauf abbilden. Eine gute Prognose für morgen beantwortet noch nicht die Frage, ob Ihre heutige Bestellung den Bedarf bis zur nächsten Belieferung angemessen abdeckt.

Für die Bewertung empfiehlt sich eine Kombination aus Prognose- und Betriebskennzahlen:

  • Mengenfehler: Um wie viele Stück weicht die Prognose durchschnittlich vom beobachteten Wert ab? Werten Sie die Abweichungen auch nach Artikelgruppen aus.
  • Systematische Über- oder Unterschätzung: Liegt die Prognose wiederholt zu hoch oder zu niedrig? Diese Richtung des Fehlers wird als Bias bezeichnet. Oracle dokumentiert sie als Ergänzung zu anderen Fehlermaßen. docs.oracle.com
  • Warenverfügbarkeit: Erfassen Sie beispielsweise, wie lange relevante Artikel nicht bestellbar waren. Definieren Sie dabei, welche Artikel und Zeiträume in die Auswertung eingehen.
  • Bestandsbindung und Folgeaufwand: Beobachten Sie den durchschnittlichen Bestandswert sowie Abschriften, Sonderbeschaffungen und manuelle Korrekturen. Verwenden Sie für den Vergleich unveränderte Definitionen.

Legen Sie die Bewertungskriterien vor dem Pilotbetrieb fest. Eine niedrigere Fehlbestandsquote allein reicht als Erfolgskriterium nicht aus, wenn zugleich wesentlich mehr Ware eingekauft wird. Umgekehrt ist ein sinkender Lagerwert für sich genommen kein ausreichender Fortschritt, wenn dadurch zusätzliche Lieferlücken entstehen.

Auch ein historischer Rücktest hat Grenzen: Er belegt zunächst die Prognoseleistung unter den gewählten Testbedingungen. Ob eine andere Bestellstrategie wirtschaftlich besser abschneidet, muss zusätzlich mit nachvollziehbaren Annahmen simuliert und im begrenzten Betrieb geprüft werden.

Von der Prognose zur passenden Bestellmenge

Eine KI-gestützte Bedarfsplanung verbindet erwartete Mengen mit Beschaffungsregeln. Zu klären sind insbesondere Lieferzeit, Bestellrhythmus und Sicherheitsbestand. SAP erläutert diesen Zusammenhang für seine Bestandsplanung anhand einer Zielbestandsposition, die den erwarteten Bedarf über Lieferzeit und Überprüfungsintervall sowie einen Sicherheitsbestand berücksichtigt. learning.sap.com

Ein bewusst vereinfachtes, hypothetisches Beispiel: Ein Onlinehändler prüft seine Bestellungen wöchentlich, die Lieferung benötigt zwei Wochen. Für die insgesamt abzudeckenden drei Wochen werden 300 Stück erwartet. Zusätzlich ist ein Sicherheitsbestand von 60 Stück vorgesehen. Daraus ergibt sich eine Zielbestandsposition von 360 Stück.

Sind 120 Stück frei verfügbar und weitere 100 Stück bereits bestellt, ergibt sich unter diesen Annahmen ein rechnerischer Nachbestellbedarf von 140 Stück. Das gilt nur, wenn die erwarteten Zugänge rechtzeitig eintreffen und keine weiteren offenen Verpflichtungen abzuziehen sind. Die Zahlen dienen ausschließlich der Erklärung und sind keine Empfehlung für eine bestimmte Lagerhöhe.

Prüfen Sie anschließend den zeitlichen Bestandsverlauf: Ein Wareneingang am Ende der dritten Woche verhindert keinen Engpass in der ersten Woche. Außerdem müssen Mindestbestellmengen, Verpackungseinheiten und gegebenenfalls Haltbarkeit oder Lagerkapazität in die Entscheidung einfließen.

Für die Bestandsoptimierung mit KI sollten Sicherheitsbestände deshalb nicht allein aufgrund einer besseren durchschnittlichen Prognose pauschal abgesenkt werden. Prüfen Sie zunächst die Fehler während des relevanten Beschaffungszeitraums und die tatsächlichen Lieferschwankungen. Das Ziel, Überbestände zu reduzieren, muss mit der gewünschten Lieferfähigkeit abgestimmt werden.

Demand-Forecasting mit KI schrittweise in den Betrieb einführen

Für einen ersten Einsatz empfiehlt sich ein abgegrenzter Pilot mit überprüfbaren Entscheidungen. Wählen Sie eine Artikelgruppe, für die Daten und Verantwortlichkeiten geklärt sind. Nehmen Sie dabei auch anspruchsvolle Fälle auf, damit die Bewertung nicht ausschließlich auf leicht prognostizierbaren Produkten beruht.

Ein möglicher Ablauf umfasst fünf Schritte:

  1. Aufgabe und Ausgangslage festhalten: Bestimmen Sie Artikelgruppe, Lager, Prognosehorizont und Bestellrhythmus. Dokumentieren Sie die bisherige Planung und die ausgewählten Kennzahlen.
  2. Datenübergaben prüfen: Testen Sie Artikelzuordnung, Mengen, Zeitstempel und Bestände. Legen Sie fest, wie fehlende oder veraltete Lieferinformationen erkannt werden.
  3. Verfahren rückwirkend vergleichen: Prüfen Sie einfache Referenzen und KI in denselben Testzeiträumen. Betrachten Sie Normalgeschäft und Aktionszeiträume getrennt.
  4. Bestellvorschläge zunächst prüfen lassen: Lassen Sie das System Empfehlungen erzeugen, die ein verantwortlicher Mitarbeiter freigibt. Halten Sie Änderungen und ihre Gründe fest.
  5. Über die Ausweitung entscheiden: Bewerten Sie Prognosequalität, Warenverfügbarkeit, Bestandsbindung und laufenden Aufwand gemeinsam. Erweitern Sie den Einsatz nur, wenn die Ergebnisse den zusätzlichen Aufwand rechtfertigen.

Die Integration sollte eindeutige Regeln für die Übergabe an die Warenwirtschaft enthalten. Jeder Vorschlag braucht einen Artikelbezug, eine Menge, einen Zeitbezug und einen nachvollziehbaren Bearbeitungsstatus. Prüfen Sie auch, wie doppelte Übertragungen verhindert und fehlerhafte Datenlieferungen behandelt werden.

Legen Sie für den laufenden Betrieb fest, wer auffällige Empfehlungen kontrolliert und wann das bisherige Verfahren als Rückfalllösung genutzt wird. Eine plötzlich stark erhöhte Bestellmenge sollte beispielsweise eine Prüfung auslösen, wenn kein entsprechender Anlass dokumentiert ist. Solche Freigaberegeln machen die Nutzung kontrollierbar.

Wann sich ein KI-Projekt für Onlinehändler rechtfertigt

Bewerten Sie den Aufwand über die gesamte Nutzung hinweg. Berücksichtigen Sie Datenaufbereitung, Schnittstellen, Software, Rechenleistung, fachliche Betreuung und die regelmäßige Überprüfung der Modelle. Stellen Sie diesen Kosten im Pilot ermittelte Verbesserungen gegenüber. Frei werdendes gebundenes Kapital und jährlich eingesparte Kosten sollten dabei getrennt ausgewiesen werden.

Ein sinnvoller nächster Schritt kann auch darin bestehen, zunächst die Bestandsdaten oder den bisherigen Bestellprozess zu verbessern. Wenn die Ausgangslösung bereits gut funktioniert oder für die relevanten Artikel kaum aussagekräftige Daten vorliegen, braucht eine zusätzliche KI-Anwendung eine besonders klare Begründung.

Wer Out-of-Stock vermeiden möchte, sollte außerdem die Ursache der Lieferlücken untersuchen. Eine verbesserte Nachfrageeinschätzung behebt weder eine verspätete Zulieferung noch einen fehlerhaften Lagerbestand. Ordnen Sie deshalb jedem erkannten Problem eine passende Maßnahme zu und messen Sie deren Beitrag getrennt.

Mit geprüften Prognosen zu nachvollziehbaren Bestellentscheidungen

Eine KI-gestützte Bedarfsprognose im E-Commerce ist dann eine geeignete Ergänzung, wenn sie eine klar definierte Planungsaufgabe unter realistischen Bedingungen besser unterstützt. Die Entscheidung sollte auf geprüften Daten, einem fairen Vergleich und der Bewertung der daraus abgeleiteten Bestellungen beruhen.

Für KI im E-Commerce ergibt sich daraus ein konkreter Einstieg: Wählen Sie eine überschaubare Artikelgruppe, prüfen Sie die Daten und vergleichen Sie mehrere Verfahren. Entscheiden Sie anschließend anhand von Warenverfügbarkeit, Bestandsbindung und Aufwand, ob und wie Sie den Einsatz erweitern.

Die Leistung Strategische KI-Planung der Varexa Digitalagentur unterstützt Unternehmen bei der Bewertung geeigneter Anwendungsfälle und der Planung der Umsetzung. Die Leistung KI-Entwicklung & Integration umfasst die Entwicklung kundenspezifischer KI-Lösungen und ihre Einbindung in bestehende Systeme. Für ein Prognosevorhaben werden dabei Datenbasis, verfügbare Schnittstellen und betriebliche Anforderungen als Grundlage des konkreten Leistungsumfangs geklärt.

Fordern Sie jetzt ein unverbindliches Angebot an.

Quellenangaben

  1. Microsoft: Demand forecasting algorithms. Offizielle Dokumentation zu den Prognoseverfahren in Dynamics 365 Demand Planning.
  2. Mittelstand 4.0-Kompetenzzentrum Handel, c/o EHI Retail Institute GmbH: KI-gestützter Bestellprozess – Optimierung von Bestell- und Absatzprognosen im Handel, Stand Juli 2022, insbesondere S. 15–17 und 24. Die Bewertungen und Interpretationen dieser Veröffentlichung können die Perspektive der herausgebenden Organisation widerspiegeln. Gefördert durch das Bundesministerium für Wirtschaft und Klimaschutz. Verwendet für die übergreifende Einordnung der Daten- und Prozessvoraussetzungen im Handel; die Produktdokumentationen behandeln diese vor allem anwendungsspezifisch.
  3. frePPLe: Forecasting with missing data and stockouts. Dokumentation, Version 10.0.0; Beispiel zur Behandlung von Ausverkaufszeiten und echten absatzfreien Zeiträumen.
  4. Microsoft: Frequently asked questions about forecasting in AutoML, Abschnitt „How can I prevent overfitting and data leakage?“, Azure Machine Learning API v2.
  5. Microsoft: Inference and evaluation of forecasting models, Abschnitt „Model evaluation“, aktualisiert am 14. November 2025, Azure Machine Learning API v2.
  6. Oracle: How You Measure Forecast Accuracy, Oracle Fusion Cloud Supply Chain & Manufacturing, Version 26B; insbesondere Erläuterung des Forecast Bias.
  7. SAP: Planning lead time versus instantaneous replenishment. Offizielle Lernunterlage zu SAP IBP, insbesondere Zielbestandsposition, Lieferzeit und Überprüfungsintervall.