Demand Forecasting: Definition, Methoden, Abgrenzung

Demand Forecasting (Absatzprognose) schätzt, wie viele Stück eines Produkts in einem kommenden Zeitraum voraussichtlich verkauft werden. Die Schätzung entsteht aus den Verkaufsdaten der Vergangenheit, entweder mit klassischer Statistik oder mit lernenden Verfahren (Machine Learning, das Muster aus Daten selbst herausrechnet). Die Prognoseeinheit ist meist ein einzelner Artikel (SKU, kurz für Stock Keeping Unit, also die Artikelnummer, unter der ein Produkt im Lager geführt wird) pro Filiale oder Region und pro Tag oder Woche. Das Ergebnis dient als Grundlage für Bestellungen, Produktionsplanung, Personaleinsatz, Sortiment und Preisgestaltung.

Was ist Demand Forecasting?

Der Begriff stammt aus der Lieferketten- und Planungspraxis (Operations Research und Supply Chain Management, also die mathematisch-planerische Steuerung von Beschaffung, Produktion und Logistik) und meint eine Mengen-Prognose, im Unterschied zur Sales-Prognose, die Umsätze in Euro schätzt. Das Ergebnis ist eine Zahlenreihe entlang der Zeit, üblicherweise auf der Ebene Artikel × Filiale × Tag oder Woche. Zu jedem Zeitpunkt liefert die Prognose einen konkreten Erwartungswert (Punktprognose) und meist eine Ober- und Untergrenze, in der die tatsächliche Menge voraussichtlich liegt (Prognoseintervall). Je weiter die Prognose in die Zukunft reicht, desto ungenauer wird sie; der praktische Nutzen liegt in der Regel im Bereich weniger Tage bis Monate.

Zwei Achsen prägen jede Demand-Forecasting-Aufgabe. Die erste ist die Aggregationsebene: grob (Gesamtabsatz einer Kategorie pro Monat) bis fein (SKU pro Filiale pro Tag oder Stunde). Auf grober Ebene tragen einfache statistische Verfahren, auf feiner Ebene sind viele Zeitreihen kurz und schwach besetzt, sodass hierarchische Modelle und geteilte Feature-Räume nötig werden. Die zweite Achse ist der Horizont: Kurzfrist (Tage bis 4 Wochen, für Disposition und Regal-Nachfüllung), Mittelfrist (1–6 Monate, für Beschaffung und Kapazitätsplanung), Langfrist (6–24 Monate, für Sortiments- und Standortentscheidungen).

Warum der Begriff existiert: Erlös-Sicht und Mengen-Sicht haben unterschiedliche Ownership, unterschiedliche Aggregationsebenen und unterschiedliche Genauigkeitsziele. Sales Forecasting kommt aus Finance und Controlling und misst Geldbeträge; Demand Forecasting kommt aus Supply Chain und Operations und misst Stückzahlen, Volumen oder Gewicht. Beide Sichten werden häufig verwechselt, obwohl sie unterschiedliche Ergebnisse produzieren, sobald Preise oder Sortimente variieren.

Methodenklassen

Die operativ genutzten Verfahrensklassen lassen sich fünf Familien zuordnen:

Statistische Zeitreihenverfahren: ARIMA, ETS (Exponential Smoothing), STL-Zerlegung, Holt-Winters. Robust bei stabilen Mustern; werden bei vielen kurzen Serien im Handel schnell zu ungenau, weil sie keine externen Merkmale aufnehmen.
Regressions- und ML-Verfahren: Gradient Boosting (XGBoost, LightGBM, CatBoost) und Random Forest dominieren in Retail-Wettbewerben wie M5 oder Kaggle, weil sie Kalender-, Aktions-, Wetter- und Preis-Features direkt aufnehmen und pro Objekt kein eigenes Modell brauchen.
Deep-Learning-Verfahren: LSTM, Temporal Fusion Transformer, N-BEATS und DeepAR tragen bei großen Datenmengen und wenn globale Muster über viele Prognoseobjekte geteilt werden, etwa in Ketten mit zehntausenden SKUs und mehreren hundert Filialen.
Hierarchische Modelle und Reconciliation: Prognosen auf mehreren Ebenen (SKU, Kategorie, Filiale, Kette) werden konsistent gemacht. Verfahren sind top-down, bottom-up oder Minimum Trace (MinT), um die Prognosen zwischen den Ebenen wieder in Übereinstimmung zu bringen.
Judgmental Forecasting: menschliche Overrides für Neu-Produkte, seltene Aktionen und strategische Entscheidungen. In der Regel als Model-Assisted-Forecast in Kombination mit einer statistischen Baseline; der Konsens-Forecast entsteht im S&OP-Prozess (Sales & Operations Planning).

Typische Eingangs-Features und Fehlerquellen

Im Retail-Beispiel speisen sich Modelle aus Kalenderdaten (Wochentag, Feiertag, Ferien), Aktionen und Werbedruck, Preisänderungen und Preisdifferenz zu Wettbewerbern, Wetter (Temperatur, Niederschlag, Sonnenstunden), Bestandsstatus (zur Korrektur der Out-of-Stock-Verzerrung), Sortimentsänderungen und Kannibalisierungs-Signalen von Substituten. Die Bewertung erfolgt üblicherweise über MAPE (Mean Absolute Percentage Error) oder gewichtet über WAPE; bei Intermittent Demand mit vielen Null-Beobachtungen sind MASE und Tweedie-Verlustfunktionen geeigneter. Für Bestandsentscheidungen zählt die Quantil-Genauigkeit (Service-Level-Sicht), nicht der Punkt-Fehler.

Typische Fehlerquellen sind Out-of-Stock-Bias (Bestandslücken werden als Nachfragerückgang gelernt), verzerrte Baselines durch Aktionen ohne Metadaten, Cold-Start-Probleme bei neuen Produkten ohne Historie und Feiertagsverschiebungen zwischen Jahren, die als Ausreißer auftauchen.

Abgrenzung zu verwandten Begriffen

Begriff	Was prognostiziert wird	Kernunterschied zu Demand Forecasting
Sales Forecasting	Erlöse / Umsätze in Geldeinheiten	Finance-/Sales-Sicht auf Deal-, Pipeline- oder Segment-Ebene; bei variablen Preisen numerisch abweichend
Predictive Analytics	jede zukünftige Kennzahl oder jedes Ereignis	Oberbegriff aller vorhersagenden Verfahren; Demand Forecasting ist ein Teilgebiet
Time Series Forecasting	jede Zeitreihe (Umsatz, Preis, Sensor, …)	Methodenklasse; Demand Forecasting ist der Anwendungsfall
Demand Planning	operativer Konsens-Forecast im S&OP-Prozess	breiterer Prozess (Abstimmung, Freigaben, Overrides); Demand Forecasting liefert die statistische Grundlage

Sales Forecasting und Demand Forecasting sind bei konstantem Preis ineinander umrechenbar (Menge × Preis = Erlös), weichen aber sobald Preise, Aktionen oder Sortimente variieren systematisch ab. Predictive Analytics umfasst zusätzlich Churn Prediction, Predictive Maintenance oder Credit Scoring; Demand Forecasting ist der mengen- und zeitreihenorientierte Teil davon. Time Series Forecasting bezeichnet die Methodenklasse; moderne Demand-Forecasting-Modelle nehmen zusätzlich viele exogene Merkmale auf und ähneln damit häufig eher Panel-Regressionen mit Zeitkomponente als reinen Zeitreihenmodellen.

Beispiel: Retail-Absatzprognose auf Store-SKU-Ebene

Ein Lebensmittel-Einzelhändler prognostiziert für 800 Filialen und 12.000 SKUs den Absatz der nächsten 14 Tage auf Tagesebene. Als Grundlage dienen Kassendaten der letzten drei Jahre, Aktions-Kalender, Preishistorie, Wetter-Feed und Feiertagsverzeichnis. Ein Gradient-Boosting-Modell (LightGBM) mit Kalender-, Aktions-, Preis- und Wetter-Features liefert Punktprognose und Quantile (p10, p50, p90). Die p90-Werte fließen als Nachfrageobergrenze in die Bestandsdisposition, die p50-Werte in die Personaleinsatzplanung der Filialen.

Die typische Prognoseobjekt-Ebene ist Store × SKU × Tag. Neu-Produkte ohne Historie werden per Attribut-Ähnlichkeit an bestehende SKUs geankert (Category, Marke, Preisstufe), bis eigene Verkaufsdaten vorliegen. Aktionsphasen werden als Kalender-Feature kodiert und getrennt von der Baseline geschätzt, damit die Aktionswirkung nicht in die reguläre Nachfrage-Schätzung eindringt. Bestandsstatus geht als Merkmal ein, um Out-of-Stock-Phasen nicht als Nachfrageeinbruch zu lernen. Typische operative Einsatzfelder sind Bestandsdisposition und Nachbestell-Trigger, Personal- und Kapazitätsplanung, Sortimentsentscheidungen, Aktions- und Werbeplanung sowie die Eingangsgröße für Dynamic Pricing und Produktionsplanung.