AI Demand Forecasting: Smartere Planung für Unternehmen

Interview mit Dr. Sven Flake

"AI Forecasting schafft Wert nicht, weil die Prognose
ein paar Prozent genauer ist. Sondern weil bessere
Prognosen entlang der gesamten Value Chain
wirken: Sie helfen, Kosten zu senken, Bestände zu
optimieren, Verfügbarkeit zu sichern und schneller
auf Nachfrageveränderungen zu reagieren."

Sven Flake, Senior Data Scientist

Sechs Fragen aus der Praxis an Sven Flake

Fragt man fast irgendjemanden nach KI im Demand Forecasting, läuft das Gespräch schnell auf eine einzige Frage hinaus: Wird KI Forecasting ersetzen? Das ist die falsche Frage. Die hilfreichere Frage – und die, mit der sich Praktikerinnen und Praktiker tatsächlich beschäftigen – lautet: Wie machen wir Prognosen anpassungsfähiger, granularer und relevanter für die Entscheidungen, die sie eigentlich unterstützen sollen?

Denn eine Prognose ist kein Selbstzweck. Sie soll dabei helfen zu entscheiden, wie viel produziert werden muss, wann nachbestellt werden sollte und was einem Kunden zugesagt werden kann. Genau hier liegt die eigentliche Spannung: Es ist leicht, sich für bessere Algorithmen zu begeistern. Aber sie schaffen nur dann Mehrwert, wenn sie in die tatsächliche Planungsweise eines Unternehmens integriert sind.

In diesem „Ask an Expert“-Gespräch mit Dr. Sven Flake blicken wir über den Hype hinaus und gehen in die praktische Realität. Wann ist Machine Learning klassischen Methoden wirklich überlegen – und wann reichen traditionelle Ansätze weiterhin aus? Welche Daten verbessern eine Prognose tatsächlich, und welche erzeugen nur Rauschen? Wo liefern KI-Prognosen messbaren Business Value, wann sollte ein Planer das Modell übersteuern, und welche Fehler machen Unternehmen am häufigsten auf dem Weg von Excel zu KI? Die Antworten drehen sich weniger um Technologie, als viele erwarten – und stärker um Daten, Prozesse und Vertrauen.

Wann ist KI besser als klassisches Forecasting?

In vielen Unternehmen beginnt Demand Forecasting noch immer mit einem sehr pragmatischen Setup: Historische Verkaufsdaten werden nach Excel exportiert, Planerinnen und Planer vergleichen sie mit früheren Perioden, berücksichtigen Saisonalität, ergänzen Marktwissen und passen die Prognose manuell an.

Das ist nicht grundsätzlich falsch. Für viele stabile Produkte und Märkte kann dieser Ansatz sogar durchaus gut funktionieren. Die Herausforderung liegt jedoch darin, dass er stark von individueller Erfahrung, manuellem Aufwand und lokalem Wissen abhängt. Sobald die Anzahl an Produkten, Kunden, Regionen oder Planungszyklen wächst, wird es schwieriger, den Prozess konsistent und skalierbar zu halten.

Wichtig ist außerdem, diese manuelle Planungsrealität von klassischen statistischen Forecasting-Methoden zu unterscheiden. Zu den klassischen Methoden gehören beispielsweise gleitende Durchschnitte, exponentielle Glättung, ARIMA-Modelle, regressionsbasierte Modelle oder saisonale Zeitreihenmodelle. Diese Methoden können sehr leistungsfähig sein, insbesondere wenn Nachfragemuster relativ stabil sind, historische Daten zuverlässig vorliegen und die wichtigsten Nachfragefaktoren gut verstanden werden.

Der Unterschied ist also nicht, dass klassische Methoden „einfach“ und KI „intelligent“ ist. Das wäre zu stark vereinfacht.

Der Unterschied liegt vielmehr darin, welche Art von Komplexität die jeweiligen Ansätze gut verarbeiten können. Klassische Forecasting-Methoden sind häufig stark, wenn die Zusammenhänge in den Daten relativ stabil sind und sich mit klaren Annahmen modellieren lassen. KI- und Machine-Learning-Ansätze werden besonders dann nützlich, wenn die Nachfrage von vielen miteinander interagierenden Faktoren beeinflusst wird, wenn sich Muster im Zeitverlauf verändern oder wenn Prognosen automatisiert über sehr viele detaillierte Kombinationen hinweg erstellt werden müssen — zum Beispiel nach Produkt, Kunde, Region, Kanal und Standort.

In der Praxis können dabei Methoden wie Gradient-Boosting-Modelle, Random Forests, neuronale Netze oder probabilistische Zeitreihenmodelle zum Einsatz kommen. Häufig werden mehrere Modelle getestet oder in Ensemble-Ansätzen kombiniert, um robustere Prognosen zu erzeugen. Diese Methoden können sowohl aus historischen Verkaufsdaten als auch aus zusätzlichen Nachfragetreibern lernen, etwa Preisen, Promotions, Lagerverfügbarkeit, Produkthierarchien, Kundengruppen, Standorten oder Saisonalität.

Der Vorteil besteht nicht darin, dass das Modell „die Zukunft kennt“. Der Vorteil besteht darin, dass es viele Einflussfaktoren konsistent über Tausende von Produkt-Standort- oder Produkt-Kunden-Kombinationen hinweg verarbeiten und Prognosen deutlich schneller aktualisieren kann als ein manueller Planungsprozess.

Einige dieser Faktoren lassen sich auch in klassische Modelle integrieren. Der Unterschied ist, dass Machine Learning häufig besser geeignet ist, wenn Zusammenhänge nicht linear, schwer vorab zu definieren oder je nach Produktgruppe, Markt und Planungsebene unterschiedlich sind.

Trotzdem sollte KI klassische Forecasting-Methoden nicht automatisch ersetzen. In vielen realen Projekten ist die beste Lösung eine hybride: robuste statistische Methoden dort einsetzen, wo sie gut funktionieren; Machine Learning dort anwenden, wo zusätzliche Komplexität messbaren Mehrwert schafft; und menschliche Expertise dort einbinden, wo Geschäftskontext erforderlich ist.

Aus Data-Science-Perspektive lautet die entscheidende Frage daher nicht: „Können wir KI für Forecasting einsetzen?“ Die bessere Frage lautet: „Welcher Forecasting-Ansatz passt zu den Daten, zum Geschäftsprozess und zur Entscheidungsebene, die wir unterstützen wollen?“

Welche externen Daten verbessern Forecasts?

Nicht jede zusätzliche Datenquelle verbessert eine Prognose. Das ist einer der ersten Punkte, die man verstehen sollte. Mehr Daten können helfen, sie können ein Modell aber auch komplexer machen, ohne das Ergebnis zu verbessern.

Im Demand Forecasting beginnen wir in der Regel mit den Daten, die der tatsächlichen Nachfrage am nächsten sind: historische Verkäufe, Bestellungen, Produktinformationen, Standorte, Kundengruppen, Preise, Aktionen, Marketingaktivitäten, Warenverfügbarkeit und Saisonalität. Je nach Geschäftsmodell können auch externe Datenquellen wie Marktindikatoren, Events oder Feiertage relevant sein.

Entscheidend ist, zu testen, ob eine Datenquelle konsistent Mehrwert liefert. Zunächst prüfen wir, ob die Daten auf der richtigen Detailebene und früh genug verfügbar sind, um den Planungsprozess zu unterstützen. Promotion-Daten sind zum Beispiel nur dann hilfreich, wenn sie eindeutig mit Produkten, Zeiträumen, Regionen oder Kunden verknüpft werden können. Auch Lagerverfügbarkeit ist wichtig, weil die Verkaufshistorie nicht immer die tatsächliche Nachfrage zeigt. Manchmal zeigt sie nur, was verkauft werden konnte, weil ausreichend Bestand vorhanden war.

Anschließend vergleichen wir verschiedene Modellversionen. Wir nutzen ein Baseline-Modell ohne die zusätzlichen Daten und vergleichen es mit Modellen, die die neue Datenquelle einbeziehen. Durch Backtesting simulieren wir vergangene Prognosesituationen und prüfen, ob das Modell die Nachfrage auf Daten, die es vorher nicht gesehen hat, genauer vorhergesagt hätte.

Außerdem betrachten wir, wie das Modell die Daten nutzt. Feature Importance oder ähnliche Explainability-Methoden helfen uns zu verstehen, ob ein Faktor tatsächlich relevant ist oder ob er nur zufällig ein einzelnes Testergebnis verbessert hat. Wenn eine Datenquelle nur in einem bestimmten Zeitraum hilft, aber nicht über Produktgruppen, Standorte oder Planungszyklen hinweg, ist Vorsicht geboten.

Genau hier sind Lösungen wie prognotix wertvoll. Ein großer Teil dieses Modellvergleichs, der Bewertung und der Forecast-Erstellung kann automatisiert werden. Statt unterschiedliche Forecasting-Ansätze manuell in Excel aufzubauen und zu pflegen, können Teams automatisierte Forecasting-Workflows nutzen, die relevante Nachfragefaktoren bewerten, Prognosen erstellen und Planerinnen und Planern helfen, sich auf Ausnahmen und Geschäftskontext zu konzentrieren.

Das Ziel ist nicht, jede mögliche Datenquelle einzubeziehen. Das Ziel ist, diejenigen Daten zu identifizieren, die die Prognose zuverlässig verbessern und bessere Planungsentscheidungen unterstützen.

Wo schafft KI-Forecasting messabren Business Value?

Der größte Business Value entsteht meistens nicht durch eine leicht bessere Prognosezahl, sondern dadurch, was Unternehmen aufgrund dieser Prognose anders machen können. In unseren Projekten sehen wir das sehr deutlich. KI-gestütztes Demand Forecasting schafft Mehrwert, wenn es Teams hilft, manuellen Planungsaufwand zu reduzieren, früher auf Nachfrageveränderungen zu reagieren, Verfügbarkeit zu verbessern, Ausschuss oder Überbestände zu senken und Planungsprozesse verlässlicher zu machen.

Ein gutes Beispiel ist unsere Arbeit mit der Zumtobel Group. Die Planungsumgebung dort war hochkomplex, mit mehr als 10.000 Rohmaterialien, rund 500 Lieferanten und mehr als 250.000 verkaufsfähigen Produktvarianten. In einem solchen Setup geht es beim Forecasting nicht nur darum, Nachfrage vorherzusagen. Es geht darum, die Supply Chain flexibler zu machen und Teams dabei zu unterstützen, mit weniger manuellem Aufwand bessere Entscheidungen zu treffen. Durch die Implementierung einer KI-basierten Demand-Forecasting-Lösung konnten Planungsprozesse automatisiert und optimiert werden, Prognosen wurden präziser und das Unternehmen konnte flexibler auf Marktveränderungen reagieren.

Ein weiteres Beispiel ist SPAR. Im Lebensmitteleinzelhandel hat Demand Forecasting einen sehr direkten Einfluss: Wer zu viel bestellt, erhöht Lebensmittelverschwendung. Wer zu wenig bestellt, riskiert, dass Kundinnen und Kunden die gewünschten Produkte nicht finden. Mit einer KI-basierten Forecasting-Lösung konnte SPAR die Nachfrage für Supermarktfilialen und Artikel auf Wochenebene prognostizieren – unter Einbeziehung von Daten wie Verkaufsmengen, Wetter, Promotions, Marketingaktivitäten und Saisonalität. Das Ergebnis war eine Prognosegenauigkeit von über 90 Prozent, weniger Lebensmittelverschwendung und erhebliche Kosteneinsparungen.

Für mich ist genau das der wichtige Punkt: KI-Forecasting sollte nicht nur an Forecast Accuracy gemessen werden. Genauigkeit zählt natürlich. Aber der geschäftliche Mehrwert entsteht dann, wenn die Prognose mit realen operativen Entscheidungen verbunden ist – etwa mit Nachschubplanung, Produktionsplanung, Einkauf, S&OP oder Kundencommitments.

Eine KI-Prognose, die in einem Dashboard liegt, ist interessant. Eine KI-Prognose, die tägliche Planungsentscheidungen unterstützt, ist wertvoll.

Wann sind manuelle Overrides sinnvoll?

Planner Overrides sind nicht grundsätzlich schlecht. Im Gegenteil: Sie können sehr wertvoll sein, wenn Planer etwas wissen, was das Modell noch nicht wissen kann.

Ein Planer kann zum Beispiel wissen, dass ein Kunde im nächsten Monat eine ungewöhnlich große Bestellung aufgeben wird, dass ein Produkt ausläuft, dass ein Wettbewerber Preise verändert hat oder dass ein einmaliges Ereignis die Nachfrage beeinflussen wird. Wenn diese Information noch nicht in den Daten enthalten ist, kann ein manueller Override die Prognose verbessern.

Problematisch wird es, wenn Overrides nur auf Bauchgefühl basieren oder immer wieder vorgenommen werden, ohne zu verfolgen, ob sie das Ergebnis tatsächlich verbessert haben. Dann wird der Prozess subjektiv, und das Unternehmen verliert den Vorteil eines konsistenten Forecasting-Modells.

Ein guter KI-Forecasting-Prozess sollte menschliche Expertise nicht eliminieren. Er sollte sie strukturieren. Das bedeutet: Planer sollten Prognosen überschreiben können, aber der Override sollte dokumentiert werden. Warum wurde die Prognose angepasst? Welche Information wurde genutzt? Hat der Override die Prognose im Nachhinein verbessert?

So entsteht ein Lernkreislauf. Mit der Zeit können Unternehmen erkennen, welche Overrides Mehrwert schaffen und welche Verzerrungen einführen. Das ist sehr wichtig, weil Menschen häufig stark auf aktuelle Ereignisse, Kundendruck oder interne Politik reagieren. KI kann Konsistenz bringen, Menschen bringen Kontext. Das beste Setup nutzt beides.

Was geht beim Wechsel von Excel zu KI häufig schief?

Einer der häufigsten Fehler ist, KI-Forecasting vor allem als Tool- oder Technologieprojekt zu behandeln.

Viele Unternehmen starten mit Fragen wie: Welche Software sollten wir nutzen? Können wir den Forecast automatisieren? Kann KI unsere Planung genauer machen? Das sind berechtigte Fragen, aber sie sind nicht die ganze Geschichte. In der Praxis kommen die schwierigeren Fragen oft früher: Sind die historischen Verkaufsdaten zuverlässig? Sind Produkthierarchien konsistent? Wissen wir, wo Stockouts die Verkaufshistorie verzerrt haben? Sind Promotions, Preisänderungen oder Markteffekte so dokumentiert, dass das Modell sie tatsächlich nutzen kann? Und die zentrale Frage lautet: Wie wird die Prognose in täglichen Planungsentscheidungen genutzt?

Excel-basiertes Forecasting verdeckt diese Themen häufig. Planer korrigieren Daten manuell, passen Annahmen an, kopieren Informationen aus verschiedenen Quellen und ergänzen Kontext aus Erfahrung. Das kann eine Zeit lang funktionieren, bedeutet aber auch, dass viel Business-Logik in einzelnen Dateien, Kommentaren oder den Köpfen einzelner Personen steckt. Wenn Unternehmen auf KI-gestütztes Forecasting umstellen, werden diese versteckten Abhängigkeiten sichtbar.

Ein weiterer häufiger Fehler ist die Erwartung, vom ersten Tag an eine perfekte Prognose zu erhalten. KI-Forecasting sollte Schritt für Schritt eingeführt werden: mit einem klaren Use Case starten, das gewünschte Business Outcome definieren, gegen eine sinnvolle Baseline vergleichen, Planer früh einbinden und den Prozess iterativ verbessern.

Genau hier unterstützen wir unsere Kunden bei paiqo sehr eng. Wir implementieren nicht einfach ein Forecasting-Modell und überlassen den Rest dem Business. Wir helfen dabei, den Use Case zu schärfen, die Datenbasis zu bewerten, relevante interne und externe Datenquellen zu identifizieren, die Lösung an bestehende Planungsprozesse anzubinden und sicherzustellen, dass die Ergebnisse für die Menschen, die damit arbeiten, verständlich und nutzbar sind.

Denn am Ende geht es bei erfolgreichem KI-Forecasting nicht nur darum, ein gutes Modell zu bauen. Es geht darum, einen Forecasting-Prozess zu schaffen, dem das Business vertrauen, den es betreiben und kontinuierlich verbessern kann.

Was ist das größte Missverständnis über KI-Forecasting?

Das größte Missverständnis ist, dass es bei KI-Forecasting hauptsächlich um Prognosegenauigkeit geht. Natürlich ist Genauigkeit wichtig. Aber in der Unternehmensplanung geht es nicht darum, einen Forecasting-Wettbewerb zu gewinnen. Es geht darum, unter Unsicherheit bessere Entscheidungen zu treffen.

Eine Prognose ist nur dann nützlich, wenn Menschen auf ihrer Grundlage handeln können. Das bedeutet: Sie muss zum richtigen Zeitpunkt, auf der richtigen Detailebene und in den Systemen verfügbar sein, in denen Planung tatsächlich stattfindet. Außerdem muss sie so erklärbar sein, dass Business User ihr vertrauen können. Sie müssen nicht jedes technische Detail des Modells verstehen, aber sie müssen die wichtigsten Treiber nachvollziehen können: Warum wird ein Nachfrageanstieg erwartet? Warum warnt das Modell vor einem Rückgang? Was hat sich im Vergleich zum letzten Monat verändert?

Deshalb ist erfolgreiches KI-Forecasting aus meiner Sicht nicht nur ein Data-Science-Thema. Es ist eine Kombination aus Data Engineering, Machine Learning, Geschäftsverständnis und Prozessdesign.

Fazit

Wenn sich ein roter Faden durch diese Diskussion zieht, dann dieser: Erfolgreiches KI-Forecasting ist kein reines Modellierungsproblem, sondern ein Entscheidungsproblem. Die Genauigkeit der Zahl ist wichtig, aber selten der Punkt, an dem der eigentliche Wert entsteht. Der Mehrwert wird sichtbar, wenn die Prognose zum richtigen Zeitpunkt, auf der richtigen Detailebene und in den Systemen verfügbar ist, in denen Planung stattfindet – und wenn die Menschen, die sie nutzen, verstehen und vertrauen, was sie ihnen sagt.

Deshalb sind die besten Lösungen meist hybrid und nicht dogmatisch. Robuste statistische Methoden dort, wo sie funktionieren. Machine Learning dort, wo zusätzliche Komplexität sich bezahlt macht. Und menschliche Expertise fest im Prozess verankert, um Kontext einzubringen, der in den Daten noch nicht enthalten ist. Deshalb sind saubere Daten, konsistente Hierarchien und ehrliche Baselines wichtiger als die Wahl des Algorithmus. Und deshalb geht es beim Wechsel von Excel zu KI nicht nur um Automatisierung, sondern auch darum, versteckte Business-Logik sichtbar zu machen.

Das Ziel war nie, die Zukunft perfekt vorherzusagen. Es geht darum, Unternehmen zu helfen, früher zu reagieren, mit mehr Sicherheit und weniger manuellem Aufwand – und einen Forecasting-Prozess zu etablieren, dem die Organisation vertrauen, den sie betreiben und kontinuierlich verbessern kann. Genau das ist der Unterschied zwischen einer Prognose, die in einem Dashboard liegt, und einer Prognose, die tatsächlich verändert, wie ein Unternehmen handelt. Bei paiqo, und mit Lösungen wie prognotix, schließen wir genau diese Lücke.