Künstliche Intelligenz verbessert die Genauigkeit von Umsatzprognosen, indem sie gleichzeitig große Mengen an historischen und kontextbezogenen Daten analysiert, um Muster zu erkennen, die durch menschliche Analyse oder klassische statistische Methoden nur schwer zu erkennen sind. Sie berücksichtigt beispielsweise saisonale Schwankungen, Werbeaktionen, Preise, das Wetter und den Wettbewerb, um dynamische und kontinuierlich angepasste Prognosen zu erstellen. Dieser Ansatz unterscheidet sich von klassischen Prognosemethoden, die sich hauptsächlich auf Durchschnittswerte und vergangene Trends stützen und Schwierigkeiten haben, mehrere Variablen gleichzeitig zu berücksichtigen. Maschinelles Lernen hingegen verarbeitet Hunderte von Variablen parallel und erkennt nichtlineare Zusammenhänge – beispielsweise den kombinierten Effekt einer Werbeaktion der Konkurrenz und eines wetterbedingten Spitzenwerts auf eine bestimmte Kategorie –, die ein linearer Ansatz nicht erfassen kann. Ein weiterer wesentlicher Unterschied ist die Fähigkeit zur kontinuierlichen Anpassung: Im Gegensatz zu einem starren statistischen Modell, das nur punktuell neu kalibriert wird, bezieht ein Machine-Learning-Modell neue Umsatzdaten in Echtzeit ein und passt seine Prognosen an, sobald sich das Verbraucherverhalten ändert – so lassen sich Veränderungen im Kaufverhalten oder Abweichungen von saisonalen Mustern schneller erkennen als mit einem statischen Modell. Für einen Einzelhändler sorgt diese erhöhte Genauigkeit unmittelbar für mehr Sicherheit bei Entscheidungen, die von der Umsatzprognose abhängen: Beschaffung, Umfang von Werbekampagnen oder auch Preisentscheidungen – denn eine zuverlässige Prognose begrenzt das Risiko einer falsch abgestimmten Preisanpassung, sei es eine Preiserhöhung oder ein Preisnachlass.

MPS nutzt in erster Linie historische Verkaufszahlen, Preise, Werbeaktionen, Verkaufskalender, Filialdaten sowie externe Einflussfaktoren wie Wetter, Veranstaltungen oder den Wettbewerb. Je umfangreicher die Daten sind, desto genauer werden die Modelle – in der Regel wird ein Datenzeitraum von mindestens einem Jahr empfohlen, um einen vollständigen saisonalen Zyklus zu erfassen. Die historischen Verkaufsdaten sind nach wie vor die ausschlaggebendsten Daten: Sie ermöglichen es dem Modell, den spezifischen Rhythmus jedes Produkts und jeder Filiale zu erfassen – seine Saisonalität, seine Reaktion auf vergangene Werbeaktionen und seine Preissensitivität. Anhand der Daten zum Geschäfts kalender (Werbeaktionen, Feiertage, Sonderaktionen) lässt sich unterscheiden, was eher ein einmaliger Effekt als ein grundlegender Trend ist, wodurch eine Verzerrung der Prognose durch außergewöhnliche Spitzen oder Einbrüche vermieden wird. Externe Einflussfaktoren – Wetter, lokale Ereignisse, Maßnahmen der Konkurrenz – verfeinern anschließend die Prognose für die Kategorien, die am empfindlichsten auf diese Faktoren reagieren, sind jedoch für den Projektstart nicht zwingend erforderlich: BOOPER kann bereits mit den grundlegenden Verkaufs- und Kalenderdaten verwertbare Prognosen erstellen und das Modell dann schrittweise erweitern, sobald weitere Quellen über den Data Loader angebunden werden. Für eine Supply-Chain- oder Pricing-Abteilung, die ein KI-Prognoseprojekt startet, besteht die größte Herausforderung daher weniger darin, vom ersten Tag an über alle möglichen Daten zu verfügen, als vielmehr darin, eine ausreichend lange und saubere Umsatzhistorie – mindestens ein Jahr – sicherzustellen, damit das Modell einen vollständigen Zyklus erlernen kann und nicht nur einen unvollständigen Ausschnitt der Geschäftstätigkeit.

Klassische statistische Prognosemethoden basieren auf Durchschnittswerten und vergangenen Trends, die relativ einheitlich auf eine Umsatzhistorie angewendet werden. Machine Learning hingegen berücksichtigt Hunderte von Variablen gleichzeitig, erkennt nichtlineare Zusammenhänge zwischen ihnen und passt sich automatisch an Veränderungen im Verbraucherverhalten an. Dieser Unterschied zeigt sich konkret darin, wie die jeweiligen Ansätze auf ein ungewöhnliches Ereignis reagieren: Eine klassische statistische Methode neigt dazu, einen durchschnittlichen Trend fortzuschreiben und einen Bruch falsch vorherzusagen – sei es einen wetterbedingten Nachfragespitzenwert, den kombinierten Effekt einer Werbeaktion und eines Feiertags oder eine dauerhafte Veränderung der Kaufgewohnheiten. Maschinelles Lernen erfasst durch die Verknüpfung einer größeren Anzahl von Signalen (Verlaufsdaten, Saisonalität, Werbeaktionen, Preise, externes Umfeld) diese Wechselwirkungen genauer und passt seine Prognose entsprechend an. Ein weiterer Unterschied liegt in der Erklärbarkeit des Ergebnisses: Bei BOOPER werden die vom Machine-Learning-Modell erstellten Prognosen stets mit den Faktoren ergänzt, die sie erklären. So können die Teams nachvollziehen, warum sich eine Prognose ändert, und nicht nur die Zahl zur Kenntnis nehmen. Diese Transparenz ist unerlässlich, damit die Fachteams eine Empfehlung in voller Kenntnis der Sachlage validieren, anpassen oder hinterfragen können, anstatt einer „Black Box“ zu folgen. Für einen Einzelhändler hat dieser Übergang von einer klassischen statistischen Prognose zu einer Prognose mittels maschinellem Lernen direkte Auswirkungen auf die Zuverlässigkeit der daraus resultierenden Beschaffungs- und Preisentscheidungen: Je genauer die Prognose das tatsächliche Kaufverhalten erfasst, desto weniger beruhen die nachgelagerten Entscheidungen auf einer Annäherung.

Eine genauere Absatzprognose ermöglicht es, die Bestellungen möglichst genau an den tatsächlichen Bedarf anzupassen, wodurch automatisch zwei gegensätzliche Probleme gemindert werden: Lieferengpässe, die die Dienstleistungsquote beeinträchtigen, und Überbestände, die Kapital binden und oft letztendlich zu Preisnachlässen führen. MPS erstellt diese Prognosen unter Berücksichtigung von Verkaufsverläufen, saisonalen Schwankungen, Werbeaktionen und kontextbezogenen Faktoren – und zwar mit ausreichender Detailgenauigkeit (pro Produkt, pro Filiale), sodass die Beschaffungsteams ihre Bestellungen Kategorie für Kategorie anpassen können, anstatt eine einheitliche Sicherheitsmarge auf das gesamte Sortiment anzuwenden. Die Prognosen bleiben nachvollziehbar, sodass verständlich ist, warum sich eine Bestellmenge ändert, und Anpassungen in voller Kenntnis der Sachlage vorgenommen werden können. Diese Verbindung zwischen Prognose und Lieferkette erstreckt sich ganz natürlich auch auf die Preisgestaltung: Ein unerwarteter Lieferengpass oder ein unerwarteter Überbestand führen nachgelagert oft zu erzwungenen Preisnachlässen oder zu einer in aller Eile beschlossenen Nachholaktion. Durch die Reduzierung dieser Versorgungsabweichungen im Vorfeld begrenzt die Absatzprognose auch Preisentscheidungen, die unter Zwang getroffen werden, anstatt auf der Grundlage einer gewählten Strategie. Für eine Supply-Chain-Leitung reduziert diese vorausschauende Steuerung den Bedarf an im Lager gebundenem Betriebskapital und verbessert die Kundendienstquote – zwei Indikatoren, die in ihrer Gesamtheit einen direkten Einfluss auf die Gesamtrentabilität des Netzwerks haben.

Eine KI-basierte Lösung zur Umsatzprognose sorgt für einen messbaren Return on Investment in mehreren Bereichen, die direkt mit der Prognosegenauigkeit zusammenhängen: Reduzierung von Lieferengpässen und Überbeständen, Optimierung der Bestellmengen, Verringerung des Zeitaufwands der Teams für manuelle Prognosen sowie eine allgemeine Verbesserung der Abstimmung zwischen Prognose, Beschaffung und Preisgestaltung. Der Zusammenhang mit der Preisgestaltung ist besonders wichtig: Zuverlässigere Prognosen verringern das Risiko falsch kalibrierter Preisanpassungen – etwa Preiserhöhungen, die die Nachfrage bremsen, weil deren Sensitivität nicht vorhergesehen wurde, oder zu spät eingeleitete Preisnachlässe, weil ein Absatzrückgang nicht rechtzeitig erkannt wurde. Dieser Vorteil wirkt sich direkt auf die Marge und das Preisimage aus – zwei Indikatoren, die von jeder Vertriebsleitung genau beobachtet werden. Zeitersparnis ist ein weiterer konkreter Hebel: Teams, die ihre Prognosen zuvor manuell, Produkt für Produkt oder Kategorie für Kategorie in Tabellenkalkulationen erstellten, können diese Zeit nun für Analysen und Entscheidungen nutzen, anstatt sie mit der Erstellung von Zahlen zu verbringen. Die Prognosen passen sich anschließend automatisch an, sobald neue Verkaufszahlen vorliegen, was den manuellen Überarbeitungsaufwand während des Berichtszeitraums begrenzt. Das tatsächliche Ausmaß des ROI hängt jedoch von der Qualität der verfügbaren Daten und der Häufigkeit der für jedes Netzwerk spezifischen Entscheidungszyklen ab: Je umfangreicher die Verkaufshistorie und je häufiger Beschaffungs- oder Preisentscheidungen getroffen werden, desto schneller führt die höhere Prognosegenauigkeit zu messbaren Gewinnen bei der Marge und beim Lagerbestand.

Ja. MPS ist für Großkunden im Einzelhandel konzipiert und bietet eine länder-, filial- und kategorieübergreifende Verwaltung in Verbindung mit einer zentralisierten Steuerung der Prognosen, wobei gleichzeitig eine auf den jeweiligen Markt zugeschnittene lokale Flexibilität gewahrt bleibt. Diese länderübergreifende Verwaltung berücksichtigt, dass sich die Nachfrage von Markt zu Markt unterschiedlich verhält – unterschiedliche Saisonalität, länderspezifische Aktionskalender und Feiertage sowie eine je nach lokaler Kaufkraft variierende Preissensibilität. Die Prognose-Engine berücksichtigt diese Besonderheiten marktbezogen, anstatt ein einheitliches Modell auf das gesamte Netzwerk anzuwenden. Die zentralisierte Steuerung ermöglicht es der Konzernleitung, einen konsolidierten Überblick über die Prognosen für das gesamte Netzwerk zu behalten. Dies ist nützlich, um Prioritäten bei der Beschaffung zwischen den Märkten abzustimmen oder die Methoden zwischen den Tochtergesellschaften zu vereinheitlichen, ohne den lokalen Teams Annahmen aufzuzwingen, die für ihren eigenen Markt ungeeignet sind. Für einen länderübergreifenden Konzern ist es gerade dieses Gleichgewicht zwischen zentraler Steuerung und lokaler Detailgenauigkeit, das die Prognose Markt für Markt wirklich umsetzbar macht – im Gegensatz zu einem konsolidierten Durchschnittswert, der für operative Entscheidungen kaum von Nutzen ist.

Ja. MPS ist auch für den Einsatz in kleineren Organisationen konzipiert, die keine großen nationalen oder internationalen Unternehmen sind. Das im Tool verwendete Vokabular und die Indikatoren entsprechen denen des Kunden, und die Qualität der Prognosealgorithmen bleibt dieselbe wie in größeren Strukturen. Diese Anpassungsfähigkeit beruht auf der Funktionsweise der Prognose-Engine selbst: Sie lernt anhand der spezifischen Daten jedes einzelnen Netzwerks, unabhängig von dessen Größe, anstatt ein generisches Modell anzuwenden, das auf große Datenmengen kalibriert ist. Ein Netzwerk mit einigen Dutzend Filialen profitiert somit von Prognosen, die auf seine geschäftliche Realität zugeschnitten sind – seine eigenen Verkaufszyklen, seine eigene Saisonalität, seine eigenen Hauptkategorien –, ohne dass ein Datenvolumen erforderlich ist, das mit dem einer nationalen Handelskette vergleichbar ist. Die Implementierung ist zudem so konzipiert, dass sie verhältnismäßig bleibt: Die Integration über den Data Loader passt sich den bereits verfügbaren Datenströmen an, wodurch vermieden wird, dass einer kleineren Struktur ein Integrationsprojekt auferlegt wird, das für einen großen Konzern ausgelegt ist. Die angebotene methodische Begleitung hilft den Teams, die intern oft über weniger Data-Science-Kompetenzen verfügen, dabei, die Ergebnisse zu interpretieren und ihren Entscheidungsprozess zu strukturieren. Für ein mittelgroßes Netzwerk stellt sich dieselbe Herausforderung wie für einen Großkunden: weg von groben Prognosen, die manuell oder in Tabellenkalkulationen erstellt werden, hin zu mehr Zuverlässigkeit bei der Beschaffung und bei Preisentscheidungen – ohne dass die Größe des Unternehmens die Qualität der vorausschauenden Steuerung beeinträchtigt.