Umsatzprognosen mittels KI: Antizipieren Sie die Nachfrage und treffen Sie fundierte Preisentscheidungen

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 (zum Beispiel den kombinierten Effekt einer Werbeaktion eines Mitbewerbers und eines Wetterhochs auf eine bestimmte Produktkategorie), 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, berücksichtigt ein Machine-Learning-Modell neue Verkaufszahlen in Echtzeit und passt seine Prognosen an, sobald sich das Verbraucherverhalten ändert. Eine Veränderung der Kaufgewohnheiten oder eine Abweichung von saisonalen Mustern wird so schneller erkannt als mit einem statischen Modell.

Für einen Einzelhändler sorgt diese höhere Genauigkeit unmittelbar für mehr Sicherheit bei Entscheidungen, die von der Umsatzprognose abhängen: Beschaffung, Umfang von Werbekampagnen oder auch Preisentscheidungen, da eine zuverlässige Prognose das Risiko einer falsch kalkulierten Preisanpassung begrenzt – sei es eine Preiserhöhung oder ein Preisnachlass.

Ja: BOOPER MPS prognostiziert die Umsätze jedes einzelnen Produkts in jeder einzelnen Filiale und nicht einen Durchschnittswert für das gesamte Netzwerk. Das Modell lernt die für jede Filiale spezifischen saisonalen Schwankungen, die Reaktion auf Werbeaktionen und die Preissensibilität kennen und fasst diese Prognosen anschließend auf Konzernebene zusammen.

Bei einem Filialnetz verändert diese Granularität die Art und Weise, wie Prognosen genutzt werden: Spitzenzeiten und saisonale Schwankungen werden marktbezogen gesteuert, die Prognosen werden automatisch an die tatsächlichen Verkaufszahlen angepasst, und die Geschäftsleitung behält einen konsolidierten Überblick, um Entscheidungen zur Beschaffung zu treffen. Die gleiche Logik gilt im B2B-Vertrieb – nach Kunden oder Kundensegmenten – sowie für Apothekenketten.

Der Unterschied zwischen den beiden Begriffen wird im Glossar-Eintrag zur Nachfrageprognose näher erläutert. Eine schrittweise Anleitung finden Sie in unserer 8-stufigen Methode zur Umsatzprognose mithilfe von KI.

MPS nutzt in erster Linie historische Verkaufszahlen, Preise, Werbeaktionen, Verkaufskalender, Filialdaten sowie externe Einflussfaktoren wie das 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 Verkaufshistorie bleibt die entscheidende Kennzahl: Sie ermöglicht es dem Modell, den spezifischen Rhythmus jedes Produkts und jeder Filiale zu erlernen (seine Saisonalität, seine Reaktion auf vergangene Werbeaktionen, seine Preissensibilität). Anhand der Daten zum Verkaufskalender (Aktionen, Feiertage, Sonderaktionen) lässt sich unterscheiden, was eher auf einen einmaligen Effekt als auf einen grundlegenden Trend zurückzuführen ist, wodurch eine Verzerrung der Prognose durch außergewöhnliche Spitzen oder Einbrüche vermieden wird.

Externe Einflussfaktoren (Wetter, lokale Ereignisse, Aktivitäten der Konkurrenz) dienen anschließend dazu, die Prognose für die Kategorien zu verfeinern, die am stärksten von diesen Faktoren beeinflusst werden, sind jedoch für den Start des Projekts 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-basiertes Prognoseprojekt startet, geht es daher weniger darum, vom ersten Tag an über alle möglichen Daten zu verfügen, als vielmehr darum, eine ausreichend lange und saubere Verkaufshistorie (mindestens ein Jahr) zu gewährleisten, damit das Modell einen vollständigen Zyklus erlernen kann und nicht nur einen unvollständigen Ausschnitt der Geschäftstätigkeit.

Ja: BOOPER MPS vereint auf einer einzigen Plattform die Absatzprognose, die Simulation von Preis- und Aktionsszenarien sowie die Erläuterung der einzelnen Prognosen, sodass die Bereiche Preisgestaltung, Category Management, Einkauf und Lieferkette auf der Grundlage derselben Zahlen arbeiten können.

Jede Prognose zeigt die Faktoren an, die zu ihrer Erstellung geführt haben (Saisonalität, Preise, Werbeaktionen sowie – sofern diese Quellen verknüpft sind – Wetter, lokale Ereignisse oder Wettbewerb). So können die Teams eine Prognose in voller Kenntnis der Sachlage bestätigen, anpassen oder hinterfragen, anstatt einer Zahl ohne Begründung zu folgen.

Eine gemeinsame Prognose setzt auch voraus, dass festgelegt wird, wer sie steuert und wie sie zwischen Vertrieb, Einkauf und Lieferkette abgestimmt wird: Es muss geklärt werden, wer die Absatzprognose steuern soll.

Herkömmliche statistische Prognosemethoden basieren auf Durchschnittswerten und Trends aus der Vergangenheit, die relativ einheitlich auf historische Umsatzdaten angewendet werden. Maschinelles Lernen 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 einzelnen Ansätze auf ein atypisches Ereignis reagieren: Eine klassische statistische Methode neigt dazu, einen durchschnittlichen Trend fortzuschreiben und einen Bruch nur unzureichend vorherzusehen (z. B. einen wetterbedingten Nachfragespitzenwert, den kombinierten Effekt einer Werbeaktion und eines Feiertags oder eine dauerhafte Veränderung des Kaufverhaltens). 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 betrifft die 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 verändert, und müssen sich nicht nur mit dem reinen Zahlenwert begnügen. Diese Transparenz ist unerlässlich, damit die Fachteams eine Empfehlung in voller Kenntnis der Sachlage validieren, anpassen oder hinterfragen können, anstatt blind einem „Black-Box“-System 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 abbildet, desto weniger beruhen die nachgelagerten Entscheidungen auf einer Annäherung.

Durch eine genauere Vorhersage der zukünftigen Nachfrage ermöglicht die KI-gestützte Absatzprognose von BOOPER MPS, die Bestellmengen möglichst genau an den tatsächlichen Bedarf anzupassen, Lieferengpässe und Überbestände zu reduzieren, die Servicequote zu verbessern und die mit den Lagerbeständen verbundene Kapitalbindung zu begrenzen.

Dieser Zusammenhang zwischen Prognose und Lieferkette ergibt sich aus der Nachvollziehbarkeit der Prognosen: Das Modell liefert nicht nur eine erwartete Umsatzzahl, sondern legt auch die Faktoren offen, die diese beeinflusst haben (saisonale Schwankungen, vergangene Werbeaktionen, aktuelle Trends, kontextbezogene Faktoren), wodurch die Beschaffungsteams ihre Bestellungen in voller Kenntnis der Sachlage anpassen können, anstatt einer „Black-Box“-Prognose zu folgen.

Diese Genauigkeit wirkt sich sowohl auf der vorgelagerten als auch auf der nachgelagerten Seite der Lieferkette direkt aus: Auf der vorgelagerten Seite begrenzt sie übermäßige Bestellungen, die aus „Sicherheitsgründen“ mangels Transparenz getätigt werden und sich anschließend in Überbeständen oder erzwungenen Preisnachlässen niederschlagen; auf der nachgelagerten Seite reduziert sie Lieferengpässe, die die Lieferquote und damit indirekt auch die Kundenzufriedenheit beeinträchtigen. Die Prognosen werden kontinuierlich angepasst, sobald neue Verkaufszahlen vorliegen, wodurch eine Versorgungsentwicklung korrigiert werden kann, bevor eine Abweichung kostspielige Folgen hat.

Für eine Supply-Chain-Abteilung verwandelt diese vorausschauende Steuerung die Bestandsverwaltung von einem im Wesentlichen reaktiven Ansatz (Bestellung zur Auffüllung eines bereits angefangenen Bestands) in einen vorausschauenden Ansatz, bei dem die Mengen angepasst werden, bevor es zu Engpässen oder Überbeständen kommt, was sich direkt positiv auf den Bedarf an Betriebskapital auswirkt.

Ja. Mit dem KI-gestützten Simulator von BOOPER MPS kann der Nutzer verschiedene Geschäftsszenarien (Werbeaktionen, Preisänderungen, Sortimentsänderungen) testen und deren voraussichtliche Auswirkungen auf Absatz, Umsatz und Marge abschätzen, bevor diese umgesetzt werden.

Diese Simulationen stützen sich auf die für jedes Produkt oder jede Kategorie spezifischen Preiselastizitätsmodelle sowie auf die Historie bereits durchgeführter Verkaufsaktionen: Eine frühere Werbeaktion für ein ähnliches Produkt unter vergleichbaren Bedingungen dient als Anhaltspunkt, um die wahrscheinliche Reaktion der Nachfrage auf ein neues Szenario abzuschätzen. Der Simulator berücksichtigt zudem mögliche Kannibalisierungseffekte zwischen Produkten, um zu verhindern, dass eine Werbeaktion für einen Artikel lediglich Umsätze von einem benachbarten Artikel abzieht.

Diese Möglichkeit, vor einer Entscheidung Simulationen durchzuführen, verändert die Arbeitsweise der Vertriebs- und Preisgestaltungsteams: Anstatt eine Werbeaktion auf der Grundlage ungenauer historischer Daten oder bloßer Intuition zu starten, verfügen sie nun über eine quantifizierte Prognose verschiedener Optionen. So können sie bereits im Vorfeld zwischen Absatzvolumen, Marge und Preisimage abwägen, anstatt die Auswirkungen erst im Nachhinein festzustellen.

Für ein Einzelhandelsunternehmen verringert diese Ex-ante-Simulation das Risiko, das mit besonders weitreichenden Werbe- oder Preisentscheidungen verbunden ist (eine schlecht abgestimmte Aktion kann die Marge stark belasten, ohne das erwartete Absatzvolumen zu erzielen), und bietet Sicherheit bei Abwägungen, die ohne ein Prognosetool weitgehend auf der individuellen Erfahrung der Teams beruhen.

Eine KI-gestützte Lösung zur Umsatzprognose sorgt für einen messbaren Return on Investment in mehreren Bereichen, die in direktem Zusammenhang mit der Prognosegenauigkeit stehen: Reduzierung von Lieferengpässen und Überbeständen, Optimierung der Bestellmengen, Zeitersparnis für die Teams bei der manuellen Prognoseerstellung 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 (Preiserhöhungen, die die Nachfrage bremsen, weil deren Sensitivität nicht richtig eingeschätzt 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 Kennzahlen, die von jeder Vertriebsleitung genau im Blick behalten werden.

Zeitersparnis ist ein weiterer konkreter Vorteil: Teams, die ihre Prognosen zuvor manuell, Produkt für Produkt oder Kategorie für Kategorie in Tabellenkalkulationen erstellt haben, können diese Zeit nun für Analysen und Entscheidungsfindungen nutzen, anstatt sie für die Erstellung von Zahlen aufzuwenden. Die Prognosen werden anschließend automatisch angepasst, sobald neue Verkaufszahlen vorliegen, wodurch sich der manuelle Überarbeitungsaufwand während des Berichtszeitraums verringert.

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 ist und je häufiger Beschaffungs- oder Preisentscheidungen getroffen werden, desto schneller schlägt sich die höhere Prognosegenauigkeit in messbaren Gewinnen bei der Marge und beim Lagerbestand nieder.

Ja. MPS wurde für große Einzelhandelskunden entwickelt und ermöglicht die Verwaltung mehrerer Länder, Filialen und Produktkategorien in Verbindung mit einer zentralisierten Steuerung der Prognosen, wobei die Flexibilität auf lokaler Ebene erhalten bleibt.

Diese länderübergreifende Steuerung berücksichtigt, dass sich die Nachfrage von Markt zu Markt unterschiedlich verhält: unterschiedliche saisonale Schwankungen je nach geografischer Lage, länderspezifische Aktionskalender und Feiertage sowie eine Preisempfindlichkeit, die je nach lokaler Kaufkraft variiert. Die Prognose-Engine berücksichtigt diese Besonderheiten marktweise, anstatt ein einheitliches Modell auf das gesamte Netzwerk anzuwenden.

Die zentralisierte Steuerung ermöglicht es einer konzernweiten Supply-Chain- oder Preisgestaltungsabteilung jedoch, einen konsolidierten Überblick über die Prognosen auf Ebene des gesamten Netzwerks zu behalten (was nützlich ist, um Prioritäten bei der Beschaffung zwischen den Märkten abzustimmen oder die Prognosemethoden zwischen den Tochtergesellschaften zu vereinheitlichen), ohne den lokalen Teams dabei Annahmen aufzuerlegen, die für ihren Markt ungeeignet sind.

Für einen länder- oder markenübergreifenden Konzern ist es gerade dieses Gleichgewicht zwischen zentraler Steuerung und lokaler Detailgenauigkeit, das die Prognose wirklich umsetzbar macht: Eine zuverlässige Prognose für das gesamte Netzwerk nützt nichts, wenn sie nicht in relevante Beschaffungs- und Preisentscheidungen für jeden einzelnen Markt umgesetzt wird.

Ja. MPS ist auch für den Einsatz in kleineren Organisationen konzipiert, die nicht den Umfang eines großen nationalen oder internationalen Unternehmens haben. Die im Tool verwendeten Begriffe und Kennzahlen entsprechen denen des Kunden, und die Qualität der Prognosealgorithmen ist 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 dafür ein Datenvolumen erforderlich ist, das mit dem einer nationalen Handelskette vergleichbar ist.

Die Einführung ist zudem so konzipiert, dass sie verhältnismäßig bleibt: Die Integration über den Data Loader passt sich den bereits vorhandenen Datenströmen an, wodurch vermieden wird, dass einer kleineren Organisation 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 von Hand oder in Tabellenkalkulationen erstellt werden, hin zu mehr Zuverlässigkeit bei der Beschaffung und bei Preisentscheidungen – ohne dass die Größe der Organisation die Qualität der vorausschauenden Steuerung beeinträchtigt.

Bei der Nachfrageprognose wird abgeschätzt, was die Kunden kaufen möchten. Bei der Absatzprognose wird abgeschätzt, was tatsächlich verkauft wird, unter Berücksichtigung des verfügbaren Lagerbestands, der Preise und der geplanten Werbeaktionen. Im Falle einer Lieferengpasses stagniert der Absatz, während die Nachfrage weiterhin besteht.

Das BOOPER-Modell berücksichtigt historische Daten, saisonale Schwankungen, Werbeaktionen und Preise, um die Verkaufszahlen jedes Produkts in jeder Filiale zu prognostizieren, und ermöglicht es, die Auswirkungen einer Preisänderung auf die Nachfrage zu simulieren, bevor eine Entscheidung getroffen wird.