Demand Forecasting und Replenishment mit KI

# Demand Forecasting und Replenishment mit KI

Es ist der Freitag vor einem langen Feiertagswochenende. Eine regionale Lebensmittelkette hat für Mineralwasser, Grillkohle und Burgerbrötchen eine normale Nachfrage prognostiziert. Dann kommt eine Hitzewelle, ein lokales Festival zieht zusätzliche 40.000 Besucher an, und am Samstagnachmittag sind die Regale leer. Kunden gehen raus und kaufen ihren gesamten Warenkorb beim Wettbewerber.

Das ist ein Stockout: Ein Produkt, das ein Kunde will, steht nicht im Regal. Es kostet den unmittelbaren Verkauf, und oft auch die nächsten Einkäufe dieses Kunden. Das umgekehrte Problem, Overstock, bindet Kapital und führt zu Abschriften und Verderb. Demand Forecasting liegt zwischen diesen beiden Fehlerarten, und KI hat es drastisch präziser gemacht.

Warum Forecasting im Retail schwierig ist

Eine mittelgroße Lebensmittelkette führt vielleicht 40.000 SKUs (Stock Keeping Units, die einzelnen Produkt- und Variantenkennungen) über hunderte Filialen. Das sind Millionen SKU-Filial-Kombinationen, jede mit eigenem Tagesforecast.

Traditionelle Methoden arbeiteten mit einfachen Durchschnitten oder simplen Saisonregeln. Sie scheitern, weil die Nachfrage von vielen überlagerten Signalen getrieben wird:

• Saisonalität: Eis im Sommer, Suppe im Winter, ein Wochenpeak am Wochenende.
• Promotions: Ein „buy one get one“ kann den Absatz verdreifachen und danach eine Delle verursachen, weil die Vorratsschränke voll sind.
• Wetter: Eine Hitzewelle treibt Wasser und Eis; Regen drückt die Kundenfrequenz.
• Lokale Events: Festivals, Sportveranstaltungen, Schulferien.
• Kannibalisierung: Die Promotion einer Cola-Marke nimmt einer anderen den Absatz weg.
• Preiselastizität: Wie stark sich die Nachfrage bewegt, wenn sich der Preis bewegt.

Kein menschlicher Planer kann all das jede Nacht über Millionen Kombinationen abwägen. Machine Learning kann es.

Wie Machine Learning die Nachfrage prognostiziert

Im Kern lernt ein Nachfragemodell Muster aus historischen Verkäufen und den Bedingungen ringsum. Sie füttern es mit Jahren an Daten: verkaufte Einheiten pro SKU pro Filiale pro Tag, plus Kontext (Preis, Promotion-Flag, Wetter, Feiertagskalender). Das Modell lernt die Zusammenhänge und prognostiziert dann die kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünftige Nachfrage bei erwarteten kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünftigen Bedingungen.

Die Feature-Bestandteile

„Features“ sind die Eingangsvariablen, die das Modell nutzt. Ein praxistaugliches Lebensmittelmodell mischt:

• Lag-Features: Verkäufe der letzten Woche, des letzten Monats, derselben Woche im Vorjahr.
• Kalender-Features: Wochentag, Monat, Feiertage, Zahltage.
• Promotion-Features: Rabatttiefe, Displayart, ob ein Wettbewerber ebenfalls promotet.
• Externe Features: Wetterprognose, Flags für lokale Events.

Moderne Retailer nutzen häufig Gradient-Boosted-Tree-Modelle (eine Technik, die viele einfache Entscheidungsbäume kombiniert, bekannt gemacht durch Libraries wie XGBoost und LightGBM), weil sie mit diesen gemischten Signalen gut umgehen und schnell trainieren. Deep-Learning-Modelle werden von größeren Playern für Kategorien mit langem Horizont oder starker Saisonalität eingesetzt.

Ein konkretes Beispiel

Nehmen Sie eine einzelne SKU: 24er-Pack Quellwasser in Filiale 118.

Date        Units  DayOfWeek  Promo  TempF  LocalEvent
2025-07-01    38    Tuesday     0     78        0
2025-07-04   210    Friday      1     94        1
2025-07-05   240    Saturday    1     97        1

Das Modell lernt, dass eine Promotion plus hohe Temperatur plus lokales Event diese SKU weit über ihre Dienstags-Baseline von rund 38 Einheiten hebt. Wenn es ein ähnliches Muster für das kommende Wochenende prognostiziert sieht, sagt es einen Peak voraus, kein normales Wochenende.

Dieser einzelne Insight, angewendet auf jede SKU und jede Filiale, verhindert den Feiertags-Stockout aus der Eingangsszene.

Vom Forecast zum Replenishment

Ein Forecast ist nur nützlich, wenn ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Handlung auslöst. Replenishment ist der Prozess, Ware zu bestellen, um Regale und Lager wieder aufzufüllen. KI-gesteuertes Replenishment überführt den Nachfrageforecast automatisch in eine Bestellung.

Der Schlüsselbegriff ist Safety Stock: zusätzlicher Bestand, um Unsicherheit abzufedern. Je variabler die Nachfrage und je länger die Lieferanten-Lead-Time (die Tage zwischen Bestellung und Wareneingang), desto mehr Safety Stock brauchen Sie.

KI verbessert Replenishment auf zwei Wege:

1. Besserer Basis-Forecast: weniger Rätselraten bedeutet weniger Verschwendung.

2. Klügerer Safety Stock: Das Modell schätzt nicht nur die erwartete Nachfrage, sondern die *Bandbreite* der wahrscheinlichen Nachfrage. Ein engerer, zuverlässigerer Forecast erlaubt weniger Safety Stock bei gleichzeitig vollen Regalen.

Eine einfache Bestellregel

Sobald Sie einen Forecast haben, folgt die Bestellmenge oft einer Regel wie dieser:

order = forecast_demand_over_lead_time
        + safety_stock
        - current_on_hand
        - already_on_order

Wenn für unsere Wasser-SKU der Forecast für die nächsten drei Tage 600 Einheiten beträgt, der Safety Stock 120, der aktuelle Bestand 90 und 200 bereits unterwegs sind, bestellt das System 430 weitere. Kein Planer greift ein, außererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → etwas sieht ungewöhnlich aus.

Auf echte Signale achten

Die besten Systeme ziehen externe Datenfeeds direkt ein. Wetterdienste, Eventkalender und sogar lokale Verkehrsdaten fließen täglich ins Modell. Wenn am Mittwoch eine Hitzewelle in der Prognose auftaucht, passt sich die Wasserbestellung für das Wochenende automatisch am Mittwochabend an, nicht erst nachdem die Regale am Samstag leer sind.

Das ist der praktische Unterschied, den KI macht: Sie reagiert auf veränderte Bedingungen, bevor Menschen sie bemerken würden, und das in einem Umfang, den Menschen nicht abdecken kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

🎬 [VIDEO: „How Retailers Use Machine Learning for Demand Forecasting“ - youtube.com - ein zugänglicher Überblick über Forecasting-Pipelines und Replenishment-Logik]

Häufige Stolperfallen

KI-Forecasting ist mächtig, scheitert aber auf vorhersehbare Weise. Kennen Sie diese Punkte, bevor Sie den Zahlen vertrauen.

Neue Produkte haben keine Historie. Eine brandneue SKU hat keine Verkaufsdaten, aus denen sie lernen kann. Teams behandeln das mit „Cold Start“-Methoden: Muster ähnlicher Produkte übernehmen oder frühe Verkäufe für schnelle Updates nutzen.

Promotions verzerren die Historie. Wenn die Hälfte der Vorjahresverkäufe mit hohem Rabatt stattfand, muss das Modell das wissen, sonst überschätzt es die Nachfrage zum Normalpreis. Kennzeichnen Sie Promotionszeiträume immer in den Daten.

Stockouts verdecken die echte Nachfrage. War ein Regal leer, waren die erfassten Verkäufe null, die echte Nachfrage aber höher. Ein Training auf diesen Rohdaten bringt dem Modell bei, zu niedrig zu prognostizieren. Das nennt man censored demand, und ausgereifte Systeme korrigieren es, indem sie schätzen, was sich verkauft hätte.

Schlechte Bestandsdaten. Wenn das System glaubt, 90 Einheiten seien vorhanden, die echte Zahl aber 40 ist (durch Diebstahl, Beschädigung oder Zählfehler), wird die Bestellung falsch sein, egal wie gut der Forecast ist. Forecast-Genauigkeit und Bestandsgenauigkeit gehören zusammen.

Erfolg messen

Sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen nicht steuern, was Sie nicht messen. Verbreitete Retail-Metriken:

• Forecast-Genauigkeit, oft als MAPE (Mean Absolute Percentage Error) getrackt: die durchschnittliche Größe der Prognoseabweichung in Prozent. Niedriger ist besser.
• In-Stock-Rate: der Prozentsatz der SKU-Filial-Tage, an denen das Produkt verfügbar war.
• Inventory Turns: wie oft Sie den Bestand in einer Periode abverkaufen und ersetzen. Höhere Turns bedeuten weniger gebundenes Kapital.
• Waste- und Abschriftenquote: besonders kritisch für Frische- und verderbliche Kategorien.

Das Ziel ist kein perfekter Forecast. Es ist die richtige Balance zwischen den Kosten eines Stockouts und den Kosten von Overstock, und die unterscheidet sich je Kategorie. Ein verpasster Verkauf bei Toilettenpapier ist ärgerlich; ein verpasster Verkauf bei einer Hochzeitstorte ist eine Krise, und unverkaufter frischer Fisch ist ein Totalverlust.

Frische, Fashion und die Grenzen der Automatisierung

Verschiedene Kategorien brauchen unterschiedliches Tuning.

Frische Lebensmittel haben kurze Haltbarkeit, Overstock bedeutet also Verderb. Forecasts laufen täglich und tendieren zu engerer Bestellung, wobei etwas mehr Stockout-Risiko akzeptiert wird, um Waste zu senken.

Fashion und Bekleidung ist der härteste Fall. Artikel sind saisonal, kurzlebig und werden oft nur einmal verkauft (keine Nachbestellung). Hier verbindet sich Forecasting mit Größenkurvenplanung und aggressivem Abschriften-Timing statt mit stetigem Replenishment.

Staples (Konserven, Reinigungsprodukte) sind am einfachsten: stabile Nachfrage, lange Haltbarkeit, also kann die Automatisierung mit sehr wenig menschlicher Aufsicht laufen.

Ein gut geführter Retailer setzt Automatisierungsgrade je Kategorie. Staples laufen ohne Eingriff. Bei Frische und Fashion prüft ein menschlicher Planer die Ausnahmen. Dieser „Human in the Loop“-Ansatz fängt die seltenen Fälle ab, die das Modell nie gesehen hat, etwa einen viralen Social-Media-Trend oder eine Lieferantenstörung.

Wichtigste Erkenntnisse

• KI-Forecasting kombiniert viele Signale (Saisonalität, Promotions, Wetter, lokale Events) über Millionen SKU-Filial-Kombinationen, etwas, das kein manueller Prozess leisten kann.
• Ein Forecast zahlt sich erst aus, wenn er automatisiertes Replenishment auslöst. Engere, zuverlässigere Forecasts erlauben weniger Safety Stock bei vollen Regalen.
• Datenqualität ist das Fundament. Korrigieren Sie stockout-zensierte Nachfrage, kennzeichnen Sie Promotions und halten Sie Bestandsdaten korrekt, sonst produziert auch das beste Modell schlechte Bestellungen.
• Tunen Sie die Automatisierung je Kategorie. Staples ohne Eingriff laufen lassen, aber bei Frische und Fashion die Ausnahmen von einem Menschen prüfen lassen.
• Messen Sie den Trade-off, nicht die Perfektion. Balancieren Sie die Kosten von Stockouts gegen Overstock und Waste mit Metriken wie In-Stock-Rate, Forecast-Genauigkeit und Inventory Turns.