Demand Forecasting im E-Commerce: Methoden, Formeln und Tools

Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Eine Lagerleiterin sagte mir einmal, das Schlimmste an ihrem Job sei nicht, dass die Ware ausgehe. Schlimmer sei es, eine Palette mit dem Bestseller der letzten Saison vier Monate lang unberührt herumstehen zu sehen. Beide Probleme gehen auf dieselbe Ursache zurück: eine Prognose, die nicht zur Realität passte.
Demand Forecasting ist die Praxis, vorherzusagen, wie viel Sie von jedem Produkt in einem künftigen Zeitraum verkaufen werden, damit Sie entsprechend einkaufen, Personal planen und Marketing betreiben können. Gelingt das, fließt der Bestand reibungslos. Gelingt es nicht, verlieren Sie entweder Umsatz durch leere Regale oder binden Kapital in unverkaufter Ware.
Dieser Leitfaden zeigt die Prognosemethoden, die im E-Commerce wirklich funktionieren, die Formeln dahinter und wie Sie messen, ob sich Ihre Prognosen mit der Zeit verbessern.
Warum sich Prognosegenauigkeit lohnt
Schlechte Prognosen sind in beide Richtungen teuer. Unterversorgen Sie einen Bestseller, verlieren Sie den Verkauf, oft dauerhaft, weil viele Käufer lieber bei einem Wettbewerber bestellen, als zu warten. Überversorgen Sie einen Langsamdreher, binden Sie Kapital und Lagerfläche und brauchen am Ende einen Preisnachlass, nur um ihn loszuwerden.
Das Ausmaß dieses Problems im gesamten Handel ist größer, als die meisten Händler annehmen. Eine von The Food Institute berichtete Untersuchung der IHL Group kam zu dem Ergebnis, dass Inventory Distortion (die kombinierten Kosten aus Fehlbeständen und Überbeständen) den Handel weltweit schätzungsweise $1,77 Billionen pro Jahr kostet, aufgeteilt in etwa $1,2 Billionen entgangene Umsätze durch Fehlbestände und $562 Milliarden, die in Überbeständen gebunden sind.
Wichtige Fakten: Demand Forecasting
- Globale Inventory Distortion (Fehlbestände plus Überbestände zusammen) kostet den Handel schätzungsweise $1,77 Billionen pro Jahr, laut einer von The Food Institute berichteten Untersuchung der IHL Group.
- Eine wegweisende Studie der Forscher Thomas Gruen und Daniel Corsten ergab, dass die weltweite durchschnittliche Out-of-Stock-Rate im Einzelhandel mit schnelldrehenden Konsumgütern in entwickelten Volkswirtschaften 8,3% betrug.
- Bei einer Out-of-Stock-Rate von 8,3% hat ein Käufer nur eine Chance von etwa 42%, alle Artikel einer Liste mit zehn Produkten vorrätig zu finden. Das zeigt, wie sich kleine Fehlerquoten pro Produkt über ein Sortiment hinweg aufsummieren.
Die meisten E-Commerce-Unternehmen spüren diesen Schmerz ungleichmäßig. Eine Handvoll Hero-SKUs erzeugt den Großteil des Umsatzes und des Fehlbestandsrisikos, während ein langer Schwanz aus Langsamdrehern still Kapital absorbiert, das den nächsten Bestseller finanzieren könnte. Gutes Forecasting lenkt Ihre Aufmerksamkeit genau dorthin, wo ein Fehler am teuersten ist.
Prognosemethoden, die im E-Commerce funktionieren
Nicht jede Methode passt zu jedem Produkt. Der richtige Ansatz hängt davon ab, wie viel Verkaufshistorie Sie haben, wie volatil die Nachfrage ist und wie viel Vorlaufzeit Ihre Lieferanten benötigen.

Historischer Durchschnitt und Trendextrapolation. Der einfachste Ausgangspunkt: Nehmen Sie die Verkäufe desselben Zeitraums im Vorjahr, passen Sie sie um Ihre allgemeine Wachstumsrate an und verwenden Sie das Ergebnis als Basisprognose. Das funktioniert für stabile, nicht saisonale Produkte mit mindestens einem Jahr sauberer Verkaufsdaten recht gut, bricht aber bei neuen Produkten oder unregelmäßiger Nachfrage schnell zusammen.
Gleitende Durchschnitte. Statt eines einzelnen historischen Zeitraums glättet ein gleitender Durchschnitt kurzfristiges Rauschen, indem er die Verkäufe über ein rollierendes Fenster mittelt (etwa die letzten 8 oder 12 Wochen). Das verringert das Risiko, auf eine ungewöhnlich starke oder schwache Woche überzureagieren, hinkt echten Trendwechseln aber hinterher.
Exponentielle Glättung. Eine Weiterentwicklung des gleitenden Durchschnitts, die jüngere Zeiträume stärker gewichtet als ältere. Die Prognose reagiert so schneller auf echte Nachfrageverschiebungen und filtert trotzdem Rauschen heraus. Sie ist eine Standardmethode in den meisten Bestands- und Demand-Planning-Tools, und es lohnt sich, die Mechanik zu verstehen, auch wenn die Software die Berechnung übernimmt.
Saisonale Zerlegung. Zerlegen Sie bei Produkten mit klarem Jahresmuster Ihre Verkaufshistorie vor der Prognose in Trend-, Saison- und Restkomponente. Das ist die Methode hinter einer präzisen saisonalen Produktplanung, denn ein reiner historischer Durchschnitt unterschätzt bei jedem saisonalen Produkt den Spitzenwert deutlich und überschätzt den Tiefpunkt.
Qualitative Überlagerungen. Keine Formel erfasst einen viralen Social-Media-Moment, einen Wettbewerber mit Lieferengpass oder eine geplante Marketingaktion. Legen Sie qualitatives Urteilsvermögen über das quantitative Ergebnis: Der geplante Aktionskalender, bekannte Lieferstörungen und Kategorietrenddaten gehören in die endgültige Zahl, nicht nur die historische Rechnung.
Für die meisten Sortimente kombiniert der praktische Ansatz mehrere Methoden: exponentielle Glättung oder gleitende Durchschnitte für gleichmäßige Verkäufer, saisonale Zerlegung für alles mit Jahresmuster und eine qualitative Korrekturschicht für geplante Geschäftsereignisse, die die historischen Daten nicht sehen können.
Die zentrale Prognoseformel
Eine einfache, nachvollziehbare Formel schlägt ein Black-Box-Modell, dem Sie nicht genug vertrauen, um danach zu handeln. Hier ist eine Variante, die für die meisten E-Commerce-Sortimente funktioniert:
Basisprognose = Verkäufe der Vorperiode × (1 + Wachstumsrate)
Angepasste Prognose = Basisprognose × Saisonfaktor × Trendfaktor
Sicherheitsbestand = Angepasste Prognose × Sicherheitsprozentsatz (typisch 15-25%)
Gesamte Bestellmenge = Angepasste Prognose + Sicherheitsbestand
Rechenbeispiel:
Verkäufe des Vorjahres für diesen Zeitraum: 1.000 Einheiten
Jährliche Wachstumsrate: 15%
Basisprognose: 1.000 × 1,15 = 1.150 Einheiten
Saisonfaktor (dieser Zeitraum liegt über dem Durchschnitt): 1,10
Trendfaktor (Produkt gewinnt an Zugkraft): 1,05
Angepasste Prognose: 1.150 × 1,10 × 1,05 = 1.328 Einheiten
Sicherheitsbestand (20%): 266 Einheiten
Gesamte Bestellmenge: 1.594 Einheiten
Der Sicherheitsprozentsatz sollte mit zwei Dingen skalieren: wie unsicher Ihre Prognose ist und wie teuer ein Fehlbestand bei genau diesem Produkt wäre. Ein Hero-Produkt mit dünner Marge beim Fehlbestandsrisiko (Kunden wechseln sofort die Marke) verdient einen höheren Sicherheitsprozentsatz als ein langsam drehendes Zubehörteil, auf das Kunden gern eine Woche warten.
Dateneingaben, die die Prognosequalität verbessern
Die Formel ist nur so gut wie das, was sie speist. Über die reine Verkaufshistorie hinaus verbessern einige zusätzliche Eingaben die Genauigkeit zuverlässig.

Daten aus dem Aktionskalender. Jeder geplante Rabatt, Flash Sale oder jedes Bundle verändert die erwartete Nachfrage für die betroffenen Produkte. Speisen Sie Ihren Kalender aus der saisonalen und Promotion-Strategie direkt in die Prognose ein, damit eine geplante Aktion Ihre Bestandsplanung nicht überrascht, wie es passiert, wenn Forecasting und Aktionsplanung in getrennten Tabellen stattfinden.
Externe Trendsignale. Suchtrenddaten, Social-Media-Erwähnungen und der Lagerstatus von Wettbewerbern bewegen die Nachfrage unabhängig von Ihrem eigenen historischen Muster. Ein Produkt, das in einem viralen Video erwähnt wird, kann jede rein auf vergangenen Verkäufen basierende Prognose übertreffen. Bauen Sie deshalb einen manuellen Override-Prozess für solche Ereignisse auf, statt davon auszugehen, dass die Formel sie erfasst.
Vorlaufzeit und Lieferantenzuverlässigkeit. Prognosegenauigkeit zählt weniger, wenn die Vorlaufzeit Ihres Lieferanten unberechenbar ist. Erfassen Sie für jeden Lieferanten die tatsächliche Lieferzeit im Vergleich zur zugesagten Vorlaufzeit und bauen Sie diese Abweichung in den Zeitpunkt Ihrer Nachbestellung ein, nicht nur in die Menge.
Nachfrage auf Kanalebene. Wenn Sie über Ihre eigene Website, Amazon und den Großhandel verkaufen, unterscheiden sich die Nachfragemuster oft je Kanal, selbst bei derselben SKU. Eine Prognose auf Kanalebene, die anschließend zu einer gesamten Bestellmenge aufsummiert wird, erfasst Verschiebungen, die eine gemischte Prognose übersehen würde.
Prognosefehler messen und verbessern
Was Sie nicht messen, können Sie nicht verbessern, und die meisten E-Commerce-Teams erfassen die Prognosegenauigkeit nie formal, bis eine schlechte Saison das Gespräch erzwingt.

Die Standardkennzahl ist der Mean Absolute Percentage Error, kurz MAPE. Er misst, wie weit Ihre Prognose in Prozent der tatsächlichen Verkäufe danebenlag:
MAPE = (|Ist-Verkäufe - Prognostizierte Verkäufe| / Ist-Verkäufe) × 100
Beispiel:
Prognose: 1.000 Einheiten
Ist: 1.150 Einheiten
MAPE = (|1.150 - 1.000| / 1.150) × 100 = 13%
Ein niedrigerer MAPE bedeutet eine genauere Prognose. Es gibt kein universelles Ziel, da die akzeptable Genauigkeit je nach Kategorie und Nachfragevolatilität variiert. Wenn Sie aber Ihren eigenen MAPE über die Zeit nach Produktkategorie verfolgen, sehen Sie genau, wo sich der Prognoseaufwand auszahlt und wo nicht.
Verfolgen Sie die Genauigkeit nach Kategorie, nicht nur insgesamt. Ein gemischter MAPE über Ihr gesamtes Sortiment verbirgt die eigentliche Geschichte. Stabile, volumenstarke Produkte lassen sich vielleicht auf 10% genau prognostizieren, während neue oder stark saisonale Produkte 40% oder mehr abweichen können. Wenn Sie wissen, welche Kategorien am schwersten zu prognostizieren sind, wissen Sie, wo Sie Sicherheitsbestand aufbauen, Nachbestellzyklen verkürzen oder in bessere Daten investieren sollten.
Prüfen Sie die Ausreißer, nicht nur die Durchschnitte. Die Produkte mit der größten Prognoseabweichung verdienen eine Ursachenanalyse. War es eine Lieferstörung, ein übersehenes Aktionssignal, ein externer Trend, den niemand bemerkt hat, oder schlicht zu wenig Historie bei einem neuen Produkt? Jede Ursache führt zu einer anderen Lösung.
Speisen Sie Genauigkeitsdaten in die nächste Prognose zurück. Läuft eine Kategorie durchgehend 20% über der Prognose, ist das kein Rauschen, sondern ein Signal, dass Ihre Annahme zur Wachstumsrate für genau diese Kategorie zu konservativ ist. Passen Sie die Eingabe an, nicht nur den Puffer beim Sicherheitsbestand.
Prognose-Tools und -Systeme
Manuelles Forecasting in Tabellen funktioniert bei kleinen Sortimenten, skaliert aber nicht mehr, sobald Sie mehr als ein paar Dutzend SKUs über mehrere Kanäle verwalten.
Spezialisierte Demand-Planning-Software automatisiert die Berechnung von gleitendem Durchschnitt, exponentieller Glättung und saisonaler Zerlegung und ergänzt Meldepunkt-Alerts und die Erfassung von Lieferantenvorlaufzeiten. Die meisten Plattformen lassen sich direkt in Ihr Inventory-Management-System integrieren, sodass Prognose und Bestellung im selben Workflow liegen statt in zwei getrennten Tools.
Priorisieren Sie bei der Bewertung einer Plattform drei Fähigkeiten vor auffälligen Dashboards: die Möglichkeit, auf Kanalebene zu prognostizieren (nicht nur die Gesamtnachfrage), einen sichtbaren MAPE- oder Genauigkeitsbericht, mit dem Sie die Leistung des Tools selbst prüfen können, und einen einfachen Weg, manuelle Overrides über die automatische Prognose zu legen, für bekannte Ereignisse, die der Algorithmus nicht sehen kann.
Welches System Sie auch nutzen, widerstehen Sie der Versuchung, sein Ergebnis als unfehlbar zu behandeln. Die zuverlässigsten Prognoseprozesse kombinieren eine automatisierte statistische Basis mit einem menschlichen Prüfschritt, besonders bei Hero-Produkten, bei denen ein Fehlbestand oder Überbestand die höchsten Kosten verursacht.
Eine Prognosegewohnheit aufbauen, nicht nur eine Prognose
Eine Prognose, die Sie einmal berechnen und dann vergessen, ist kaum besser als gar keine. Die Unternehmen, die echten Nutzen aus Demand Forecasting ziehen, behandeln es als wiederkehrende Gewohnheit, die mit ihren Prozessen für Produktrecherche und Validierung und Analytics und Tracking verknüpft ist, nicht als einmalige Tabellenübung.
Legen Sie einen festen Review-Rhythmus fest: wöchentlich für Hero-Produkte vor einer Spitzenphase, monatlich für das übrige Sortiment. Vergleichen Sie in jedem Zyklus Prognose und Ist-Werte, berechnen Sie den MAPE und korrigieren Sie die Eingaben, die falsch waren, statt nur die Zahl für den Sicherheitsbestand aufzupolstern, bis keine Probleme mehr im Dashboard auftauchen.
Nach zwei oder drei Zyklen dieser Disziplin sehen die meisten Teams ihre Prognosegenauigkeit spürbar steigen, nicht weil die Formel klüger wurde, sondern weil die Eingaben besser wurden. Das ist der eigentliche Gewinn von Demand Forecasting: keine perfekte Vorhersage, sondern ein Prozess, der bei jedem Durchlauf weniger danebenliegt.
Häufig gestellte Fragen zu Demand Forecasting
Was ist Demand Forecasting im E-Commerce?
Demand Forecasting ist der Prozess, vorherzusagen, wie viel Sie von jedem Produkt in einem künftigen Zeitraum verkaufen werden, auf Basis historischer Verkaufsdaten, saisonaler Muster und externer Signale, damit Sie Bestand, Personal und Marketing planen können, ohne zu viel zu kaufen oder auszuverkaufen.
Welche Demand-Forecasting-Methode ist im E-Commerce die beste?
Die meisten E-Commerce-Sortimente profitieren von einer Kombination aus Methoden: exponentielle Glättung oder gleitende Durchschnitte für stabile Produkte, saisonale Zerlegung für Produkte mit klarem Jahresmuster und eine qualitative Überlagerung für bekannte Aktions- oder Trendereignisse, die historische Daten allein nicht erfassen können.
Wie berechnet man den Sicherheitsbestand?
Der Sicherheitsbestand wird typischerweise als angepasste Nachfrageprognose multipliziert mit einem Sicherheitsprozentsatz berechnet, oft 15% bis 25%. Der genaue Prozentsatz richtet sich nach der Prognoseunsicherheit und danach, wie teuer ein Fehlbestand bei genau diesem Produkt wäre.
Was ist MAPE und warum ist er wichtig?
MAPE, also Mean Absolute Percentage Error, misst in Prozent, wie weit eine Prognose von den tatsächlichen Verkäufen abwich. Wenn Sie den MAPE über die Zeit nach Produktkategorie verfolgen, sehen Sie genau, wo Ihr Prognoseprozess genau ist und wo er bessere Eingaben braucht.
Was kosten schlechte Nachfrageprognosen den Handel?
Die weltweite Inventory Distortion aus Fehlbeständen und Überbeständen zusammen wird im Handel auf $1,77 Billionen pro Jahr geschätzt, laut einer von The Food Institute berichteten Untersuchung der IHL Group. Das zeigt, wie viel Umsatz und Kapital auf dem Spiel stehen, wenn Prognosen danebenliegen.
Wie oft sollte ich meine Nachfrageprognose aktualisieren?
Prüfen Sie Hero-Produkte wöchentlich, besonders vor einer Spitzenphase, und das übrige Sortiment monatlich. Vergleichen Sie in jedem Zyklus Prognose und tatsächliche Verkäufe und passen Sie die zugrunde liegenden Eingaben an, nicht nur den Puffer beim Sicherheitsbestand, wenn eine Kategorie durchgehend danebenliegt.
Verwandte Ressourcen
Stärken Sie Ihr Prognose- und Bestandssystem mit diesen verwandten Leitfäden:
- Bestandsmanagement - Machen Sie aus präzisen Prognosen Meldepunkte und Einkaufsentscheidungen.
- Saisonale Produktplanung - Wenden Sie die saisonale Zerlegung auf Ihre umsatzstärksten Phasen an.
- Saison- und Aktionsstrategie - Speisen Sie Ihren Aktionskalender in die Prognose ein, statt beides getrennt zu behandeln.
- Dynamic Pricing - Stimmen Sie Preisentscheidungen auf dieselben Nachfragesignale ab, die Ihre Prognose antreiben.
- Produktrecherche und -validierung - Bauen Sie frühe Nachfragesignale für neue Produkte auf, bevor historische Daten existieren.
- Analytics- und Tracking-Setup - Richten Sie die Datenpipeline ein, die Ihre Prognoseeingaben sauber hält.

Sales Operations Practice Lead
On this page
- Warum sich Prognosegenauigkeit lohnt
- Prognosemethoden, die im E-Commerce funktionieren
- Die zentrale Prognoseformel
- Dateneingaben, die die Prognosequalität verbessern
- Prognosefehler messen und verbessern
- Prognose-Tools und -Systeme
- Eine Prognosegewohnheit aufbauen, nicht nur eine Prognose
- Verwandte Ressourcen