Bedarfsprognose mit KI: 5 Schritte zu weniger Fehlbeständen im B2B

Kennen Sie die Situation? Ein wichtiger Kunde bestellt wie üblich, doch der Artikel ist nicht verfügbar. Gleichzeitig stehen in einem anderen Regal Paletten, die seit Monaten niemand angerührt hat. Fehlbestände und Überbestände existieren im selben Betrieb, oft zur selben Zeit. Das ist kein Zufall, sondern das Ergebnis einer Prognose, die auf Erfahrungswerten und Tabellen beruht.

KI-gestützte Bedarfsprognosen gehören zu den Anwendungen, bei denen künstliche Intelligenz im B2B-Handel heute schon greifbaren Nutzen bringt. Für mittelständische Hersteller und Großhändler, die ihren Einkauf noch manuell steuern, ist das eine Chance, aber auch ein Projekt mit typischen Fallen, wie wir sie im Beitrag zu den Kostenfallen bei KI-Projekten beschrieben haben. Die folgenden fünf Schritte zeigen, wie eine Prognose aufgebaut wird, die tatsächlich im Arbeitsalltag ankommt.

Schritt 1: Die Datenbasis sauber zusammenführen

Eine Prognose ist nur so gut wie die Daten, auf denen sie beruht. In vielen Betrieben liegen die relevanten Informationen verteilt auf ERP, Onlineshop, Kundenportal und manchmal noch in separaten Vertriebsdateien. Solange diese Quellen nicht zusammengeführt sind, rechnet jedes Modell im Dunkeln.

Der erste Schritt ist deshalb keine KI-Frage, sondern eine Datenfrage. Welche Systeme erfassen Bestellhistorie, Lagerbestände, offene Aufträge und Lieferzeiten? Wie aktuell und vollständig sind diese Daten?

Praktisch bedeutet das: ERP und Shop müssen über eine Schnittstelle miteinander sprechen, sodass Verkaufsdaten aus dem Onlinekanal automatisch in die Prognose einfließen. Wer das noch nicht hat, sollte diesen Schritt vorziehen, bevor er in KI-Software investiert. Worauf es dabei ankommt, zeigt unser Beitrag zur Systemintegration von ERP, PIM und Shop.

Schritt 2: Modell und Zeithorizont je Artikelgruppe festlegen

Nicht jeder Artikel braucht dieselbe Prognoselogik. Schnelldreher mit stabiler Nachfrage lassen sich gut mit statistischen Zeitreihen abbilden. Langsamdreher, saisonale Produkte oder Artikel mit wenigen, aber großen Abnehmern brauchen andere Ansätze. KI-Systeme kombinieren dabei klassische Verfahren wie gleitende Durchschnitte mit maschinellem Lernen, das externe Einflüsse wie Wochentage oder Branchentrends einbeziehen kann.

Für die Praxis empfiehlt sich eine Einteilung der Artikel nach Wert und Planbarkeit (ABC-XYZ-Analyse):

• A-Artikel mit stabiler Nachfrage: kurzer Zeithorizont, häufige Prognose
• A-Artikel mit schwankender Nachfrage: längerer Zeithorizont, mehr Puffer
• C-Artikel: vereinfachte Prognose, gegebenenfalls fester Mindestbestand

Diese Einteilung verhindert, dass Aufwand auf Artikel verwendet wird, die kaum Einfluss auf Lieferfähigkeit und Kapitalbindung haben.

Schritt 3: Sonderfälle strukturiert einbauen

Tabellen-Prognosen scheitern häufig an Sonderfällen: Saisonspitzen, Aktionswochen, Rahmenverträge mit festen Abrufmengen oder neue Kunden, die das Bestellmuster verändern. KI-Systeme erkennen Saisonalität automatisch, wenn die Datenhistorie lang genug ist, in der Regel mindestens zwei bis drei Jahre. Rahmenverträge und geplante Aktionen müssen dagegen als Planungsdaten hinterlegt werden. Das System lernt aus der Vergangenheit, kennt die Zukunft aber nur, wenn Sie sie ihm mitteilen.

Konkret sollten geplante Aktionen und Preisänderungen, Rahmenverträge mit festen Abrufmengen, bekannte Saisonmuster wie Messetermine sowie neue Großkunden in das Modell einfließen. Das Einpflegen ist Aufwand, zahlt sich aber schnell aus.

Schritt 4: Die Prognose an Einkauf und Disposition anbinden

Hier liegt der häufigste Fehler. Das Modell läuft, liefert Ergebnisse, und diese landen als Bericht im Postfach des Einkäufers. Der schaut drauf, zweifelt und bestellt nach Bauchgefühl.

Eine KI-Bedarfsprognose entfaltet ihren Nutzen nur, wenn sie direkt in die Disposition eingebunden ist: Die Prognosewerte fließen automatisch in Bestellvorschläge des ERP. Der Einkäufer sieht einen konkreten Vorschlag mit Begründung und kann ihn freigeben, anpassen oder ablehnen. Dafür braucht es klare Zuständigkeiten: Wer pflegt die Stammdaten? Wer gibt Vorschläge frei? Wer kümmert sich, wenn die Prognose erkennbar falsch liegt?

Schritt 5: Ergebnisse messen und nachsteuern

Eine Bedarfsprognose ist kein Projekt, das man einmal aufsetzt und dann vergisst. Modelle verlieren an Genauigkeit, wenn sich Nachfrage, Sortiment oder Lieferketten verändern. Diese Kennzahlen sollten monatlich mit Einkauf und Vertrieb besprochen werden:

• Lieferfähigkeit: Anteil der Aufträge, die vollständig und termingerecht erfüllt werden
• Lagerreichweite: wie viele Tage der Bestand beim erwarteten Verbrauch reicht
• Kapitalbindung: welcher Wert im Lager gebunden ist und wie er sich entwickelt
• Prognosegenauigkeit: der mittlere prozentuale Fehler je Artikelgruppe

Lagerbestand optimieren heißt nicht, möglichst wenig zu lagern. Es heißt, zur richtigen Zeit die richtigen Mengen verfügbar zu haben. Wie sich Engpässe gegenüber Kunden offen kommunizieren lassen, beschreibt unser Beitrag zu Lieferengpässen im B2B-Shop.

Häufige Stolperfallen bei der Einführung

• Zu hohe Erwartungen: KI verbessert Prognosen, ersetzt aber kein Marktwissen. Ein Einkäufer, der weiß, dass ein Großkunde seine Strategie umstellt, kennt etwas, das kein Algorithmus kennt.
• Zu wenig Historie: Wenige Monate Daten tragen keine belastbaren Muster. Historische Daten aus dem ERP rückwirkend zu übernehmen hilft.
• Fehlende Akzeptanz: Wenn das Team das System als Kontrolle statt als Hilfe sieht, wird daran vorbeigearbeitet. Frühe Einbindung und offene Kommunikation über Ziele und Grenzen sind entscheidend.

Fazit: Prognose als strategisches Werkzeug

Eine KI-gestützte Bedarfsprognose ist kein IT-Projekt, sondern ein Werkzeug für Einkauf, Vertrieb und Geschäftsführung: Sie reduziert Fehlbestände, setzt Kapital frei und stabilisiert die Lieferfähigkeit. Der Einstieg muss nicht mit einem Großprojekt beginnen. Sinnvoller ist es, mit einer Artikelgruppe zu starten, die Prognose dort zu prüfen und dann schrittweise auszuweiten.

Sie möchten wissen, ob Ihre Daten für eine KI-Bedarfsprognose bereitstehen und wo Sie anfangen sollten? In einem kostenlosen Strategiegespräch klären wir den sinnvollsten ersten Schritt.