Demand Forecasting

Definition: Demand Forecasting (Nachfrageprognose) bezeichnet die systematische Vorhersage der zukünftigen Nachfrage nach Produkten oder Dienstleistungen auf Basis historischer Verkaufsdaten, Zeitreihenmodellen, Machine-Learning-Algorithmen und externer Einflussfaktoren. Präzise Demand-Forecasting-Modelle sind die Grundlage für effiziente Marketing-Budgetplanung (wann und wo investieren?), Bestandsmanagement, Produktionsbzw. Lieferketten-Planung und Promotions-Timing. KI-gestütztes Demand Forecasting integriert strukturierte interne Daten (Verkaufshistorie, Preise, Promotionen) mit externen Signalen (Google Trends, Wetterdaten, Wirtschaftsindikatoren, Social-Media-Suchvolumen) in multivariate Prognosemodelle, die klassische Zeitreihenanalyse in Genauigkeit und Flexibilität übertreffen.

Erläuterung

Demand Forecasting ist eine der ältesten angewandten Statistikdisziplinen in der Wirtschaft. Box-Jenkins ARIMA-Methodik (George E. P. Box, Gwilym Jenkins, University of Wisconsin-Madison, 1970, „Time Series Analysis: Forecasting and Control") etablierte den statistischen Rahmen für univariate Zeitreihenprognosen, der Jahrzehnte die Praxis dominierte. ARIMA (AutoRegressive Integrated Moving Average) kombiniert Autoregression (Abhängigkeit von Vergangenheitswerten), differenzierte Integration (für Stationarität) und Moving Average (Glätten durch Fehlerterme). Saisonale Varianten (SARIMA) modellieren explizit jährliche und wöchentliche Saisonalitäten. Exponential Smoothing-Methoden (Holt-Winters, 1957–1960) gewichten jüngere Beobachtungen stärker als ältere — ein pragmatischer Ansatz, der in vielen Branchen gute Ergebnisse erzielt. Meta (Facebook) Open-Sourced 2017 Prophet (Sean Taylor, Ben Letham), ein skalierbares Zeitreihenmodell für Business-Daten mit automatischer Saisonalitätserkennung, Trend-Änderungs-Detection und Feiertags-Effekten — für Marketing-Teams ohne tiefes Statistikwissen gut handhabbar. Der Machine-Learning-Schub erfolgte durch die Verfügbarkeit grosser Datensätze und Gradient Boosting: LightGBM (Microsoft, Ke Guolin et al., 2017) und XGBoost (Tianqi Chen, University of Washington, 2016) behandeln Demand Forecasting als Regressionsproblem mit Feature Engineering aus Zeitreihen-Lag-Variablen, rollierenden Statistiken und Kalender-Features. Deep Learning (LSTM, Transformer-basierte Zeitreihenmodelle wie Temporal Fusion Transformer, Bryan Lim et al., Oxford, 2021) zeigen auf komplexen, multivariaten Datensätzen weitere Verbesserungen. Amazon (Seattle) gilt als bekanntester Anwender von Large-Scale Demand Forecasting: Das Unternehmen prognostiziert Nachfrage für Millionen von SKUs in Echtzeit und nutzt diese Prognosen für Bestandspositionierung in regionalen Fulfillment-Centern — eine kritische Grundlage für Prime-Lieferversprechen (Same-Day, One-Day-Delivery).

Forecasting-Methoden im Überblick

Klassische Zeitreihenmodelle (ARIMA, Exponential Smoothing): Gut interpretierbar, funktionieren mit wenigen Datenpunkten, erfordern Stationarität und Feature-Unabhängigkeit. ARIMA-Varianten: SARIMA für saisonale Daten, ARIMAX für externe Regressoren. Geeignet für: einzelne Produkte, kurze Datenhistorien, stark saisonale Kategorien. Schwäche: skalieren schlecht auf tausende SKUs und komplexe Abhängigkeiten.
Machine Learning (Gradient Boosting, Random Forest): Behandeln Forecasting als Regressionsproblem: Features sind Lag-Variablen (Verkauf t-1, t-7, t-28), rollende Statistiken (Durchschnitt letzte 4 Wochen), Kalender-Features (Wochentag, Monat, Feiertag), Promotions-Flags und externe Daten (Wetter, Suchtrends). LightGBM und XGBoost sind Standard-Baseline in Kaggle-Forecasting-Wettbewerben. Vorteil: skalieren auf viele SKUs simultan, Integration beliebiger Feature-Typen.
Deep Learning (LSTM, Temporal Fusion Transformer, N-BEATS): LSTM (Long Short-Term Memory) lernt langfristige Abhängigkeiten in Sequenzen — relevant für Produkte mit langen Zyklen oder nachlaufenden Effekten. Temporal Fusion Transformer (Google Brain, 2021) kombiniert Transformer-Attention mit LSTM und ist auf mehreren Benchmark-Datensätzen State-of-the-Art. N-BEATS (Element AI, 2019) ist ein reines Deep-Learning-Modell ohne manuelle Feature-Engineering. Geeignet für: datenreiche Umgebungen (>1.000 Zeitreihen) mit komplexen Mustern.
Externe Signal-Integration: Google Trends als kostenloser Indikator für Suchinteresse nach Produktkategorien — korreliert stark mit Absatz bei Consumer Goods, Mode und Elektronikhardware. Wetterdaten (meteorologische API wie Open-Meteo, OpenWeatherMap) für wetterkorrelierende Kategorien (Getränke, Outdoor-Equipment, Energie). Wirtschaftsindikatoren (Verbraucherpreisindex, Konsumentenvertrauen) für makroökonomisch sensitive Kategorien. Social-Media-Trending-Signale (via Social Listening APIs) für viral getriebene Nachfrageschocks.

Demand Forecasting im Marketing-Kontext

Marketing-Budget-Saisonalisierung: Demand Forecasts bestimmen optimale Werbezeitpunkte: In Phasen antizipierter Nachfragespitzen (Weihnachten, Back-to-School, Valentinstag) erhöht sich Konkurrenz-Werbedruck und CPMs — Marketing-Teams müssen entscheiden, ob Pre-Peak-Budgets (günstigere CPMs, geringere Konversionsabsicht) oder In-Peak-Budgets (höhere CPMs, höhere Konversionsintention) effizienter sind. Forecasting-Modelle quantifizieren erwartete Nachfrage je Woche und ermöglichen rationale Budget-Verteilung.
Promotions-Wirkungsmodellierung: Promotionen (Rabattaktionen, Coupons, Bundles) erzeugen kurzfristige Nachfragespitzen, aber auch Cannibalization (Verkauf in anderen Perioden wird vorgezogen) und Halo-Effekte (verwandte Produkte profitieren). Demand-Forecasting-Modelle mit Promotions-Features quantifizieren Lift-Faktor (wie viel erhöht die Promotion den Absatz), Cannibalization-Rate und optimales Promotions-Timing. Nielson und IRI (jetzt Circana, Chicago) bieten spezialisierte Trade-Promotion-Management-Systeme.
Out-of-Stock-Prävention durch proaktives Forecasting: Out-of-Stock-Situationen in E-Commerce sind direkter Umsatzverlust und schädigen langfristig das Kundenvertrauen. Amazon-interne Studien schätzen Out-of-Stock-Kosten auf 10–15 % des Umsatzes in betroffenen Kategorien. Proaktive Demand-Prognosen ermöglichen Bestellauslösung vor Erschöpfung des Lagerbestands unter Berücksichtigung von Lieferzeiten und Sicherheitspuffern.

Modellvalidierung und Qualitätsmessung

Fehlermetriken: MAPE (Mean Absolute Percentage Error) misst durchschnittliche prozentuale Abweichung zwischen Prognose und Aktualwert — intuitiv interpretierbar, aber verzerrt bei niedrigen Aktualwerten (Division durch Null). MAE (Mean Absolute Error) und RMSE (Root Mean Squared Error) sind robustere Alternativen. sMAPE (Symmetric MAPE) behebt den Symmetriefehler von MAPE. Branchenübliche Zielbereiche: MAPE unter 10 % gilt als exzellent, 10–20 % akzeptabel, über 30 % verbesserungsbedürftig — stark abhängig von Produktkategorie und Prognosehorizont.
Backtesting und Walk-Forward-Validation: Demand-Forecasting-Modelle dürfen nicht auf denselben Daten evaluiert werden, auf denen sie trainiert wurden. Walk-Forward-Validation simuliert reale Bedingungen: Das Modell wird auf historischen Daten trainiert, auf der nächsten Periode evaluiert, dann auf die nächste Periode erweitert — und so iterativ durch die verfügbare Datenhistorie. Dieser Prozess ermöglicht objektive Leistungsbeurteilung und Vergleich alternativer Modelle.

Praxistipp: Beginnen Sie mit Prophet (Open Source, Meta) als Einstieg in automatisiertes Demand Forecasting: Das Tool verarbeitet CSV-Dateien mit Datum und Umsatz und liefert ohne tiefes Statistikwissen gute Ergebnisse für saisonale Daten. Integrieren Sie geplante Promotionen als bekannte Zukunftsvariable in Ihre Modelle — die meisten out-of-the-box-Forecasting-Tools ignorieren diese, was zu systematischer Unterschätzung in Promotionsphasen führt. Validieren Sie Ihre Modelle mit MAPE über mehrere Prognosehorizonte (1 Woche, 4 Wochen, 12 Wochen) — viele Modelle sind auf kurze Horizonte optimiert, performen aber bei langen Planungshorizonten schlecht, was für Budget- und Bestandsplanung kritisch ist.