ujans
Blog
Einzelhandel

Nachfrageprognose und Bestandsplanung: Praxisleitfaden für Handel, Supermarkt und Restaurant

Zu viel Bestand bindet Kapital und verdirbt; zu wenig verliert Verkäufe. Die Nachfrage mit vernünftiger Genauigkeit zu prognostizieren senkt Lagerkosten und entgangenen Umsatz zugleich.

ujans Team··4 Min. Lesezeit

Händler, Supermärkte, Cafés und Restaurants beantworten ständig dieselbe Frage: Wie viel soll ich bestellen? Bestelle ich zu viel, sind Geld und Regalplatz gebunden, Ware verdirbt oder geht in den Rabatt; bestelle ich zu wenig, sehen Kunden ein leeres Regal und gehen zur Konkurrenz. Nachfrageprognose ist der Weg, diese Entscheidung vom Bauchgefühl auf Daten zu stellen.

Warum ist Nachfrageprognose schwer?

Nachfrage ist keine einzelne Zahl, sondern das Ergebnis vieler Faktoren: Saison, Tag und Uhrzeit, Wetter, Feiertage, Aktionen, Preis, Schritte der Konkurrenz, Trends, Events. Außerdem sind Verkaufsdaten nicht die „echte Nachfrage", sondern die „erfüllte Nachfrage": Ist ein Produkt ausverkauft, zeigt der Verkauf null, obwohl Nachfrage bestand. Daher ist es wichtig, Ausverkaufszeiträume in den Daten zu markieren.

Grundansätze

  1. Einfache historische Durchschnitte: Der Durchschnitt der letzten Wochen, derselbe Zeitraum des Vorjahres. Schnell, schlicht und für stabile Produkte nützlich.
  2. Saisonalität und Trendanpassung: Wochentags-, Monatsabschnitts- und Saisoneffekte sowie das allgemeine Wachstum oder den Rückgang einrechnen.
  3. Event- und Aktionseffekt: Die Wirkung früherer Aktionen, Feiertage und Events auf den Verkauf messen und auf künftige Pläne anwenden.
  4. Statistische und Machine-Learning-Modelle: Genauere Prognose bei vielen Produkten und Variablen; sie können externe Variablen wie Wetter, Preis und Aktion nutzen.
  5. KI-gestützte Werkzeuge: Verarbeiten Daten automatisch und liefern Vorschläge; mit eigenen Daten verifizieren; siehe KI in Hotellerie und Handel und KI-Prozessautomatisierung.

Das fortgeschrittenste Modell ist nicht immer nötig. Für die meisten kleinen Betriebe genügen saubere Daten, regelmäßige Verfolgung und eine einfache Methode; der eigentliche Gewinn liegt in sauberen und durchgängigen Daten.

Zuerst die Daten vorbereiten

Von der Prognose zur Bestellung: Grundbegriffe

  • Prognostizierte Nachfrage: Erwarteter Verkauf in einem bestimmten Zeitraum.
  • Lieferzeit (Lead Time): Zeit von der Bestellung bis zur Lieferung.
  • Sicherheitsbestand: Ein Puffer gegen Abweichungen bei Nachfrage oder Lieferung. Er steigt mit der Variabilität der Nachfrage und der Lieferzeit; festgelegt nach Kritikalität und Kosten des Produkts.
  • Meldebestand: Fällt der Bestand auf dieses Niveau, wird bestellt (erwartete Nachfrage während der Lieferzeit plus Sicherheitsbestand).
  • Bestellmenge: Nach Beschaffungskosten, Lagerkosten, Rabattstaffeln und Haltbarkeit.
  • Verderbliche Produkte: Bei Lebensmitteln und Frischware wird kurzzyklisch und häufiger bestellt; das Schwundrisiko sind die Kosten des Prognosefehlers.

Produktklassifizierung

Nicht jedes Produkt braucht dieselbe Sorgfalt:

  • Nach Verkaufswert (ABC): A (wenige hochwertige Produkte) enge Verfolgung, C (viele geringwertige Produkte) einfache Regeln.
  • Nach Nachfragestabilität (XYZ): X (stabil) ist leicht prognostizierbar, Z (unregelmäßig) braucht Sicherheitsbestand und Flexibilität.
  • Nach Haltbarkeit: Schnell verderbliche Artikel brauchen strenge Kontrolle.

Die Konzentration auf kritische Produkte (Bestseller und schnell verderbliche) macht Ihren Aufwand am wirksamsten.

Anwendung nach Branche

Restaurants und Cafés

Vorbereitung und Bestellung nach täglichen oder wöchentlichen Verkaufs- und Reservierungsdaten; häufige kleine Bestellungen bei Verderblichem wie frischem Obst und Gemüse, Milchprodukten und Fleisch. Zur Vorbereitungsplanung und Schwundminderung siehe Kostenkontrolle und Warenwirtschaft im Restaurant; für Kartenentscheidungen Menü-Engineering; zur Personalplanung Schichtplanung und Personalverwaltung.

Supermärkte und Läden

Saison- und Aktionseffekte, mehrere Filialen und Lagerumlagerung; siehe zentrale Steuerung für Filialbetriebe, Lagerverwaltung und Omnichannel im Handel. Aktions- und Treuedaten prägen die Nachfrage; siehe Treueprogramm aufbauen.

Hotels

Auslastungsprognose; Nachfrage in Verbindung mit Saison und Events; siehe Hotel Revenue Management. Lager, Wäsche und Personal nach Auslastung planen.

E-Commerce

Aktions-, Traffic- und Saisoneffekt; Retourenquote; siehe E-Commerce-SEO und Onlineshop aufbauen.

Genauigkeit messen

Prognose mit den Ist-Werten vergleichen:

  • Mittlerer absoluter Fehler und prozentualer Fehler: Wie weit lag die Prognose daneben?
  • Verzerrung (Bias): Prognostizieren Sie dauerhaft zu viel oder zu wenig?
  • Bestandskennzahlen: Lagerumschlag, Ausverkaufsquote, Schwundquote, Servicegrad.

Fehler mit ihrer Ursache analysieren (Aktion, Wetter, Ausverkauf?) und Modell oder Regel aktualisieren. Zur Verfolgung der Kennzahlen im Panel siehe KPIs und Management-Dashboard und Power BI.

Menschliches Urteil und Ausnahmen

Ein Modell kennt die Datenhistorie, aber nicht unbedingt einen neuen Konkurrenten nebenan, ein lokales Event oder einen in den sozialen Medien explodierten Trend. Die Prognose mit Fachurteil anzupassen und Anpassungen festzuhalten (um später zu lernen) ist gute Praxis. Für neue Produkte gibt es keine Historie; beginnen Sie bei ähnlichen Produkten und kleinen Pilotbestellungen.

Datensicherheit und Kontinuität

Umsatz- und Bestandsdaten sind die Entscheidungsgrundlage: sichern, Zugriff begrenzen und für Systemausfälle eine alternative Methode vorhalten; siehe Backup-Strategie, Kassensicherheit und Disaster-Recovery-Plan.

Häufige Fehler

  • Vergangene Verkäufe für echte Nachfrage halten und Ausverkaufszeiträume nicht korrigieren,
  • Der Prognose vertrauen, wenn der Bestand falsch ist,
  • Dieselbe Methode auf alle Produkte anwenden,
  • Sicherheitsbestand nicht berechnen oder zu groß halten,
  • Die Prognosegenauigkeit nie messen,
  • Aktionen, Wetter und Events nicht in den Kalender aufnehmen,
  • Große, seltene Bestellungen bei Verderblichem,
  • Ein überkomplexes Modell ohne Datenbereinigung bauen.

Ein Startplan

  1. Die 20–30 wichtigsten Produkte wählen (per ABC-Analyse).
  2. Verkaufs- und Ausverkaufsdaten der letzten 12 Monate bereinigen.
  3. Mit einer einfachen Methode prognostizieren (gleitender Durchschnitt plus Saison).
  4. Sicherheitsbestand und Meldebestand je Produkt festlegen.
  5. Genauigkeit monatlich messen und verbessern.
  6. Mit wachsender Datenbasis zu fortgeschritteneren Modellen oder KI-Werkzeugen übergehen.

ujans lässt Nachfrageprognose und Bestandsplanung mit Ihren Daten funktionieren, indem es Kasse, Bestand und Reporting integriert.

Sie suchen Unterstützung zu diesem Thema?

Beschreiben Sie Ihr Anliegen – unser Team meldet sich innerhalb eines Werktags.

Angebot anfordern