.png)
Eine Absatzprognose ist die Vorhersage, welche Menge eines Produkts in einem bestimmten Zeitraum an einem bestimmten Ort verkauft wird. So einfach die Definition, so gross die Wirkung: Die Absatzprognose ist die Grundlage fast jeder betrieblichen Entscheidung - von der täglichen Produktionsmenge über den Einkauf bis zur Personalplanung.
Dieser Artikel erklärt die Definition, die gängigen Methoden und was gute von schlechten Prognosen unterscheidet - mit Praxisbeispielen aus der Lebensmittelbranche.
Definition: Was ist eine Absatzprognose?
Eine Absatzprognose (englisch: sales forecast oder demand forecast) schätzt die zukünftige Nachfrage auf Basis von Daten aus der Vergangenheit und bekannten Einflussfaktoren. Die drei Dimensionen jeder Prognose sind: Was (welches Produkt), wo (welcher Standort oder Kanal) und wann (welcher Tag, welche Woche). Je feiner diese Auflösung, desto nützlicher die Prognose - eine Monatszahl für das Gesamtsortiment hilft der täglichen Produktion wenig, eine Tagesmenge pro Artikel und Filiale sehr.
Die Methoden im Überblick
1. Erfahrungsschätzung. Die älteste Methode: Ein Mensch schätzt aufgrund von Erfahrung. Stärke: nutzt Kontextwissen. Schwäche: skaliert nicht über viele Produkte, ist personenabhängig und systematisch verzerrt - etwa durch Übergewichtung der letzten Tage.
2. Naive Verfahren und Mittelwerte. "Wie letzte Woche" oder der Durchschnitt der letzten vier Wochen. Einfach umzusetzen, aber blind für Wetter, Feiertage und Trends - jede Abweichung vom Durchschnitt wird zum Planungsfehler.
3. Klassische Statistik. Verfahren wie exponentielle Glättung oder saisonale Zeitreihenmodelle erkennen Trends und wiederkehrende Muster. Solide für stabile Nachfrage, aber schwach, sobald viele externe Faktoren gleichzeitig wirken.
4. Machine Learning. Moderne KI-Modelle lernen aus grossen Datenmengen, wie Dutzende Faktoren - Wetter, Wochentag, Ferien, Saison, Standort - gemeinsam auf die Nachfrage wirken. Sie liefern feinkörnige Prognosen pro Artikel und Standort und passen sich laufend an. Wie das Grundprinzip funktioniert, erklärt der Artikel Was ist Machine Learning?
Praxisbeispiel: die Bäckerei
Kaum eine Branche zeigt den Wert von Absatzprognosen so deutlich wie die Bäckerei: verderbliche Produkte, tägliche Vorproduktion, stark schwankende Nachfrage. Eine gute Prognose beantwortet hier jeden Tag hunderte Fragen - wie viele Gipfeli für Filiale A am Dienstag bei Regen, wie viele Zopf am Samstag vor den Ferien?
GoNina liefert genau diese Prognosen: täglich, pro Artikel und Standort, für die nächsten sieben Tage, als konkrete Bestellvorschläge im gewohnten Ablauf. Betriebe reduzieren damit ihren Überschuss um bis zu 52%, steigern den Umsatz um bis zu 6% und sparen bis zu 12 Stunden Planungszeit pro Monat.
Woran man eine gute Prognose erkennt
Auflösung: pro Produkt, Standort und Tag - nicht nur Monatsdurchschnitte. Externe Faktoren: Wetter, Feiertage und Ferien fliessen ein. Lernfähigkeit: Neue Verkaufsdaten verbessern die Prognose laufend. Anschlussfähigkeit: Die Zahlen landen als Bestellvorschläge im Arbeitsablauf, nicht in einem separaten Report. Korrigierbarkeit: Der Mensch behält das letzte Wort für Sondersituationen.
Häufige Fragen
Was ist der Unterschied zwischen Absatz- und Umsatzprognose?
Die Absatzprognose schätzt Mengen (Stück, Kilogramm), die Umsatzprognose Geldbeträge. Für Produktion und Bestellung zählt die Menge - der Umsatz ergibt sich daraus über die Preise.
Wie genau kann eine Absatzprognose sein?
Keine Prognose ist perfekt - die Nachfrage hat immer einen Zufallsanteil. Der relevante Massstab ist der Vergleich mit der bisherigen Methode: Gegenüber Erfahrungsschätzung und Mittelwerten reduzieren ML-Prognosen die Fehler messbar, besonders an untypischen Tagen.
Braucht jede Firma eine Absatzprognose?
Jede Firma hat eine - die Frage ist nur, ob sie implizit im Kopf einer Person existiert oder explizit, datenbasiert und überprüfbar ist. Je verderblicher das Produkt und je schwankender die Nachfrage, desto wertvoller die explizite Prognose.
Fazit
Eine Absatzprognose ist die datenbasierte Antwort auf die täglichste aller Betriebsfragen: Wie viel wovon für wen? Die Methoden reichen vom Bauchgefühl bis zum Machine Learning - und der Sprung zur KI lohnt sich dort am meisten, wo viele Produkte, Standorte und Einflussfaktoren zusammenkommen.
Wie KI Absatzprognosen in der Bäckerei konkret funktionieren, liest du in unserem kompletten Leitfaden.
