Guide

Forecasting im Verkauf: weniger Fehlbestand, planbarer Umsatz

Wie ein Handelsbetrieb aus eigenen Verkaufsdaten eine belastbare Absatzschätzung gewinnt, in einem begrenzten Pilot, mit menschlicher Freigabe.

2026-08-19 · Alpino AI · 5 min read

Ein Regal ist leer, obwohl die passende Ware drei Gänge weiter im Lager steht. Ein anderer Artikel liegt seit vier Monaten und bindet Kapital, das Sie am Monatsende für die Lieferantenrechnung brauchen. Beides passiert im selben Betrieb, in derselben Woche. Der Einkauf plant mit den Zahlen vom Vorjahr, einer Excel-Tabelle und dem Erfahrungswert der Kollegin, die den Laden seit Jahren kennt. Das trägt, solange die Mengen überschaubar bleiben. Wächst das Sortiment, wächst der Aufwand schneller als die Zeit, die dafür da ist.

Forecasting im Verkauf heißt: aus Ihren eigenen Verkaufsdaten eine belastbare Erwartung ableiten, wie viel von einem Artikel in den nächsten Wochen über die Theke geht. Keine Kristallkugel, sondern eine rechenbare Schätzung, die Saison, Wochentag, Aktionen und den Trend der letzten Monate berücksichtigt. Der Nutzen lässt sich benennen: weniger Fehlbestand bei den Artikeln, die laufen, und weniger totes Kapital bei den Artikeln, die liegen.

Was sich im Betriebsalltag ändert

Heute entsteht die Bestellmenge oft am Freitagnachmittag, unter Zeitdruck, aus dem Kopf. Bei den A-Artikeln geht das meist gut, weil man sie kennt. Bei den vielen kleinen Positionen wird gerundet, aufgestockt oder vergessen. Genau dort sammeln sich die zwei teuren Fehler des Handels an: die verpasste Marge, wenn ein gefragter Artikel fehlt, und das gebundene Geld, wenn ein Ladenhüter nachbestellt wird, weil niemand den Bestand im Blick hatte.

Eine Absatzschätzung dreht die Reihenfolge um. Statt jede Position von Hand zu bewerten, bekommt die Einkäuferin für jeden Artikel einen Vorschlag mit Begründung: erwartete Menge für den nächsten Zeitraum, aktueller Bestand, offene Bestellungen, empfohlene Nachbestellung. Die Routinefälle sind damit vorbereitet. Die Aufmerksamkeit wandert auf die Ausnahmen, bei denen ein Mensch wirklich gebraucht wird: ein neuer Artikel ohne Historie, eine angekündigte Aktion, ein Lieferant mit langer Vorlaufzeit.

Was dabei besser wird, ist messbar, sobald der Ausgangspunkt festgehalten ist. Sinnvolle Messpunkte sind der Anteil der Fehlbestände bei den umsatzstärksten Artikeln, die durchschnittliche Reichweite des Lagers in Tagen, der Wert der Artikel, die länger als eine definierte Frist ohne Verkauf liegen, und die Zeit, die pro Bestellzyklus für die Disposition draufgeht. Wir raten davon ab, hier mit ausgedachten Prozenten zu werben. Wir raten dazu, diese Werte vor dem Pilot einmal sauber zu erheben, damit am Ende ein echter Vorher-Nachher-Vergleich steht.

Umsetzung in einem begrenzten Pilot

Ein Forecasting-Projekt scheitert selten an der Rechnung und oft am zu großen Zuschnitt. Deshalb beginnen wir klein und mit einem klaren Rahmen.

Wir wählen mit Ihnen eine Warengruppe oder eine Filiale aus, für die genügend Verkaufshistorie vorliegt und die stellvertretend für das Geschäft steht. Aus Ihrer Kasse oder Ihrem Warenwirtschaftssystem ziehen wir die Verkaufsdaten der zurückliegenden Zeit, dazu Bestand, Einkaufspreise und, wenn vorhanden, die Termine vergangener Aktionen. Diese Daten bleiben in Ihrer Umgebung. Wir arbeiten mit dem, was ohnehin im Haus liegt.

Auf dieser Grundlage bauen wir ein Modell, das für die gewählte Warengruppe eine Absatzschätzung je Artikel und Zeitraum liefert. Im ersten Schritt rechnet es im Hintergrund mit, ohne in Bestellungen einzugreifen. Sie sehen die Vorschläge, vergleichen sie mit dem, was Sie ohne das Modell bestellt hätten, und melden zurück, wo es danebenliegt. Dieser Abgleich ist der eigentliche Kern des Pilots. Er zeigt, ob die Schätzung Ihrem Geschäft folgt oder ob eine Besonderheit fehlt, etwa ein Wochenmarkt, ein Feiertagsmuster oder ein regionaler Effekt.

Den Rahmen halten wir bewusst eng: eine überschaubare Warengruppe, ein fester Zeitraum, ein benannter Ansprechpartner auf Ihrer Seite und am Ende eine Entscheidung. Nach dem Pilot steht eine belastbare Grundlage dafür, ob sich die Ausweitung auf weitere Warengruppen lohnt. Zeigt der Vergleich zu wenig, haben Sie wenig Zeit investiert und eine klare Antwort. Der Prototyp entsteht auf Ihren Daten, nicht auf einem Musterdatensatz.

Wo die menschliche Freigabe bleibt

Die Schätzung ersetzt nicht die Person, die bestellt. Sie bereitet deren Entscheidung vor. Wie weit das Modell selbst handeln darf, legen Sie fest, und diese Grenze lässt sich jederzeit verschieben.

Ein bewährter Anfang: Das Modell schlägt vor, der Mensch bestätigt. Bei klaren Routineartikeln mit stabiler Nachfrage können Sie später eine automatische Nachbestellung innerhalb fester Grenzen erlauben, etwa bis zu einer Höchstmenge oder einem Höchstwert je Bestellung. Alles darüber, jeder neue Artikel und jede außergewöhnliche Menge läuft weiter über eine ausdrückliche Freigabe. Jeder Vorschlag trägt seine Begründung mit sich, sodass nachvollziehbar bleibt, warum eine Menge zustande kommt. Die Verantwortung für Einkauf und Bestand bleibt in Ihrem Haus.

Einordnung in die Leistungen von Alpino AI

Forecasting im Verkauf ist für uns ein Baustein der Prozessautomatisierung im Handel und kein Standardprodukt von der Stange. Wir binden das Modell an die Systeme an, die Sie bereits nutzen, von der Kasse über die Warenwirtschaft bis zur bestehenden Auswertung, und wir betreiben die Lösung datenschutzkonform in einer Umgebung, die Sie kontrollieren. Der Weg ist derselbe wie bei unseren anderen Projekten: ein enger Pilot auf echten Daten, eine ehrliche Auswertung, danach die Entscheidung über den Ausbau. Was das im Detail umfasst, finden Sie auf der Übersicht unserer Leistungen.

Wenn Ihr Sortiment gewachsen ist und die Disposition nicht mitgewachsen ist, lohnt der erste Schritt. Lassen Sie uns in einem 30-minütigen Erstgespräch klären, ob sich für eine Ihrer Warengruppen ein Pilot rechnet. Termin vereinbaren.

Nächster Schritt

Wollen Sie herausfinden, wo KI bei Ihnen wirklich Sinn ergibt?

Wir übersetzen den Artikel in konkrete Prozesse: Welche Aufgabe lohnt sich, welche Daten brauchen wir und wie klein kann der erste MVP sein?