Bedarfsplanung

Die Nachfrageprognose nutzt historische Verkaufsdaten, Saisonalität und Marktsignale, um vorherzusagen, wie viel Kunden in Zukunft von einem Produkt nachfragen werden. Im E-Commerce fließt diese Prognose direkt in Entscheidungen zu Lagerbestand und Werbung ein – wie viel Ware vorgehalten werden soll, wann Gebote angepasst werden und wann ein Saisonprodukt verstärkt beworben oder ganz aus den Kampagnen genommen werden soll. Erfolgreich umgesetzt, ersetzt die Prognose die Unsicherheit über die zukünftige Nachfrage durch einen datengestützten Plan, mit dem Händler vorausschauend handeln können, anstatt erst zu reagieren, wenn sich die Zahlen bereits verändert haben.

Warum Bedarfsprognosen für die Bestands- und Werbeplanung wichtig sind

Zu hohe Lagerbestände binden Kapital, das später möglicherweise durch Rabatte reduziert werden muss. Zu geringe Bestellungen hingegen bedeuten Umsatzeinbußen genau dann, wenn die Nachfrage ihren Höhepunkt erreicht – beides lässt sich auf eine Prognose zurückführen, die entweder nicht existierte oder der man nicht vertraute. Im Werbebereich verpassen Kampagnen, die erst nach einem Nachfrageanstieg starten, die wertvollste Phase des Verkaufszeitraums. Dies ähnelt dem Problem, das Civil gelöst hat, um den ROAS um 36 % zu steigern, indem alle Kampagnen-Inhalte rechtzeitig erstellt wurden : Die saisonale Nachfrage wurde so früh prognostiziert, dass Inhalte und Kampagnen vor Beginn des Verkaufsfensters bereitstanden, nicht erst danach. Feeds, die prognostizierte Nachfrage einbeziehen, können zudem Gebotsabgabe und Budgetplanung automatisch optimieren und Ausgaben vor einem vorhergesagten Nachfrageanstieg vorziehen, anstatt erst mitten in der Saison nachzubessern.

Wie die Bedarfsplanung funktioniert

Prognosemodelle kombinieren typischerweise die historischen Verkaufstrends eines Produkts mit übergreifenden saisonalen Mustern und externen Marktanalysen – Nachfrageverschiebungen auf Kategorieebene, Wettbewerbsaktivitäten oder Makrotrends, die die Historie einer einzelnen Artikelnummer allein nicht aufdecken würde. Die Ergebnisse fließen üblicherweise in zwei Bereiche ein: Warenwirtschaftssysteme, die damit Bestellpunkte und Sicherheitsbestände weit vor der prognostizierten Nachfragekurve festlegen, und dynamische Preisgestaltungssysteme, die den Preis schrittweise anpassen, wenn die tatsächlichen Verkaufszahlen über oder unter der Prognose liegen. Die zuständigen Teams stellen die Prognose oft als benutzerdefiniertes Label oder Attribut für das Produkt bereit, sodass Kampagnenregeln direkt auf eine Nachfragestufe reagieren können, anstatt dass manuell markiert werden muss, welche Produkte demnächst saisonal relevant werden.

Beispiel: Bedarfsprognose in einem Produktfeed

<item>
  <g:id>SKU-25671</g:id>
  <title>Kids Rain Boots - Yellow, Size 12</title>
  <link>https://example-shop.com/products/kids-rain-boots-yellow-12</link>
  <g:price>32.00 USD</g:price>
  <g:availability>in stock</g:availability>
  <g:custom_label_0>forecast_demand_high_spring</g:custom_label_0>
  <g:sale_price>27.00 USD</g:sale_price>
  <g:sale_price_effective_date>2026-03-01T00:00/2026-04-15T23:59</g:sale_price_effective_date>
</item>

Das custom_label_0 Der Wert signalisiert, dass für diesen Artikel im Frühjahr eine hohe Nachfrage prognostiziert wird, während die geplante sale_price_effective_date zeigt, dass das Preisteam bereits eine Werbeaktion auf diesen vorhergesagten Zeitraum abgestimmt hat, anstatt abzuwarten, bis die Verkaufsdaten dies bestätigen.

Verwandte konzepte

Die Bedarfsplanung ist nur dann wertvoll, wenn sie mit der Umsetzung verknüpft wird: Das Bestandsmanagement nutzt die Prognose, um Lagerbestände vorausschauend festzulegen, und die dynamische Preisgestaltung passt die Preise an, sobald die tatsächliche Nachfrage der Prognose entspricht. Die Prognosen selbst basieren selten allein auf den Verkaufsdaten eines einzelnen Produkts – sie gründen sich in der Regel auf umfassendere Marktanalysen , die Kategorietrends und externe Faktoren berücksichtigen, die die Daten einer einzelnen Artikelnummer nicht erfassen würden.