Bedarfsprognose (Demand Forecasting) bezeichnet die Nutzung historischer Verkaufsdaten, Saisonalität und Marktsignale, um vorherzusagen, wie viel von einem Produkt Kunden zu einem künftigen Zeitpunkt nachfragen werden. Im E-Commerce fließt diese Vorhersage direkt in Bestands- und Werbeentscheidungen ein – wie viel Ware vorgehalten wird, wann Gebote erhöht oder gesenkt werden und wann ein Saisonprodukt stark gepusht oder ganz aus Kampagnen genommen werden sollte. Gut umgesetzt ersetzt sie Rätselraten über die künftige Nachfrage durch einen datengestützten Plan, nach dem ein Händler vorausschauend handeln kann, statt erst zu reagieren, wenn sich die Zahlen bereits bewegt haben.
Warum Bedarfsprognosen für Bestands- und Werbeplanung wichtig sind
Wer zu viel Ware bestellt, bindet Kapital in Beständen, die später womöglich rabattiert werden müssen; wer zu wenig bestellt, verliert Verkäufe genau dann, wenn die Nachfrage ihren Höhepunkt erreicht – beide Ergebnisse gehen auf eine Prognose zurück, die entweder nicht existierte oder der man nicht vertraute. Auf der Werbeseite verpassen Kampagnen, die erst starten, nachdem die Nachfrage bereits gestiegen ist, den wertvollsten Teil des Verkaufsfensters. Das kommt dem Problem nahe, das in der Fallstudie wie Civil den ROAS um 36 % steigerte, indem jedes Kampagnen-Creative rechtzeitig zur Kampagne fertig war behandelt wird: Die saisonale Nachfrage wurde früh genug prognostiziert, sodass Creatives und Kampagnen vor Öffnung des Fensters bereitstanden und nicht erst danach. Feeds, die die prognostizierte Nachfrage einbeziehen, können zudem Gebote und Budget-Pacing automatisch steuern und die Ausgaben vor einem erwarteten Anstieg vorziehen, statt mitten in der Saison aufzuholen.
Wie Bedarfsprognosen funktionieren
Prognosemodelle kombinieren in der Regel den historischen Verkaufstrend eines Produkts mit übergreifenden saisonalen Mustern und externer Marktanalyse – Nachfrageverschiebungen auf Kategorieebene, Aktivitäten von Wettbewerbern oder Makrotrends, die die Historie einer einzelnen SKU allein nicht zeigen würde. Die Ergebnisse fließen meist an zwei Stellen ein: in Warenwirtschaftssysteme, die damit Meldebestände und Sicherheitsbestände deutlich vor einer erwarteten Nachfragekurve festlegen, und in Engines für dynamische Preisgestaltung, die den Preis schrittweise anpassen können, je nachdem, ob die tatsächlichen Verkäufe der Prognose voraus- oder hinterherlaufen. Feed-Teams hinterlegen die Prognose oft selbst als Custom Label oder Attribut am Produkt, damit Kampagnenregeln direkt auf eine Nachfragestufe reagieren können, statt dass jemand manuell markieren muss, welche Produkte saisonal bald 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>Der Wert custom_label_0 kennzeichnet diesen Artikel als Produkt mit prognostizierter hoher Nachfrage zum Frühjahr hin, während das geplante sale_price_effective_date zeigt, dass das Pricing-Team eine Aktion bereits auf dieses vorhergesagte Zeitfenster abgestimmt hat, statt erst zu reagieren, wenn die Verkaufsdaten es bestätigen.
Verwandte Begriffe
Eine Bedarfsprognose schafft nur dann Wert, wenn sie mit der Umsetzung verknüpft ist: Das Bestandsmanagement nutzt die Prognose, um Lagerbestände vorausschauend festzulegen, und die dynamische Preisgestaltung nutzt sie, um den Preis anzupassen, während sich die tatsächliche Nachfrage im Vergleich zur Vorhersage entwickelt. Die Prognosen selbst beruhen selten allein auf der Verkaufshistorie eines einzelnen Produkts – sie stützen sich meist auf eine umfassendere Marktanalyse, die Kategorietrends und externe Faktoren berücksichtigt, die die Daten einer einzelnen SKU nicht erfassen würden.
