Sales Forecast

Der Sales Forecast ist die quantitative Vorhersage der erwarteten Absatzmengen pro Produkt, Produktfamilie oder Kundensegment über einen definierten Zeithorizont. Er bildet das Fundament jeder Versorgungsplanung und übersetzt Marktintelligenz, Vertriebspipeline und historische Nachfrage in eine handhabbare Mengenaussage, die Einkauf, Produktion und Logistik gleichermaßen als Steuerungsbasis nutzen.

Detaillierte Erklärung

Ein belastbarer Sales Forecast kombiniert statistische Verfahren mit Vertriebsintelligenz. Die Methodenwahl hängt vom Nachfragemuster ab: Für gleichmäßige Reihen ohne Trend liefert exponentielle Glättung (Simple Exponential Smoothing) saubere Werte. Bei Saisonalität ist Holt-Winters die etablierte Methode, weil sie Level, Trend und Saisonkomponente getrennt modelliert. Für stationäre Reihen mit Autokorrelation eignet sich ARIMA, das insbesondere bei Hochpreisartikeln mit moderaten Stückzahlen pro Periode genaue Ergebnisse liefert. Bei sporadischer Nachfrage (intermittent demand) mit vielen Null-Perioden ist Croston der Standard, weil er Nachfragehöhe und Zeitabstände zwischen Bedarfen separat schätzt und damit Verzerrungen klassischer Verfahren umgeht.

Seit 2023 ergänzen Machine-Learning-Modelle das statistische Werkzeug. Gradient-Boosting-Verfahren wie XGBoost oder LightGBM verarbeiten externe Signale: Wettertdaten, Preisindizes, Konkurrenzpromotion, Web-Traffic der Vertriebsseite, Suchvolumen. Diese Form des Demand-Sensing nutzt 2025 etwa jedes vierte deutsche Mittelstandsunternehmen mit über 250 Mitarbeitern für mindestens eine Produktfamilie. Die Verbesserung gegenüber rein statistischen Verfahren liegt typischerweise zwischen 8 und 19 Prozentpunkten beim MAPE, ist aber stark abhängig von der Datenqualität externer Quellen.

Die Qualität eines Sales Forecast wird über drei Kennzahlen gemessen: Mean Absolute Percentage Error (MAPE) als prozentuale Abweichung, Bias als systematische Über- oder Unterschätzung, Tracking Signal zur Früherkennung von Strukturbrüchen. Best-in-Class deutscher Maschinenbauer erreichen 2025 einen MAPE von 18 bis 24 % auf SKU-Ebene und 8 bis 12 % auf Produktfamilien-Ebene. Wichtig ist die Aggregationsebene: Aggregierte Forecasts sind systematisch genauer als detaillierte, weil sich Einzelfehler herausmitteln. Eine pragmatische Regel ist die Aufteilung nach ABC-XYZ-Analyse (siehe [[abc-analyse]] und [[xyz-analyse]]): Für A-X-Artikel lohnt sich modellgetriebene Prognose, für C-Z-Artikel reicht Min-Max-Steuerung.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein hessischer Hersteller von Industrieventilatoren mit 480 Mitarbeitern und 112 Mio. EUR Umsatz erstellt monatlich einen Sales Forecast über 18 Monate für 1.240 aktive SKUs. Im April 2026 zeigt die Produktfamilie "Radialventilatoren Gussgehäuse" eine Forecast-Volatilität, die den Einkauf vor ein Allokationsproblem stellt. Der statistische Holt-Winters-Forecast prognostiziert für das dritte Quartal eine Nachfrage von 2.180 Stück pro Monat, der Vertrieb meldet eine Pipeline mit drei großen Halbleiterfab-Projekten in Sachsen über zusätzlich 1.400 Stück mit Konfidenz 60 %.

Der Konsens-Forecast landet bei 2.840 Stück pro Monat. Der Einkauf prüft die Auswirkungen auf die kritischen Vormaterialien: Gussgehäuse aus einem Lieferanten in Tschechien haben eine Wiederbeschaffungszeit von zwölf Wochen mit Mindestbestellmenge 80 Stück, Aluminium-Laufräder kommen aus Italien mit acht Wochen Vorlauf und Drehstrommotoren aus einem deutschen Lieferanten mit sechs Wochen. Bei einem MAPE des Forecasts von 22 % rechnet der Einkauf mit einer Bandbreite zwischen 2.215 und 3.465 Stück, was eine Sicherheitsbestandsanpassung (siehe [[sicherheitsbestand]]) um 14 Tage Reichweite rechtfertigt.

Im Juli zeigt der Tracking Signal eine Häufung positiver Forecast-Fehler — der reale Absatz übersteigt den Forecast in drei aufeinanderfolgenden Monaten um durchschnittlich 18 %. Das ML-Demand-Sensing-Modell hatte das frühzeitig signalisiert, weil das Suchvolumen für "Reinraumventilator" und Branchenausschreibungen für Halbleiter-Klimatechnik bereits im Mai um 34 % gestiegen waren. Der Forecast wird auf 3.320 Stück angehoben, der Einkauf erhöht die Rahmenvertragsmenge mit dem Gussgehäuse-Lieferanten um 22 % gegen einen Aufpreis von 1,8 % auf die Mehrmenge, gleichzeitig wird ein Zweitlieferant aus der Slowakei qualifiziert. Die Mehrkosten von circa 86.000 EUR werden durch vermiedene Lieferterminstrafen von geschätzt 340.000 EUR mehr als ausgeglichen.

Typische Fehler & Verhandlungskontext

Der häufigste Fehler im Umgang mit Sales Forecast ist die Verwechslung von Vertriebsziel und Prognose. Wenn der Vertrieb Wachstumsziele als Forecast meldet, entsteht systematischer Bias nach oben, der Einkauf bestellt zu viel, Lagerbestände steigen, Working Capital (siehe [[working-capital]]) wird gebunden. Best Practice ist die saubere Trennung: Der statistische Forecast bildet die Baseline, Vertriebsanpassungen werden separat dokumentiert mit Begründung und Konfidenzangabe. Im Monatsreview wird die Trefferquote der Vertriebsanpassungen gemessen — wer dauerhaft 30 % über Ist landet, verliert das Recht auf Top-down-Adjustments.

Der zweite Fehler ist Forecast-Aktualismus: Wer den Forecast nur einmal jährlich budgetiert und über zwölf Monate konstant lässt, ignoriert jeden Markt- und Saisonimpuls. Rollierende Forecasts mit monatlicher Aktualisierung über mindestens 12 Monate sind 2025 in deutschen Industrieunternehmen Standard. Drittens scheitern viele Unternehmen an der Granularität: Forecasts auf zu hoher Ebene (Werksebene oder Land) helfen Einkauf und Disposition nicht, weil dort die SKU oder mindestens die Produktfamilie gefragt ist.

Im Verhandlungskontext mit Lieferanten ist ein verbindlicher Forecast mit Konfidenzangabe ein wertvolles Asset. Konkrete Konditionseffekte aus DACH-Verhandlungen 2025: Bei Forecasts mit MAPE unter 25 % und monatlicher Aktualisierung gewähren Lieferanten typischerweise Preisreduktionen zwischen 2,1 und 4,6 Prozentpunkten auf Jahresvolumina über 500.000 EUR, zusätzlich verbindliche Kapazitätsreservierungen für 60 bis 70 % des Forecast-Volumens. Wer dagegen einen Forecast mit MAPE über 50 % oder ohne Versionierung teilt, verbrennt das Vertrauen schnell und wird beim nächsten Engpass nachrangig beliefert.

Verwandte Begriffe

• [[forecast-management]]
• [[forecast-fehler]]
• [[consensus-forecast]]
• [[s-and-op-cycle]]
• [[xyz-analyse]]