Demand Sensing

Demand Sensing bezeichnet die kurzfristige Bedarfssensorik auf Tages- bis Wochenhorizont, die statistische Nachfrageprognosen mit Realzeit-Signalen aus POS-Daten, IoT-Sensorik, Wettermodellen und externen Marktindikatoren überlagert. Während ein klassischer Forecast den nächsten Monat bis zum nächsten Jahr abdeckt, beantwortet Demand Sensing die Frage: was passiert in den nächsten 1 bis 14 Tagen.

Detaillierte Erklärung

Lora Cecere, Gründerin des Beratungs- und Forschungshauses Supply Chain Insights, prägte den Begriff ab 2010 als Abgrenzung zur klassischen Forecast-Hierarchie. Methodisch unterscheidet sich Demand Sensing in drei Punkten von der monatlichen [[nachfrageprognose]]. Erstens Datenquellen: nicht nur historische Absatzzeitreihen, sondern auch Point-of-Sale-Daten (mehrmals täglich), IoT-Sensorik aus Lagersystemen und Maschinen, Wetterprognosen, Web-Search-Trends und ERP-Auftragseingänge in Echtzeit. Zweitens Aktualisierungsfrequenz: stündlich oder täglich statt wöchentlich oder monatlich. Drittens Modellklasse: häufig Machine-Learning-Verfahren (Gradient Boosting, LSTM-Netze) statt klassischer ARIMA- oder Holt-Winters-Modelle, weil sie nichtlineare Zusammenhänge zwischen vielen exogenen Variablen besser abbilden. Cecere und ihr Team berichten in jährlichen Demand-Sensing-Studien (zuletzt 2024) typische MAPE-Reduktionen von 30 bis 50 Prozent gegenüber einem reinen monatlichen Forecast — allerdings nur im 1- bis 14-Tage-Horizont. Über vier Wochen hinaus verschwindet der Genauigkeitsvorteil weitgehend. Die BVL-Trendstudie "Logistik in Deutschland" verortet Demand Sensing als einen der drei am schnellsten wachsenden Investitionsbereiche im Mittelstand, mit jährlichen Wachstumsraten der Implementierungen über 25 Prozent. Wirtschaftliche Hebel: Reduktion von Eilbestellungen um 20 bis 35 Prozent, Senkung der Out-of-Stock-Rate im Handel um 15 bis 25 Prozent, Verkürzung des [[bullwhip-effekt]] entlang der Lieferkette. Voraussetzung ist eine saubere Datenintegration zwischen ERP, MES, Lagerverwaltung und externen Datenquellen — die größte Hürde in mittelständischen Implementierungen.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Hersteller von Verpackungsmaschinen in Nordrhein-Westfalen, 480 Mitarbeiter, 86 Millionen Euro Umsatz, beliefert Lebensmittelproduzenten mit Ersatzteilen über ein Konsignationslager beim Kunden. Bisher: monatlicher Forecast mit MAPE 38 Prozent auf 14-Tage-Horizont, Eilbestellungen 96 pro Monat zu durchschnittlich 280 Euro Aufschlag. Einführung Demand Sensing 2026: tägliche IoT-Daten aus 240 Maschinen beim Kunden (Laufzeit, Druckzyklen, Verschleißindikatoren), gekoppelt an einen Gradient-Boosting-Forecast mit 14-Tage-Horizont. Investition 165.000 Euro Lizenz und Integration plus 42.000 Euro pro Jahr Betrieb. Nach 8 Monaten: MAPE auf 14 Tage fällt auf 21 Prozent (Reduktion 45 Prozent), Eilbestellungen sinken auf 38 pro Monat (Eilkostensenkung 195.000 Euro pro Jahr), Konsignationslager beim Kunden 18 Prozent kleiner bei gleicher Lieferbereitschaft (Kapitalbindungsreduktion 320.000 Euro). Amortisation der Investition nach 11 Monaten — ein Use-Case, der eng mit [[vendor-managed-inventory]] verzahnt ist.

Typische Fehler & Verhandlungskontext

Erstens: Demand Sensing als Ersatz für den monatlichen Forecast einsetzen. Beide Horizonte ergänzen sich; Demand Sensing schlägt den klassischen Forecast nur kurzfristig. Zweitens: Datenintegration unterschätzen. 60 bis 70 Prozent der Implementierungsdauer entfallen typisch auf ETL und Datenqualität, nicht auf das Modell selbst. Drittens: kein Forecast Value Added gemessen. Wenn das ML-Modell den Naive-Forecast (gestern gleich heute) nicht reproduzierbar schlägt, lohnt sich der Aufwand nicht. In Verhandlungen mit Schlüssellieferanten ist eine täglich aktualisierte 14-Tage-Bedarfssicht ein hartes Argument für Konsignations- und VMI-Modelle, weil der Lieferant seine Produktionsfeinplanung darauf aufsetzen kann. Eine [[disposition]] ohne Demand-Sensing-Layer bleibt im Eilbestellmodus.

Verwandte Begriffe

Demand Sensing baut auf [[forecast-accuracy]] auf und ergänzt [[nachfrageprognose]], [[disposition]] sowie [[vendor-managed-inventory]]; es dämpft den [[bullwhip-effekt]] und liefert Eingangsdaten für [[demand-aggregation]] über mehrere Standorte hinweg.