Bedarfsprognosen mit KI im Onlineshop

Zwischen Engpässen und Lagerkosten

Planung entscheidet über Gewinn oder Verlust im Onlineshop. Wenn zu viele Artikel liegenbleiben, entstehen unnötige Lagerkosten. Wenn zu wenige Produkte verfügbar sind, bleiben Bestellungen aus. Die Kunden kaufen dann bei der Konkurrenz. Wie lässt sich Nachfrage prognostizieren? Bedarfsprognosen mit KI im Onlineshop sind vielversprechend. Doch auch maschinelle Prognosen sind niemals perfekt. Klar ist: Die besten Vorhersagen basieren auf soliden Daten und kaufmännischem Gespür. Es kommt auf Erfahrung an – heute aber auch auf Künstliche Intelligenz.

Bedarfsprognosen im E-Commerce 

Gute Voraussagen der Nachfrageentwicklung haben zwei Voraussetzungen: Markterfahrung und das Verständnis für Zahlen. Ob ein Unternehmen zu viel oder zu wenig Vorrat einkauft, hängt grundsätzlich von einer offensiven oder defensiven Einkaufsstrategie ab. Mit den bekannten Risiken: 

• Offensiv: Eine zu hohe Einschätzung des Bedarfs bindet Kapital in schwer verkaufbarer Ware.
• Defensiv: Wer zu vorsichtig plant, riskiert Lieferengpässe und damit Umsatzverluste. 

Ein Beispiel: Ein Onlineshop für Outdoor-Bekleidung erwartet im Frühjahr eine steigende Nachfrage nach Regenjacken. Die Verkaufszahlen des Vorjahres sprechen dafür. Auch die Wetterprognosen deuten in diese Richtung. Je nach Risikobereitschaft wird das Unternehmen mehr oder weniger Regenjacken kaufen, um diese in der Frühlingssaison den Kunden anzubieten. 

Ein Risiko besteht natürlich immer. Aber wie sieht die beste Lösung aus, die sowohl die Chancen des Marktes nutzt als auch das Risiko minimiert?  

‍

KI für Bedarfsprognosen: die Vorteile

Die Entscheidung für den Einkauf von Produkten für den E-Commerce beruht am Ende meistens auf Fingerspitzengefühl. Grundlage dafür ist aber immer eine Einschätzung der zukünftigen Entwicklung. Genau hier entscheidet die Qualität der Prognose. Auch wer nach Erfahrung oder Bauchgefühl handelt, arbeitet mit Annahmen über die Zukunft. Diese Annahmen können belastbar oder vage, datenbasiert oder spekulativ, zutreffend oder falsch sein. Je besser die Datenbasis, desto verlässlicher wird die Vorhersage.

Hier kann Künstliche Intelligenz unterstützen. Denn KI-Systeme berücksichtigen für ihre Prognosen nicht nur sehr grosse Datenmengen. Sie analysieren auch Faktoren, die ein Mensch bei der Planung leicht übersieht: versteckte Zusammenhänge und ungewöhnliche Wechselwirkungen. Genau solche Muster macht KI für Bedarfsprognosen sichtbar. 

Weiter im Beispiel: Ein KI-System könnte erkennen, dass Regenjacken in einem Onlineshop besonders häufig gekauft werden, wenn gleichzeitig Wanderschuhe stark nachgefragt oder aktiv beworben werden. Für den Menschen wirkt dieser Zusammenhang vielleicht zufällig. Für die KI ist er ein Muster. Daraus entsteht keine sichere Wahrheit, aber eine bessere Grundlage für Einkaufsentscheidungen. 

Ein weiterer Vorteil von Bedarfsprognosen mit Künstlicher Intelligenz liegt in ihrer Aktualität und Flexibilität: Die Planung bleibt nie bei der letzten Auswertung stehen. Neue relevante Daten fliessen ständig in die Bedarfsprognosen ein. Das sind zum Beispiel Entwicklungen bei Warenkorbabbrüchen, Suchanfragen oder Retouren. So entsteht ein dynamisches Planungssystem, das neue Entwicklungen innerhalb von Sekunden verarbeitet und die Bedarfsprognose laufend an die tatsächliche Nachfrage anpasst. 

‍

KI-Bedarfsprognosen in der Praxis 

KI im Onlineshop für Bedarfsprognosen einsetzen? In der Praxis geschieht dies über spezialisierte Tools. Diese Software wird in Shopsysteme, in die Lagerverwaltung und die Warenwirtschaft integriert. Kleine und mittlere Unternehmen arbeiten mit Inventory-Planning-Tools oder Shop-Apps. Grössere Unternehmen arbeiten mit umfassenderen Systemen wie SAP Integrated Business Planning. Das Prinzip der Bedarfsplanung mit KI ist aber letztlich immer gleich:  

1. Analyse historischer und aktueller Informationen.
2. Erkennen von Mustern in den Daten.
3. Ableitung von Wahrscheinlichkeiten für die zukünftige Entwicklung der Nachfrage. 

Seriöse Systeme bleiben dabei nicht bei der blossen Vorhersage stehen, sondern machen auch konkrete Bestellvorschläge. Wichtig ist, bei den Prognosen immer darauf zu achten, welchen Wahrscheinlichkeitswert das Tool angibt. Ohne diese Information lässt sich keine Prognose richtig einordnen. Eine Entwicklung mit hoher Eintrittswahrscheinlichkeit rechtfertigt andere Einkaufsentscheidungen als ein unsicherer Trend.

‍

Dropshipping für weniger Risiko?

Dropshipping vermeidet hohe Lagerkosten, wenn die Nachfrage zu optimistisch eingeschätzt wurde. Es ersetzt aber keine Bedarfsprognosen. Denn das Risiko verschwindet nicht, sondern verlagert sich vom eigenen Lager zur Lieferfähigkeit des Dropshipping-Partners. Steigt der Bedarf überraschend stark, kann der Lieferant die Preise erhöhen oder Lieferzeiten verlängern. Im schlechtesten Fall kann er die Ware gar nicht mehr bereitstellen.

Bedarfsprognosen bleiben deshalb auch für Onlineshops wichtig, die auf Dropshipping setzen. Denn Nachfrageprognosen beeinflussen nicht nur Marketing und Sortimentsplanung. Sie helfen auch bei der Entscheidung, ob bestimmte Artikel frühzeitig eingekauft werden sollten, um Einkaufspreise zu sichern und die Lieferfähigkeit zu verbessern. Damit beginnt allerdings wieder das klassische Handelsrisiko: Kapitalbindung, Lagerkosten und die Gefahr, auf der Ware sitzenzubleiben.

‍

Fazit

Bedarfsprognosen im E-Commerce sind keine Risikoversicherungen. Aber ohne Bedarfsprognosen überlebt kein Onlineshop. Und je besser die Prognose, desto geringer das Risiko. Künstliche Intelligenz hat das Potenzial, Vorhersagen immer zuverlässiger zu machen – und sie bietet dank ihrer Flexibilität Mittel, rechtzeitig auf Veränderungen zu reagieren. KI ersetzt kein kaufmännisches Gespür. Aber sie macht es präziser.