Bedarfsprognose im Kleinunternehmen: Excel, ERP oder KI?

„Wir bestellen so viel wie letzten Monat, plus zwanzig Prozent, weil wir das immer so gemacht haben." — diesen Satz haben wir im letzten Jahr in mehr als einem Dutzend Firmen gehört. Und nicht nur in den ganz kleinen. In einer davon, einem 30-köpfigen Ersatzteilhändler, wurden 800 SKU genau so bestellt. Das Ergebnis war zweifach: Kapital gebunden in Ware, die niemand kaufte, und gleichzeitig regelmäßige Fehlbestände bei den Produkten, die am besten liefen. Ein Klassiker.

Bevor jemand „KI löst das" ruft, lohnt es sich, einen Schritt zurückzutreten. Bedarfsprognose im KMU beginnt nicht mit einem Modell. Sie beginnt mit der Frage: haben wir überhaupt etwas, das man prognostizieren kann? Und wenn ja — mit dem einfachsten Werkzeug, das tatsächlich funktioniert. Excel, ein einfaches ERP-Modul und ein eigenes KI-Modell sind drei völlig verschiedene Investitionsstufen. Die falsche Stufe zu wählen, kostet ungefähr genauso viel wie gar keine Prognose zu haben.

Wann prognostizieren, wann raten

Prognose ergibt nur dann Sinn, wenn die Nachfrage ein wiederkehrendes Muster hat. Klingt banal? Ist es auch — aber die Hälfte der Firmen, mit denen wir sprechen, versucht Dinge zu prognostizieren, die sich schlicht nicht prognostizieren lassen: ein einziger Großkunde, einmalige Projekte, Verkaufsrhythmus, der aus individuellen Verträgen kommt, nicht aus dem Markt.

In der Praxis fängt Prognose an, sich zu lohnen, wenn drei Bedingungen erfüllt sind. Erstens — du hast mindestens 100–200 SKU (oder Katalogpositionen) und es lässt sich nicht mehr im Kopf behalten, was wie viel läuft. Zweitens — die Verkaufshistorie umfasst mindestens 18–24 Monate, damit ein Modell die Saisonalität überhaupt sehen kann. Drittens — die Wiederbeschaffungszeit (vom Bestellen beim Lieferanten bis zum Bestand im Regal) ist länger als eine Woche, du musst also im Voraus entscheiden.

Wenn du 50 SKU und eine Woche Lead-Time hast — brauchst du keine Prognose. Du brauchst Disziplin beim Bestellen und einen ERP-Alarm, wenn der Bestand unter eine Schwelle fällt. Alles darüber hinaus ist Over-Engineering.

Stufe 0 — Excel und gleitender Durchschnitt

Es ist erstaunlich, wie viel Prognose sich aus einem sauber gebauten Excel herausholen lässt. Exponentielle Glättung (die Funktion PROGNOSE.ETS in Excel und Google Sheets) berechnet Trend und Saisonalität von allein, wenn sie zwei Jahre saubere Daten bekommt. Statistik-Kenntnisse brauchst du nicht — es reicht, dass der Verkaufsexport Datum und Menge enthält.

Bei dem erwähnten 30-köpfigen Ersatzteilhändler haben wir genau damit angefangen. Drei Tage Arbeit: Export der 24-monatigen Verkaufshistorie aus Comarch Optima, eine Tabelle mit einer einzigen PROGNOSE.ETS-Formel pro SKU und eine einfache Übersicht mit vorgeschlagener Bestellmenge. Nach einem Bestellzyklus: 12% weniger gebundenes Kapital im Lager und 30% weniger Fehlbestände bei den Top-100 SKU. Ohne den Kauf einer einzigen Softwarelizenz.

Das heißt nicht, dass Excel für immer bleibt. Es heißt nur, dass kein Prognosesystem bessere Ergebnisse liefert als eine solide Excel-Baseline, solange du dir nicht selbst bewiesen hast, dass die Baseline nicht reicht. Genau diesen Test würden 90% der „KI-Anbieter" gerne verhindern.

Stufe 1 — Was dein ERP schon kann

Die meisten ERPs, die in polnischen KMU laufen — Comarch Optima, enova365, Subiekt GT, Symfonia — haben irgendein Prognose- oder Mindestbestellmengen-Modul. Meistens macht es dasselbe wie Excel, aber mit einem großen Vorteil: die Zahlen liegen am gleichen Ort wie Lager, Bestellungen und Lieferanten. Niemand muss exportieren, umrechnen und zurückkopieren.

Diese Stufe lohnt sich, wenn das Excel aus Stufe 0 gut funktioniert, aber die Pflege zu viel Zeit frisst. Typisch wechseln wir hier bei 300–500 aktiv verwalteten SKU. Die Einführung eines Prognosemoduls im vorhandenen ERP ist etwa eine Woche Arbeit — Parameter konfigurieren (Saisonlänge, Aggregationsart, Sicherheitspuffer) und die Person, die bestellt, davon überzeugen, dass die Systemvorschläge ernst zu nehmen sind.

Achtung, eine Falle: die Prognosemodule polnischer ERPs können in der Regel Aktionen nicht von normalem Verkauf unterscheiden. Wenn du im April einen Rabatt von −40% auf ein SKU gegeben hast und es sich zehnmal so oft verkauft hat wie sonst, wird das Modul prognostizieren, dass es im nächsten April wieder zehnmal so oft läuft. Das ist nicht die Schuld des Modells — es ist die Schuld der Daten. Bevor du eine ERP-Prognose einführst, markiere die „ungewöhnlichen" Zeiträume in deiner Verkaufshistorie.

Stufe 2 — Wann wirklich KI

Ein eigenes Machine-Learning-Modell (etwa Prophet, ARIMA mit Regression, XGBoost mit saisonalen Features) lohnt sich erst, wenn du eine bestimmte Komplexitätsschwelle überschreitest. Aus unserer Erfahrung ist das eines von drei Szenarien:

• Du hast mehrere tausend SKU und die Verkaufsmuster unterscheiden sich deutlich (manche saisonal, manche konstant, manche wetterabhängig).
• Der Bedarf hängt von externen Faktoren ab, die Excel nicht sieht — Temperatur, Wechselkurse, Marketingkampagnen, katholische und orthodoxe Feiertage nebeneinander.
• Die Marge ist so dünn (typischerweise Distribution, E-Commerce), dass schon 2% bessere Genauigkeit echtes Geld bedeutet.

Unter dieser Schwelle rechnet sich die Investition nicht. Ein KI-Modell braucht mindestens 2–3 Jahre historische Daten (fünf wären besser), einen Ingenieur, der es baut und pflegt, und einen Prozess, der auf die Ergebnisse reagiert. Der Kostenpunkt ist nicht die Lizenz — es ist die Person, die sich das erste halbe Jahr darum kümmert, bis das Modell stabil läuft.

Es gibt einen sinnvollen Umweg: SaaS-Prognosetools (RELEX, Slimstock, ForecastPro in der Cloud). Sie nehmen dir das Modellbauen ab, kosten aber 500–1200 EUR pro Monat und verlangen saubere Daten zu Verkauf, Aktionen und Lieferanten-Lead-Times. Prüfenswert, wenn der Lagerumschlag mehrere Millionen im Jahr übersteigt.

Was du nicht tun solltest

Ein paar Fallen, in die KMU beim Start mit Prognose regelmäßig geraten.

• Kauf keine „KI" ohne Vergleich mit Excel. Jeder Anbieter, der sich weigert, sein Modell gegen eine simple Baseline (gleitender Durchschnitt, exponentielle Glättung) zu vergleichen, verkauft dir eine Präsentation, keine Ergebnisse.
• Automatisiere die Bestellung nicht sofort. In den ersten 3–6 Monaten sollte die Prognose ein Vorschlag sein, den der Einkäufer bestätigt. Automatische Bestellung auf Basis eines unfertigen Modells ist der schnellste Weg, das Lager mit unverkäuflicher Ware zu füllen.
• Ignoriere den Vertrieb nicht. Ein Vertriebler, der weiß, dass „im November der Großkunde für das Quartal bevorratet", bringt Wissen mit, das das Modell nicht hat. Prognose ist der Ausgangspunkt für ein Gespräch, nicht das letzte Wort.
• Prognostiziere nicht, was du sowieso projektbezogen bestellst. Produkte, die auf konkrete Kundenaufträge gehen, bestellt man gegen den Auftrag, nicht gegen die Historie.

Wo anfangen

Die praktische Reihenfolge, die wir mit Kunden gehen:

1. Sortier deine SKU nach Umsatz (ABC-Klassifizierung). Prognostiziere nur A und B — der Rest ist Rauschen.
2. Exportiere 24 Monate Verkaufsdaten für diese SKU aus dem ERP und markiere die ungewöhnlichen Zeiträume (Aktionen, Ausfälle, einmalige Aufträge).
3. Bau die Excel-Baseline: PROGNOSE.ETS pro SKU, vorgeschlagene Bestellmenge = Prognose × Lead-Time + Sicherheitsbestand.
4. Teste über drei Bestellzyklen. Miss: Fehlbestände, gebundenes Kapital im Lager, Anzahl Positionen, die immer noch „nach Gefühl" bestellt werden.
5. Wenn die Baseline gut läuft, aber zu viel Handarbeit kostet — dann greif zum ERP-Modul oder zu einem SaaS-Tool.

Gesamter Startaufwand: 2–4 Wochen Arbeit einer Person (deiner eigenen oder eines externen Beraters). Null Lizenzgebühren. Null externe Dienstleister mit Vortrag über „digitale Transformation".

Wenn du besprechen möchtest, auf welcher Prognosestufe dein Unternehmen steht und welcher Schritt für dich Sinn ergibt — das erste Gespräch ist kostenlos und dauert eine halbe Stunde.

Kein Prognosesystem liefert bessere Ergebnisse als eine solide Excel-Baseline, solange du dir nicht selbst bewiesen hast, dass die Baseline nicht reicht.

← Zurück zum Blog