Intermittent Demand Forecasting im E-Commerce verstehen

Was ist Intermittent Demand Forecasting im E-Commerce?

Intermittent Demand Forecasting im E-Commerce plant SKUs mit unregelmäßigen Verkäufen separat. Eine solche SKU verkauft sich einmal, bleibt über mehrere Perioden ohne Verkauf und verkauft sich später erneut. Für die Bestellentscheidung reichen ein einzelner Verkaufstag oder eine kurze Historie nicht aus. Ich behandle diese Artikel als eigenen Planungsfall und dokumentiere die Unsicherheit ausdrücklich.

Das Wichtigste in Kürze:

• Unregelmäßige Nachfrage ist ein eigener Planungsfall, keine bloß schlechte Prognose.
• Die SKU-Ebene macht Phasen ohne Verkauf und einzelne Verkäufe sichtbar.
• Ein Forecast ist nur nützlich, wenn er eine Bestands- oder Bestellentscheidung vorbereitet.
• Historische Werte sind begrenzt vergleichbar, wenn Sortiment oder Verfügbarkeit verändert wurden.
• Datenqualität und Verantwortlichkeit stehen vor der Tool-Auswahl.

Im Kern trenne ich zwei Beobachtungen: ob in einer Periode überhaupt Nachfrage auftritt und welche Menge bei einem Verkauf abgeht. Intermittierende Nachfrage ist damit kein Durchschnittsproblem, sondern eine Kombination aus Verkaufswahrscheinlichkeit und Ereignismenge. Die Forschung behandelt diese Struktur als eigenen Forecasting-Fall und betrachtet Prognosegenauigkeit sowie das Risiko veraltender Bestände getrennt in der Fachliteratur zu intermittierender Nachfrage.

Ein Beispiel: Ein Ersatzteil verkauft sich in zwölf Wochen viermal, jeweils als Einzelstück. Die aggregierte Shop-Kurve kann stabil wirken, auf SKU-Ebene liegen jedoch acht Wochen ohne Absatz. Eine Bestellmenge aus einem Durchschnittswert abzuleiten, verdeckt genau diese Lücken. Ich prüfe zuerst, ob die SKU aktiv war, ob Bestand vorhanden war und welche Lieferzeit für eine Nachbestellung gilt.

Demand Forecasting ist die datenbasierte Abschätzung künftiger Kundennachfrage. Für Shopify-Marken verkürzt eine saubere Datenanbindung den Weg von Verkaufsdaten zur Planung, ersetzt aber keine fachliche Prüfung von SKU, Bestand und Bestellung. Intermittent Demand Forecasting ist passend, sobald eine SKU nicht mit einem gleichmäßigen Absatzmuster geplant werden kann; bei VOIDS Demand Forecasting bleibt diese Trennung zwischen Datenmodell und Einkaufsentscheidung zentral.

Bei HEY HOLY, einer achtstelligen Marke mit rund 100 SKUs, wurde diese operative Disziplin konkret: Das Team arbeitete mit 1,5 FTE im Einkauf, senkte die Ziel-Lagerreichweite von 30 auf 17,5 Tage und erreichte für die SKU-Verfügbarkeit über 99 Prozent. Das Beispiel zeigt den Punkt: Gute Planung ist keine hübsche Kurve, sondern eine belastbare Entscheidung über Kapital, Verfügbarkeit und Timing.

Wie läuft Intermittent Demand Forecasting von der SKU bis zur Bestellung ab?

Der Ablauf für Intermittent Demand Forecasting beginnt mit der SKU-Sichtung und endet mit einer begründeten Einkaufsentscheidung. Ich prüfe Verkaufs-, Bestands- und Lieferzeitdaten, trenne verfügbare von nicht verfügbaren Perioden und gleiche die Erwartung mit Mindestmengen, offenen Bestellungen und dem Cash-Rahmen ab. Der Forecast liefert einen nachvollziehbaren Entscheidungsinput, keine Bestellfreigabe auf Autopilot.

1. SKU abgrenzen: Variante, Bundle-Komponente oder Ersatzartikel eindeutig festlegen. Vermischte Artikelhistorien erzeugen einen falschen Verlauf.
2. Beobachtungsfenster prüfen: Verkäufe je Woche oder Monat neben verfügbarem Bestand legen. Eine Null bei ausverkauftem Artikel ist keine beobachtete Null-Nachfrage.
3. Muster beschreiben: Verkaufshäufigkeit, typische Menge pro Verkaufsereignis und Zeit seit dem letzten Verkauf getrennt festhalten.
4. Forecast in eine Entscheidung übersetzen: Bedarf bis zum Liefertermin einer offenen oder möglichen Bestellung abschätzen und gegen vorhandenen Bestand rechnen.
5. Entscheidung protokollieren: Bestellmenge, Annahmen, verantwortliche Person und Termin zur erneuten Prüfung festhalten.

Absatzplanung, erwartete Wareneingänge und Retouren sind unterschiedliche Planungsobjekte. Sie dürfen nicht in einer zentralen Forecast-Zahl verschwinden, weil sie unterschiedliche Zeitpunkte, Datenquellen und Entscheidungen betreffen. Für intermittierende SKUs ist der Liefertermin besonders relevant: Eine erwartete Jahresmenge beantwortet nicht, ob heute bestellt werden muss.

Der häufigste Fehler im Einkauf ist nicht fehlende Erfahrung, sondern Erfahrung ohne dokumentierte Annahme. Eine angekündigte Sortimentsänderung oder eine bestätigte Lieferverzögerung gehört in den Forecast, weil sie die Entscheidung verändert. Ein still übernommener Bauchwert bleibt dagegen weder prüfbar noch für die nächste Bestellung nutzbar.

"Das ist der Unterschied, wenn du aufhörst, nach Bauchgefühl zu bestellen."

— Jannik Semmelhaack, Founder & CEO, VOIDS – AI-driven Demand Planning · Quelle

Ich verstehe das nicht als Absage an Erfahrung. Einkaufserfahrung gehört in die Annahmen, etwa bei einer angekündigten Sortimentsänderung, einer Mindestmenge oder einem Lieferantenwechsel. Sie muss sichtbar bleiben. Ein Kommentar wie Lieferant bestätigt spätere Nachfrage ist prüfbar; ein nicht dokumentierter Wert nicht. Der Setup-Prozess von VOIDS beschreibt, wie sich SKU-Daten und Planungslogik technisch verbinden lassen, wenn Zuständigkeiten bereits geklärt sind.

Welche Kriterien entscheiden, ob sich der Planungsaufwand lohnt?

Intermittent Demand Forecasting lohnt sich, wenn ein Team verlässliche SKU-, Bestands- und Lieferzeitdaten besitzt und daraus wiederkehrende Bestellentscheidungen ableiten muss. Fehlt eines dieser Elemente dauerhaft, löst das Team zuerst Datenpflege oder Prozessverantwortung. Eine mathematisch anspruchsvolle Prognose ersetzt weder eine unklare SKU-Struktur noch eine Bestellung ohne verantwortliche Person.

Für die Umsetzung prüfe ich vier Kriterien in dieser Reihenfolge. Datenzugang ist die harte Eintrittsbedingung: Verkaufsmengen ohne Bestandsstatus reichen nicht, weil Ausverkäufe als Nachfragepause missverstanden werden. Danach folgt die SKU-Struktur. Varianten, Nachfolger und Bundles benötigen eine eindeutige Zuordnung. Drittens muss eine konkrete Entscheidung existieren, etwa Reorder, Sicherheitsbestand oder Auslauf. Viertens braucht es eine Person, die Annahmen freigibt und Abweichungen nachhält.

Meine Praxiseinschätzung lautet: Ein Forecast wird erst dann operativ relevant, wenn eine benannte Rolle ihn in eine dokumentierte Bestellentscheidung übersetzt. Starte daher nicht mit einer Modellfrage, sondern mit einer Bestellliste. Welche zehn SKUs binden Kapital, verursachen wiederkehrende Klärung im Einkauf oder drohen bis zum Liefertermin auszulaufen?

Eine Präferenz ist die Detailtiefe des Forecasts, etwa Woche statt Monat. Eine harte Grenze ist dagegen fehlende Verfügbarkeitshistorie. Wenn niemand nachvollziehen kann, wann ein Artikel ausverkauft war, darf eine Null-Verkaufsperiode nicht als echte Nachfragebeobachtung in die Entscheidung eingehen. Für Teams, die Aufwand und Nutzen eines strukturierten Prozesses prüfen, bietet der ROI Rechner eine konkrete Rechenbasis.

Wo zeigt sich intermittierende Nachfrage im E-Commerce konkret?

Intermittierende Nachfrage zeigt sich im E-Commerce besonders bei Ersatzartikeln, Varianten mit seltenen Größen- oder Farbabverkäufen, Bundle-Komponenten und einzelnen Retourenströmen. Diese Fälle sehen in einer Shop-Gesamtsicht oft harmlos aus, erzeugen aber auf SKU-Ebene reale Bestandsentscheidungen. Absatz, erwartete Zugänge und Rückläufer bleiben dabei getrennte Planungsobjekte.

Absatzplanung

Ein Ersatzfilter mit der SKU EF-12 wird in einem Acht-Wochen-Fenster an zwei einzelnen Tagen verkauft; in den übrigen Wochen gibt es keine Verkäufe. Planungsobjekt ist EF-12 für die kommenden vier Wochen. Zu prüfen sind die Verkäufe je SKU im abgegrenzten Fenster, der aktuelle Bestand und bereits erwartete Zugänge. Die Vorbereitung dient der Entscheidung, ob und in welcher Menge für EF-12 eine Bestellung eingeplant wird.

Wareneingangsprognose

Für die SKU LT-04 liegen in einem Sechs-Wochen-Fenster einzelne Verkaufsereignisse vor; zugleich ist ein Wareneingang für einen späteren Termin erfasst. Planungsobjekt ist der erwartete Zugang von LT-04 innerhalb der nächsten zwei Wochen. Zu prüfen sind der terminierte Wareneingang, sein Zeitpunkt, der aktuelle Bestand und die Verkäufe der SKU. Die Vorbereitung dient der Entscheidung, ob der erwartete Zugang in der Bestandsplanung berücksichtigt wird oder eine weitere Bestellung geprüft werden muss.

Retourenvorhersage

Die SKU JK-08 weist in einem Vier-Wochen-Fenster einzelne Retourenereignisse auf, zwischen denen keine Retoure erfasst ist. Planungsobjekt sind die Retouren von JK-08 im folgenden Vier-Wochen-Fenster. Zu prüfen sind die Retouren je SKU und Zeitraum, die zugehörigen Verkäufe sowie bereits erwartete Wareneingänge. Die Vorbereitung dient der Entscheidung, ob und wie diese erwarteten Rückläufer in der Bestandsplanung getrennt berücksichtigt werden.

Die drei Kontexte bleiben getrennt: Absatzplanung bereitet eine Bestellentscheidung vor, Wareneingangsprognose die Berücksichtigung erwarteter Zugänge und Retourenvorhersage die Berücksichtigung möglicher Rückläufer. Wer alles in eine Kennzahl presst, verliert den Bezug zur operativen Entscheidung. Stand 2026 ist diese Trennung gerade bei Shopify-Marken mit Varianten, Bundles und kurzen Reorder-Fenstern ein Kernbestandteil sauberer Inventory Planning.

Eigene Suchdaten: Datensatz und Methode ohne Suchmuster-Auswertung

Für den angegebenen Zeitraum liegen Angaben zu Datensatz, Erfassungsfenster und Zahl der Query-/Seiten-Zeilen vor. Es liegen keine Ergebniswerte zu Suchmustern vor. Dieser Abschnitt dokumentiert daher die Methode und beantwortet nicht, welche Suchmuster sich in der Datenbasis zeigen.

Die dokumentierten Angaben belegen ausschließlich, welche Daten in diesem Fenster gezählt wurden. Sie belegen weder die Häufigkeit bestimmter Suchmuster noch Ursachen für Suchverhalten oder Aussagen über spätere Zeiträume. Der Datensatz ist damit eine transparente Methodendokumentation zum Stand 2026, keine Marktprognose für E-Commerce-Nachfrage.

Welche Risiken und Grenzen hat Intermittent Demand Forecasting?

Die Risiken und Grenzen von Intermittent Demand Forecasting liegen in lückenhaften Daten, nicht vergleichbaren Historien und einer zu weit gehenden Interpretation von Prognosewerten. Ein Forecast erzeugt keine Nachfrage und bildet unbekannte Sortiments-, Verfügbarkeits- oder Vermarktungsänderungen nicht sicher ab. Er ist nur so belastbar wie die beobachteten SKU-Daten und die Annahmen, die das Team bei der Bestellung offenlegt.

Das erste Risiko sind verdeckte Ausverkäufe. Eine Null-Verkaufsperiode darf nicht ohne Prüfung als fehlendes Interesse gelesen werden. Das zweite Risiko ist Obsoleszenz: Bei selten nachgefragten Artikeln bindet eine zu hohe Bestellung Bestand über längere Zeit. Die Forschung zu intermittierender Nachfrage behandelt Prognosegenauigkeit und Obsoleszenzrisiko ausdrücklich gemeinsam in der empirischen Untersuchung zu intermittierender Nachfrage.

Das dritte Risiko ist die falsche Übertragung externer Marktbewegungen auf eine einzelne SKU. Die österreichische E-Commerce-Studie 2026 des Handelsverbands beruht auf einer Online-Befragung von 2.017 Personen ab 15 Jahren im April 2026 laut Studienbeschreibung des Handelsverbands. Daraus folgt keine Absatzannahme für eine konkrete Shopify-SKU. Marktinformationen liefern Kontext, aber keine Bestellmenge.

Auch eine umfangreichere Datenverarbeitung hebt diese Grenze nicht auf. Absatzplanung, Wareneingänge und Retouren lassen sich strukturieren, doch ihre Daten und Entscheidungen bleiben unterschiedlich. Meine praktische Grenze lautet: Wenn das Team nicht sagen kann, welche Annahme eine Bestellmenge trägt und wann sie überprüft wird, ist die Zahl keine belastbare Planungsentscheidung. Genau dort trennt sich Operations-Infrastruktur von einer Tabelle, die nur Ordnung simuliert.