Prognosegenauigkeit im Onlineshop messen bedeutet, einen vorab festgehaltenen Forecast mit dem späteren Ist-Bedarf zu vergleichen – getrennt nach SKU, Variante, Lager, Vertriebskanal und Zeitraum. Die Messung zeigt, wo Einkaufs- und Nachbestellentscheidungen regelmäßig zu hoch oder zu niedrig liegen. Für die operative Planung zählen deshalb Fehlerhöhe, Fehlerrichtung und die Ursache der Abweichung gemeinsam.
- Ein Forecast ist nur messbar, wenn die Version vor Beginn des Messzeitraums gespeichert wird.
- Ist-Absatz, verfügbarer Bestand und verlorene Nachfrage müssen getrennt betrachtet werden.
- MAPE, MAE, WAPE und Bias beantworten unterschiedliche Fragen und ersetzen einander nicht.
- A-Artikel, neue Produkte, Kampagnenware und B2B-Projektaufträge brauchen eigene Auswertungen.
- Stand 2026 ist eine nachvollziehbare Datenlogik wichtiger als eine einzelne Gesamtquote.
Prognosegenauigkeit ist die Nähe zwischen vorhergesagtem und tatsächlich eingetretenem Bedarf. Der Prognosefehler ist die Differenz zwischen Forecast und Ist-Wert; die Auswertung früherer Fehler unterstützt die Anpassung künftiger Planungen. Diese Grundlogik beschreibt auch die Einordnung von Prognosegenauigkeit und Prognosefehler.
Für Onlineshops wird der Ist-Wert schnell missverstanden. Verkauft sich eine Variante wegen eines Stock-outs nicht mehr, bildet der Absatz nur die verfügbare Menge ab und nicht zwingend die gesamte Nachfrage. Stornos, Retouren, Bundles, Preiswechsel und nicht erfüllte Bestellungen gehören daher als eigene Kennzeichen in die Auswertung. Sonst bewertet das Team Datenartefakte statt Forecast-Qualität.
Die Relevanz steigt, sobald Sortiment, Beschaffungszeit oder Vertriebskanäle komplexer werden. Der Online-Vermarkterkreis im BVDW prognostizierte für den deutschen Online-Display- und -Videowerbemarkt 2025 ein Wachstum von 8,5 Prozent auf rund 7,5 Milliarden Euro; Produktverfügbarkeit und Messbarkeit bleiben im Branchenblick auf 2026 zentrale Themen. Die Angaben stehen in der OVK-Prognose des BVDW.
Was ist Prognosegenauigkeit im Onlineshop?
Prognosegenauigkeit im Onlineshop ist eine Kennzahl für die Abweichung zwischen geplantem Bedarf und späterem Ist-Bedarf. Sie bewertet einen Forecast erst nach Ablauf des gewählten Zeitfensters. Eine verlässliche Auswertung verknüpft die Abweichung mit dem Artikel, dem Lagerort, dem Kanal und der konkreten Planungsentscheidung.
Der Begriff „Bedarf“ verdient dabei Präzision. Für die Nachbestellung ist nicht automatisch jede Bestellung der richtige Ist-Wert: Stornierte Aufträge, Retouren oder nicht lieferbare Artikel verändern den Blick auf die Nachfrage. Ein Team sollte deshalb vorab festlegen, ob es Abverkauf, ausgelieferte Menge, Auftragsmenge oder um Stock-outs bereinigten Bedarf misst.
Stand 2026 gilt: Eine einzelne Shop-Gesamtquote ist für den Einkauf zu grob. Ein margenstarker Bestseller mit Unterprognose verursacht ein anderes Risiko als mehrere langsam drehende Varianten mit Überprognose. Die operative Einheit der Analyse ist deshalb meist die SKU oder Variante, ergänzt um Kategorie, Lager und Vertriebsweg.
Die Prognosegenauigkeit misst, wie dicht Ihre Bedarfsprognose an den tatsächlichen Bedarfswerten liegt. Sie können sie zusammen mit dem Prognosefehler verwenden, um die Genauigkeit Ihrer Prognosen für den Bedarf zu ermitteln. Der Prognosefehler ist die Differenz zwischen dem tatsächlichen Bedarf und dem prognostizierten Bedarf. Eine Möglichkeit, die Qualität Ihrer Bedarfsprognose zu überprüfen, ist die Berechnung der Prognosegenauigkeit, auch Prognosefehler genannt. Die Prognosegenauigkeit zeigt die Abweichung der tatsächlichen Nachfrage von der prognostizierten Nachfrage. Wenn Sie die Fehlerquoten Ihrer früheren Bedarfsprognosen kennen, können Sie künftige Prognosen verbessern und die Planung bei Bedarf anpassen. Quelle: Berechnung der Prognosegenauigkeit und des Prognosefehlers.
Wie funktioniert der Ablauf zur Messung der Prognosegenauigkeit?
Der Ablauf zur Messung der Prognosegenauigkeit beginnt mit einem eingefrorenen Forecast und endet mit einer dokumentierten Ursache für relevante Abweichungen. Forecast und Ist-Wert müssen dieselbe Granularität besitzen. Ein Wochenforecast je Variante lässt sich nicht sinnvoll gegen einen Monatswert der gesamten Kategorie bewerten.
- Messobjekt festlegen: Bestimmen Sie SKU, Variante, Lagerort, Kanal und Forecast-Horizont.
- Forecast archivieren: Speichern Sie die Planversion, die vor dem betrachteten Zeitraum vorlag.
- Ist-Daten klassifizieren: Trennen Sie reguläre Verkäufe, Stornos, Retouren, Stock-outs, Bundles und Sonderaufträge.
- Fehler berechnen: Werten Sie absolute Abweichung, prozentuale Abweichung und Bias aus.
- Ursachen zuordnen: Prüfen Sie Kampagnen, Preisänderungen, Lieferzeit, Bestand, Produktwechsel und Datenfehler.
- Planungsregel anpassen: Ändern Sie Forecast-Parameter, Sicherheitsbestand, Bestellrhythmus oder Segmentierung nachvollziehbar.
Ein sauberer Datenbestand ist die Voraussetzung für diesen Prozess. In Shopify lassen sich Bestände auf Produkt-, Varianten- und Standortebene führen; die offizielle Shopify-Dokumentation zur Bestandsverwaltung beschreibt diese Grundlagen. Wer Lagerbewegungen und Varianten nicht konsistent zuordnet, misst keine belastbare Nachfrageabweichung.
Prognosen sind kein Versprechen, sondern Wahrscheinlichkeitsaussagen. Gute Forecasts zeichnen sich nicht durch maximale Genauigkeit aus, sondern durch Transparenz, Konsistenz und die Fähigkeit, Unsicherheit systematisch abzubilden – etwa über Best- und Worst-Case-Szenarien. In der Statistik bezeichnet Prognosegenauigkeit die Abweichung zwischen prognostiziertem und tatsächlichem Wert.Im Management ist jedoch entscheidender, ob eine Prognose handlungsrelevant war. Quelle: Wie belastbar sind Prognosen wirklich? Und wie Unternehmen mit ....
Welche Kennzahlen passen zu SKU, Sortiment und Nachbestellung?
Die passende Kennzahl richtet sich nach dem Zweck der Entscheidung. MAE zeigt die durchschnittliche Abweichung in Stück, MAPE eine prozentuale Abweichung und Bias die dauerhafte Richtung des Fehlers. WAPE gewichtet hohe Absatzmengen stärker und eignet sich daher für eine aggregierte Sortimentssicht.
| Kriterium | Geeignete Auswertung | Nutzen für die Planung | Grenze |
|---|---|---|---|
| Wenige Artikel mit ähnlichem Volumen | MAE in Stück | Zeigt die konkrete Fehlmenge je Artikel | Große und kleine Artikel werden nicht nach Umsatz oder Menge gewichtet |
| Varianten mit ausreichendem Absatz | MAPE | Vergleicht relative Abweichungen zwischen Varianten | Bei null oder sehr kleinen Ist-Werten verzerrt |
| Großes Sortiment mit A- und C-Artikeln | WAPE | Gewichtet den Fehler über die tatsächliche Gesamtmenge | Verdeckt schwache Einzelartikel |
| Wiederkehrende Über- oder Unterplanung | Bias | Zeigt die Richtung eines systematischen Fehlers | Erklärt nicht die Ursache |
| Neue Produkte oder Kampagnenartikel | Vergleichsartikel und Szenarien | Macht Annahmen transparent | Es fehlt belastbare eigene Verkaufshistorie |
Eine einfache Formel für die absolute prozentuale Abweichung lautet: |Ist-Bedarf − Forecast| / Ist-Bedarf × 100. Sie funktioniert nur bei Ist-Werten über null. Bei einem Artikel ohne Absatz braucht das Team eine andere Prüfung: War keine Nachfrage vorhanden, war die Variante nicht verfügbar oder wurde der Artikel gerade erst eingeführt?
Prognosen sind Wahrscheinlichkeitsaussagen und keine Zusage für einen exakten Absatz. Handlungsrelevant wird ein Forecast, wenn Annahmen, Szenarien und Abweichungen transparent bleiben. Diese Einordnung zur Unsicherheit und zu Best- sowie Worst-Case-Szenarien erläutert Companyon für die betriebliche Prognosepraxis.
Digitale Werbung bleibt weiterhin auf Wachstumskurs. Für das Jahr 2025 prognostiziert der Online-Vermarkterkreis (OVK) im Bundesverband Digitale Wirtschaft (BVDW) e. V. einen Umsatzanstieg von 8,5 Prozent. Damit erreicht der deutsche Online-Display- und -Videowerbemarkt ein Gesamtvolumen von rund 7,5 Milliarden Euro. Der OVK beschäftigt sich mit Blick auf 2026 mit den Themen Künstliche Intelligenz, ID-Lösungen, Produktverfügbarkeit sowie der Messbarkeit von Werbewirkung. Im Fokus stehen die Auswirkungen großer KI-Sprachmodelle und KI-getriebener Suche auf den Werbemarkt. Ziel ist es, die Aufklärung im Markt weiter voranzutreiben. Praxisnahe Handlungsempfehlungen sollen Publishern helfen, angemessen auf die Veränderungen durch KI-Technologien zu reagieren. Quelle: OVK-Prognose: Online-Werbemarkt wächst trotz Unsicherheiten stabil.
Welche Entscheidungskriterien bestimmen eine belastbare Forecast-Messung?
Eine belastbare Forecast-Messung entsteht aus klaren Daten- und Prozessregeln. Der wichtigste Prüfpunkt ist die Vergleichbarkeit: Forecast, Ist-Wert und Bestandsstatus müssen auf derselben Ebene vorliegen. Wer Kanal-, Lager- oder Variantendaten zusammenzieht, bevor Ursachen geprüft sind, verliert die entscheidende Information.
- Forecast-Horizont: Wöchentliche Nachbestellung und monatlicher Einkauf benötigen getrennte Forecasts.
- Lieferzeit: Der Planungszeitraum muss zur realen Beschaffungszeit passen.
- SKU-Segmentierung: A-Artikel, Saisonware, neue Produkte und Auslaufmodelle dürfen nicht gleich behandelt werden.
- Verfügbarkeit: Stock-outs müssen sichtbar bleiben, damit fehlender Absatz nicht als fehlende Nachfrage gilt.
- Verantwortung: Einkauf, Operations und Marketing benötigen ein gemeinsames Ursachenraster.
Bei mehreren Lagern oder Märkten ist die Standortebene unverzichtbar. Ein Produkt kann im zentralen Lager verfügbar und in einem regionalen Lager ausverkauft sein. Die Shop-Gesamtmenge liefert dann keine Antwort auf die Nachbestellfrage des einzelnen Standorts.
B2B-Shops benötigen zusätzlich eine Kundensegmentierung. Ein einmaliger Großauftrag darf die reguläre Wiederbeschaffungslogik nicht dominieren, während wiederkehrende Rahmenbestellungen als eigenes Muster zählen. Diese Trennung verhindert, dass Projektgeschäft als allgemeiner Basisbedarf interpretiert wird.
31.08.2026 Messevisa: Lange Wartezeit für Messebesucher aus der Türkei Wartezeiten für Aussteller und Besucher aus dem visumpflichtigen Ausland, die an Messen in Deutschland teilnehmen wollen, bleiben eine Herausforderung. Wartezeiten für Aussteller und Besucher aus dem visumpflichtigen Ausland, die an Messen in Deutschland teilnehmen wollen, bleiben eine Herausforderung. Quelle: Prognos-Studie zeigt Bedeutung der deutschen Messewirtschaft.
Welche Praxisbeispiele zeigen typische Forecast-Fehler im E-Commerce?
Praxisbeispiele machen sichtbar, warum eine Gesamtquote keine Steuerungsgröße ersetzt. Wichtig ist nicht nur die Größe des Fehlers, sondern sein wirtschaftlicher Ort: bei einer kritischen Variante, in einem bestimmten Lager oder in einem kurzen Aktionsfenster. Vier typische Fälle zeigen die nötige Differenzierung.
Fall 1: Bestseller in einer einzelnen Größenvariante
Ein D2C-Shop plant die Gesamtmenge eines Artikels korrekt, unterschätzt aber eine häufig gekaufte Größenvariante. Die Gesamtquote wirkt unauffällig, während genau diese Variante ausverkauft ist. Die richtige Reaktion lautet: Forecast und Verfügbarkeit auf Variantenebene prüfen, statt die Nachbestellung über den Artikelgesamtwert zu steuern.
Fall 2: Kampagne verschiebt den normalen Bedarf
Eine zeitlich begrenzte Aktion steigert die Nachfrage einer Kategorie deutlich. Wird dieser Zeitraum in die normale Baseline übernommen, überschätzt der nächste Forecast den regulären Bedarf. Kampagnenzeitraum, Preiswechsel und Marketingimpuls erhalten deshalb ein eigenes Kennzeichen, damit sie in der Auswertung nicht als gewöhnliche Nachfrage erscheinen.
Fall 3: Stock-out erzeugt einen falschen Nullwert
Eine Variante ist mehrere Tage nicht verfügbar und erzielt in dieser Zeit keinen Umsatz. Der Absatzwert von null beweist keine Nachfrage von null. Der Auswertungsprozess muss den Stock-out markieren und prüfen, ob offene Bestellungen, Suchanfragen oder vergleichbare Verkaufstage auf nicht erfüllte Nachfrage hinweisen.
Fall 4: B2B-Projektauftrag verzerrt den Wiederbeschaffungsbedarf
Ein einzelner Kunde bestellt eine ungewöhnlich große Menge für ein Projekt. Fließt der Auftrag unmarkiert in den Standardforecast, steigt die nächste Beschaffungsmenge unnötig. Eine eigene Kennzeichnung für Projektgeschäft schützt den regulären Bedarf vor dieser Verzerrung und verbessert die Abstimmung zwischen Vertrieb und Einkauf.
Welche Risiken und Grenzen hat die Prognosegenauigkeit im Onlineshop?
Prognosegenauigkeit ist kein Beweis für eine fehlerfreie Bestandsplanung. Selbst ein geringer Durchschnittsfehler schützt nicht vor Fehlmengen bei wichtigen Artikeln oder Überbestand in langsamen Varianten. Die Kennzahl muss daher mit Lieferzeit, Mindestbestellmenge, Lagerreichweite und Verfügbarkeit verbunden werden.
Neue Produkte sind ein klarer Grenzfall. Ohne Verkaufshistorie basiert der erste Forecast auf Vergleichsartikeln, Markteinschätzungen oder Kampagnenannahmen. Die richtige Steuerung dokumentiert diese Annahmen, misst die ersten Abweichungen eng und passt die Planung schrittweise an, statt eine scheinbare Genauigkeit zu behaupten.
Auch Datenmigrationen schaffen Risiken. Wenn sich Varianten-IDs, Produktstrukturen oder Bestandsquellen ändern, ist ein Vorher-Nachher-Vergleich nur mit sauberem Mapping aussagekräftig. Shopify weist für den Übergang von Stocky auf die Umstellung auf die eigene Bestandsverwaltung hin; die Migrationshinweise von Shopify machen deutlich, dass Prozess- und Datenwechsel bewusst begleitet werden müssen.
Stand 2026 bleibt die größte Fehlannahme die Gleichsetzung von Absatz und Nachfrage. Ein Forecast kann den beobachteten Absatz gut treffen und dennoch die reale Nachfrage unterschätzen, wenn Verfügbarkeit, Lieferfähigkeit oder Sichtbarkeit im Shop begrenzt waren. Diese Einschränkung gehört in jede Management-Auswertung.
Wie lassen sich Aufwand, Kosten und Nutzen der Messung einordnen?
Der Nutzen der Messung liegt in besseren Beschaffungsentscheidungen und nachvollziehbaren Ausnahmen. Der Aufwand entsteht vor allem durch Datenbereinigung, Forecast-Versionierung, Segmentierung und den festen Review-Rhythmus. Eine Kennzahl ohne Verantwortlichkeit spart keine Zeit, weil ungeklärte Abweichungen dann nur in ein Dashboard verschoben werden.
| Optionstyp | Typischer Aufwand | Stärke | Passender Einsatz |
|---|---|---|---|
| Manuelle Tabellenanalyse | Regelmäßige Pflege und klare Datenregeln | Direkter Einstieg bei überschaubarem Sortiment | Erste SKU- und Wochenanalyse |
| Shop- und ERP-Reporting | Saubere Zuordnung von Artikeln, Standorten und Beständen | Gemeinsame operative Datenbasis | Mehrere Lager oder Kanäle |
| Forecasting-Workflow mit Ausnahmen | Regeln für Lieferzeit, Saison, Kampagne und Freigaben | Verknüpft Fehler mit Bestellentscheidungen | Wachsendes Sortiment und wiederkehrendes Replenishment |
| Individuelle Entwicklung | Fachkonzept, Datenmodell und dauerhafte Wartung | Abbildung eines nachweislich speziellen Prozesses | Erst nach Prüfung vorhandener Standardprozesse |
Eine schlanke Messung startet mit wenigen priorisierten Artikeln und einem festen Review. Das reduziert den Einführungsaufwand und zeigt rasch, ob fehlende Daten, falsche Segmentierung oder ein echter Forecast-Fehler die Planung stören. Danach lässt sich die Auswertung auf weitere Lager, Kategorien und Märkte ausdehnen.
Checkliste für die erste Messung der Prognosegenauigkeit
Eine Checkliste verhindert, dass eine Fehlerquote ohne belastbare Vergleichsgrundlage berechnet wird. Jeder Punkt betrifft eine konkrete Entscheidung im Onlineshop: Datenbasis, Zeitraum, Ausnahmefall oder Verantwortung. Erst wenn diese Punkte geklärt sind, liefert die Kennzahl eine brauchbare Grundlage für Einkauf und Replenishment.
- Ist für jede SKU oder Variante eindeutig definiert, welcher Wert als Bedarf zählt?
- Ist der Forecast vor Start des Messzeitraums gespeichert und unverändert abrufbar?
- Nutzen Forecast und Ist-Wert denselben Zeitraum, Kanal, Lagerort und dieselbe Einheit?
- Sind Stock-outs, Stornos, Retouren, Bundles und Projektaufträge als Ausnahmen markiert?
- Wurde für A-Artikel eine eigene Auswertung statt einer bloßen Gesamtquote eingerichtet?
- Ist die Lieferzeit in der Nachbestellentscheidung berücksichtigt?
- Zeigt Bias, ob die Planung dauerhaft zu hoch oder zu niedrig liegt?
- Gibt es eine verantwortliche Person für Ursachenanalyse und Anpassung der Planungsregel?
Diese Prüfpunkte erzeugen eigenen operativen Erkenntnisgewinn, weil sie aus einer abstrakten Quote eine konkrete Arbeitsroutine machen. Ein Team erkennt dann nicht nur, dass ein Fehler vorliegt, sondern ob er aus Produktdaten, Verfügbarkeit, Kampagnensteuerung oder Beschaffung stammt.
Wann ist die Lösung nicht die richtige Wahl?
Eine Forecasting-Lösung ist nicht die richtige Wahl, wenn grundlegende Bestands- und Artikelbewegungen nicht nachvollziehbar sind. Fehlende Varianten-Zuordnungen, unklare Lieferzeiten oder nicht gepflegte Lagerorte lassen sich nicht durch eine zusätzliche Kennzahl beheben. In diesem Fall steht die Bereinigung von Stammdaten und Prozessverantwortung vor der Automatisierung.
Auch bei einem sehr kleinen, stabilen Sortiment mit kurzen Beschaffungswegen reicht oft eine einfache, regelmäßig gepflegte Auswertung. Zusätzliche Software erzeugt dann mehr Pflege als Nutzen. Erst wiederkehrende Nachbestellungen, viele Varianten, mehrere Lager oder auffällige Forecast-Abweichungen rechtfertigen einen umfassenderen Workflow.
voids.ai ist eine sachliche Option für E-Commerce- und DTC-Teams, die Forecasting mit Bestandsplanung, Einkauf und Replenishment verbinden wollen. Der Fit besteht, wenn Forecast-Versionen, Lieferzeiten, Varianten und Bestellentscheidungen gemeinsam gesteuert werden sollen. Ein sinnvoller nächster Schritt ist ein Daten- und Prozesscheck anhand der Checkliste, bevor ein Systemwechsel oder ein neues Reporting festgelegt wird.
Häufige Fragen (FAQ) zu Prognosegenauigkeit im Onlineshop messen
Diese Antworten fassen die wichtigsten Entscheidungspunkte zu Prognosegenauigkeit im Onlineshop messen kurz und konkret zusammen.
Wie oft sollte man Prognosegenauigkeit im Onlineshop messen?
Der Messrhythmus folgt dem Planungsrhythmus. Für kurzfristiges Replenishment eignet sich eine wöchentliche Auswertung, für längere Beschaffungsentscheidungen oft eine monatliche Betrachtung.
Was ist der Unterschied zwischen Forecast-Fehler und Bias?
Der Forecast-Fehler misst die Größe der Abweichung zwischen Plan und Ist-Wert. Bias zeigt, ob Forecasts über mehrere Perioden systematisch zu hoch oder zu niedrig liegen.
Warum ist MAPE bei manchen Artikeln ungeeignet?
MAPE wird bei null oder sehr kleinen Ist-Werten instabil, weil die Formel durch den Ist-Wert teilt. Für langsam drehende Artikel sind MAE, WAPE oder separate Ausnahmeregeln oft besser geeignet.
Sollten Retouren in den Ist-Bedarf einfließen?
Retouren sollten separat gekennzeichnet werden. Wichtig ist eine einheitliche Definition, ob Brutto-Nachfrage, ausgelieferte Menge oder netto behaltene Ware gemessen wird.
Wie werden Stock-outs bei der Forecast-Messung behandelt?
Stock-outs werden als Verfügbarkeitsereignis markiert und nicht als Nachfrage von null gewertet. Anschließend wird geprüft, ob Hinweise auf nicht erfüllten Bedarf vorliegen.
Welche Ebene ist für die Auswertung am wichtigsten?
Für Nachbestellungen ist meist die Kombination aus SKU oder Variante, Lagerort und Zeitraum ausschlaggebend. Gesamtwerte auf Kategorie- oder Shop-Ebene dienen nur als Ergänzung.
Wie geht man mit neuen Produkten ohne Verkaufshistorie um?
Neue Produkte werden mit Vergleichsartikeln und dokumentierten Launch-Annahmen geplant. Die ersten Verkaufsperioden werden eng überprüft und schrittweise in die reguläre Forecast-Logik überführt.
Reicht eine gute Prognosegenauigkeit für bessere Verfügbarkeit aus?
Nein. Verfügbarkeit hängt zusätzlich von Lieferzeit, Bestellmenge, Sicherheitsbestand, Lagerbestand und operativer Umsetzung ab. Die Kennzahl bewertet nur die Qualität der Bedarfsschätzung.
Verfügbarkeit erhöhen. Kapitalbindung senken.
Finde in einem Inventory Audit deinen größten Einkaufshebel.
Jannik Semmelhaack · CEO & Founder, VOIDS
Jannik ist Gründer und CEO von VOIDS. Er verbindet tiefes Verständnis für KI-gestütztes Demand Forecasting mit hands-on E-Commerce-Erfahrung und hilft DTC-Brands dabei, datengetriebene Entscheidungen in der Supply Chain zu treffen.
Redaktionell geprüft durch die VOIDS Redaktion.
VOIDS unterstützt Consumer Brands dabei, fundierte Einkaufs- und Bestandsentscheidungen zu treffen. Unsere Inhalte werden auf Klarheit, Praxisrelevanz und sachliche Richtigkeit geprüft.
HYROX