Wie KI mit Predictive Analytics Kundenbedürfnisse vorhersagt

Das Lager ist voll mit einem Produkt, das sich als Ladenhüter entpuppt, während der Bestseller seit Wochen vergriffen ist. Das trifft Händler, Produzenten und Dienstleister gleichermaßen. Geplant wird nach Erfahrungswerten, Bauchgefühl und den Verkaufszahlen der letzten Saison, doch ein neuer Trend, ein Lieferausfall oder ein viraler Social-Media-Post verschiebt die Nachfrage innerhalb von Tagen. Übrig bleiben abgesprungene Kunden, Kapital in unverkäuflicher Ware und Umsatz, der bei der Konkurrenz landet.

Dieses Problem ist so alt wie der Handel selbst: die schwierige Vorhersage von Kundenbedürfnissen. Unternehmen reagieren auf die Nachfrage, statt sie einzuplanen. Sobald Wettbewerber ihre Bestellmengen datengetrieben berechnen, kostet dieser Rückstand Marge und Marktanteil.

Es gibt dafür inzwischen eine belastbare Alternative: Predictive Analytics, angetrieben durch Künstliche Intelligenz (KI). Solche Modelle werten Muster in großen Datenmengen aus und rechnen daraus Prognosen über Trends, Kundenverhalten und Nachfrageschwankungen hoch.

Dieser Artikel zeigt, woran traditionelle Prognosemethoden scheitern, welche Daten in ein Prognosemodell gehören und wie Sie die Bestandsplanung damit auf berechnete Mengen umstellen.

Warum traditionelle Prognosen scheitern

Die meisten Unternehmen nutzen für ihre Planung historische Daten. Man schaut sich an, wie viele Einheiten von Produkt A im letzten Quartal verkauft wurden, und leitet daraus eine Schätzung für das kommende Quartal ab. Dieser Ansatz hat jedoch gravierende Schwachstellen:

• Vergangenheitsfixierung: Er geht davon aus, dass die Zukunft eine lineare Fortsetzung der Vergangenheit ist. Plötzliche Marktveränderungen, neue Wettbewerber oder sich wandelnde Kundenpräferenzen werden nicht erfasst. Die COVID-19-Pandemie ist das drastischste Beispiel dafür, wie schnell historische Modelle irrelevant werden können.

• Begrenzte Datenquellen: Traditionelle Methoden berücksichtigen oft nur interne Verkaufsdaten. Externe Faktoren wie Wettervorhersagen, Wirtschaftsindikatoren, Social-Media-Trends oder sogar bevorstehende lokale Ereignisse bleiben unberücksichtigt, obwohl sie die Kaufentscheidungen massiv beeinflussen können.

• Menschliche Voreingenommenheit (Bias): Prognosen, die auf menschlicher Einschätzung beruhen, sind anfällig für Fehleinschätzungen und kognitive Verzerrungen. Ein Manager könnte ein Produkt favorisieren und dessen Potenzial überschätzen, was zu teuren Überbeständen führt.

• Mangelnde Granularität: Eine Prognose für das ganze Land oder eine breite Produktkategorie ist oft zu grob. Die Nachfrage schwankt je nach Region, Produktvariante und Kundengruppe. Wer nur den Gesamtwert kennt, bestellt für einzelne Filialen und Varianten am Bedarf vorbei.

Die Konsequenzen sind bekannt:

• Überbestände (Overstocking): Zu viel Ware im Lager bindet Kapital, verursacht hohe Lagerkosten und führt oft zu Rabattaktionen, die die Marge schmälern.

• Fehlbestände (Out-of-Stock): Nichts ist frustrierender für einen kaufbereiten Kunden als ein leeres Regal. Fehlbestände führen direkt zu Umsatzeinbußen und können Kunden dauerhaft zur Konkurrenz treiben. Eine Studie von IHL Group beziffert die Kosten durch Fehlbestände weltweit auf über eine Billion US-Dollar jährlich.

Was Predictive Analytics tatsächlich rechnet

Predictive Analytics ist angewandte Mathematik und Informatik. Es nutzt Techniken aus den Bereichen Statistik, Data Mining und maschinelles Lernen (ein Teilbereich der KI), um Muster in historischen und aktuellen Daten zu identifizieren und daraus Vorhersagen über zukünftige Ereignisse abzuleiten.

Der Unterschied zur klassischen Auswertung liegt im Zeitpunkt: Ein Verkaufsbericht sagt Ihnen, was letzte Woche über die Kasse ging. Ein Prognosemodell nennt eine Menge für die kommenden Wochen, dazu eine Bandbreite und die Faktoren, die den Wert nach oben oder unten treiben.

Wie funktioniert Predictive Analytics mit KI?

Das Herzstück sind Machine-Learning-Modelle. Diese Algorithmen werden mit riesigen Datenmengen trainiert und lernen, komplexe Zusammenhänge zu erkennen, die für einen Menschen unsichtbar wären.

Der Prozess sieht typischerweise so aus:

1. Datensammlung und -integration: Hier werden alle relevanten Daten zusammengeführt. Das sind nicht nur Ihre internen Verkaufs- und CRM-Daten. Es können auch externe Daten sein:

   • Wetterdaten: Ein Baumarkt kann die Nachfrage nach Grills und Gartenmöbeln vorhersagen, wenn eine Hitzewelle bevorsteht.

   • Social-Media-Daten: Die Analyse von Trends auf TikTok oder Instagram kann aufzeigen, welches Mode-Accessoire als Nächstes durch die Decke geht.

   • Wirtschaftsindikatoren: Die allgemeine Konjunkturlage beeinflusst die Kaufkraft und die Nachfrage nach Luxusgütern.

   • Standortdaten: Die Planung von Events oder Baustellen in der Nähe einer Filiale kann die lokale Nachfrage beeinflussen.

2. Datenaufbereitung: Die gesammelten Daten werden bereinigt, strukturiert und für die Analyse vorbereitet. Die Prognose ist am Ende nur so gut wie die Daten, die hier hineingehen: Dubletten, Lücken und falsch zugeordnete Artikelnummern verzerren das Ergebnis.

3. Modelltraining: Ein passendes Machine-Learning-Modell (z.B. Regressionsmodelle, Zeitreihenanalysen oder neuronale Netze) wird mit den aufbereiteten Daten "trainiert". Das Modell lernt die Zusammenhänge zwischen den verschiedenen Einflussfaktoren und dem tatsächlichen Ergebnis (z.B. der Verkaufsmenge).

4. Prognoseerstellung: Das trainierte Modell wird nun auf aktuelle Daten angewendet, um Vorhersagen für die Zukunft zu erstellen. Beispielsweise: "Basierend auf der aktuellen Wettervorhersage und den Social-Media-Trends wird die Nachfrage nach Produkt B in der Region Süd in den nächsten zwei Wochen um 30 % steigen."

5. Nachtraining: Jede neue Verkaufstransaktion fließt in das nächste Training ein. Die Prognose wird über die Monate genauer, weil das Modell auch die eigenen Fehlschätzungen als Trainingsdaten bekommt.

Weiterführende Artikel auf diesem Blog erklären die Technik dahinter: neuronale Netze, Zeitreihenanalysen und die Frage, welches Verfahren zu welcher Datenlage passt.

Wo sich die Prognosen auszahlen

Der Aufbau kostet zunächst Arbeit an Daten und Modellen. Zurück kommt dieser Aufwand an fünf Stellen:

• Genauere Bestandsplanung: Hier liegt der größte Hebel. Lagerbestände lassen sich an die erwartete Nachfrage anpassen, statt an den Vorjahreswert. Das bedeutet weniger Über- und Fehlbestände, also geringere Lagerkosten und weniger entgangenen Umsatz. Der US-Supermarktriese Walmart steuert seine Lieferketten mit Predictive Analytics, damit die richtigen Produkte zur richtigen Zeit in den richtigen Filialen stehen.

• Effizienteres Marketing und Vertrieb: Wenn Sie wissen, welche Kundensegmente in naher Zukunft wahrscheinlich ein bestimmtes Produkt kaufen werden, können Sie Ihre Marketingkampagnen hyper-gezielt aussteuern. Wie unser vorheriger Beitrag zum Thema KI-gesteuerte Personalisierung statt Gießkannenprinzip zeigt, haben Angebote, die genau dann eintreffen, wenn der Bedarf entsteht, eine ungleich höhere Conversion Rate.

• Verbesserte Preisstrategie (Dynamic Pricing): KI-Modelle sagen vorher, wie sich die Nachfrage bei unterschiedlichen Preispunkten entwickelt. Der Preis lässt sich damit laufend nachziehen, statt ihn für die ganze Saison festzuschreiben. Fluggesellschaften und Hotels arbeiten seit Jahren so.

• Risikomanagement: Predictive Analytics kann auch zur Vorhersage von Kundenabwanderung (Churn Prediction) eingesetzt werden. Das System identifiziert Kunden, die ein hohes Risiko aufweisen, zu kündigen, sodass das Unternehmen proaktiv mit passenden Angeboten oder verbessertem Service gegensteuern kann.

• Strategische Produktentwicklung: Durch die Analyse von Markttrends und Kundenfeedback können Unternehmen vorhersagen, welche Produkte oder Features in Zukunft gefragt sein werden, und ihre Entwicklungs-Roadmap entsprechend ausrichten.

Implementierung in fünf Schritten

Die Einführung von Predictive Analytics zieht sich über Monate und berührt Datenhaltung, Einkauf und Controlling. Für den Start haben sich diese fünf Schritte bewährt:

1. Klares Ziel definieren: Was genau wollen Sie verbessern? Beginnen Sie mit einem spezifischen, messbaren Problem, z.B. "Reduzierung der Überbestände in der Produktkategorie X um 15 % innerhalb von 6 Monaten".

2. Daten-Audit durchführen: Identifizieren Sie, welche Daten Sie bereits haben und welche externen Datenquellen relevant sein könnten. Die Schaffung einer soliden, zentralisierten Datenbasis (z.B. ein Data Warehouse oder eine Customer Data Platform) ist das Fundament.

3. Die richtige Technologie auswählen: Self-Service-Plattformen wie Tableau oder Power BI mit KI-Features decken Standardfälle ab. Wer eigene Modelle trainiert, arbeitet mit Machine-Learning-Frameworks wie TensorFlow oder PyTorch.

4. Expertise aufbauen oder einkaufen: Sie benötigen Know-how in den Bereichen Data Science und Datenanalyse. Entscheiden Sie, ob Sie ein internes Team aufbauen oder mit externen Beratern und Dienstleistern zusammenarbeiten.

5. Pilotprojekt starten: Testen Sie Ihren Ansatz an einem begrenzten Anwendungsfall. So können Sie schnell erste Erfolge erzielen, aus Fehlern lernen und die Akzeptanz im Unternehmen für weitere Projekte erhöhen.

Predictive Analytics läuft im Dauerbetrieb: Die Modelle werden nachtrainiert, sobald sich Sortiment, Preise oder Absatzkanäle ändern.

Was das für Ihre Planung heißt

Wer Bestellmengen, Kampagnen und Preise festlegt, braucht eine Zahl für die kommenden Wochen. Erfahrungswerte und die Vorjahresstatistik liefern die nicht mehr, sobald sich die Nachfrage innerhalb weniger Tage verschiebt.

Predictive Analytics mit Künstlicher Intelligenz liefert diese Zahl, zusammen mit den Faktoren, die sie treiben. Lager, Marketing und Sortimentsplanung arbeiten dann mit derselben Prognose statt mit drei eigenen Schätzungen.

Der Einstieg kostet Zeit für die Datenbereinigung und ein erstes Modell. Rechnen Sie mit einem Pilotprojekt in einer Produktkategorie, bevor Sie die Prognose auf das gesamte Sortiment ausweiten.