Wie du eine Bestandsprognose liest, der du vertrauen kannst

Eine vertrauenswürdige Bestandsprognose ist keine Black Box, die dir eine Zahl ausspuckt und dich bittet, sie zu glauben. Sie ist eine kurze Kette von Rechenoperationen, bei der jedes Ergebnis auf Eingaben zurückgeführt werden kann, die du bereits besitzt: deine Verkaufshistorie, die Lieferzeit deines Lieferanten und ein Servicelevel-Ziel, das du selbst setzt. Wenn du weißt, wie du diese fünf Zahlen liest, kannst du jede Prognose in Minuten überprüfen und Fehler abfangen, bevor sie zu Lagerbeständen oder Überbeständen führen.

Wichtigste Erkenntnisse

• Jede Bestandsprognose basiert auf fünf überprüfbaren Zahlen: durchschnittliche tägliche Nachfrage, Nachfragevariabilität, Lieferzeit, Sicherheitsbestand und Nachbestellungspunkt.
• Prognose-genauigkeit (wie nah die Zahl dran ist) und Prognose-verzerrung (ob sie konsistent zu hoch oder zu niedrig ist) sind unterschiedliche Probleme, die unterschiedliche Lösungen erfordern.
• Eine Prognose mit null Verzerrung ist normalerweise weniger schädlich als eine hochgenaue, aber systematisch schiefe.
• MAPE ist die häufigste Genauigkeitskennzahl, funktioniert aber bei langsam laufenden oder intermittierenden SKUs nicht. Nutze stattdessen MAD oder wMAPE.
• Intransparente Prognosewerkzeuge untergraben das Vertrauen und führen dazu, dass Planer gute Empfehlungen außer Kraft setzen, ohne es zu merken.

Die fünf Zahlen, auf denen jede Prognose aufbaut

Wenn du jedes Prognosetool wegnimmst, reduziert sich die Mathematik dahinter auf fünf Variablen. Wenn dein Tool dir diese nicht zeigen kann, kannst du seine Ergebnisse nicht überprüfen.

1. Durchschnittliche tägliche Nachfrage (ADD) - die durchschnittliche Anzahl der pro Tag verkauften Einheiten über dein gewähltes Rückblickfenster (typischerweise 30, 60 oder 90 Tage). Kurze Fenster reagieren besser auf Trends, lange Fenster sind stabiler, reagieren aber langsamer auf Geschwindigkeitsveränderungen.
2. Standardabweichung der Nachfrage (σd) - wie sehr die täglichen Verkäufe um diesen Durchschnitt schwanken. Eine SKU, die konstant 10 Einheiten/Tag verkauft, hat eine niedrige σd; eine SKU, die werktags 0 und samstags 50 verkauft, hat eine hohe.
3. Lieferzeit (LT) - die Anzahl der Kalendertage zwischen Aufgabe einer Bestellung und Empfang der Ware. Falls diese je Lieferant unterschiedlich ist, nutze den Durchschnitt und seine Standardabweichung (σLT), denn Lieferzeitvariabilität treibt die Sicherheitsbestände oft mehr an als Nachfragevariabilität.
4. Sicherheitsbestand (SS) - die Puffereinheiten, die gehalten werden, um Variabilität zu absorbieren. Die Standardformel ist: SS = Z × σd × √LT, wobei Z der Service-Level-Multiplikator ist (1,28 für 90%, 1,65 für 95%, 2,05 für 98%).
5. Nachbestellungspunkt (ROP) - die verfügbare Menge, die eine neue Bestellung auslöst: ROP = (ADD × LT) + SS.

Diese Formeln sind seit Jahrzehnten etablierte Supply-Chain-Mathematik. Jedes moderne Prognosetool automatisiert diese gleiche Arithmetik im SKU-Maßstab. Die Formel zu kennen bedeutet, dass die Genauigkeitsversprechung eines Anbieters aufhört ein Verkaufsargument zu sein und zu einer Zahl wird, die du überprüfen kannst.

Prognosegenauigkeit vs. Prognoseverzerrung: warum der Unterschied zählt

Die meisten Händler denken nur an Genauigkeit, also wie nah die Prognose am tatsächlichen Verkauf war. Aber Verzerrung ist das gefährlichere Problem, weil es still wirkt.

Prognosegenauigkeit misst die Größe des Fehlers, unabhängig von der Richtung. Die häufigste Kennzahl ist MAPE (Mean Absolute Percentage Error):

MAPE = |Actual - Forecast| / Actual × 100

MAPE drückt den Fehler als Prozentsatz aus, was die Kommunikation über SKUs hinweg einfach macht. Ein MAPE unter 20% gilt im E-Commerce generell als gut, unter 10% ist hervorragend. Allerdings hat MAPE eine bekannte Schwäche: es bricht zusammen, wenn die tatsächliche Nachfrage null oder sehr klein ist, denn die Division durch eine nahezu null Zahl bläht das Ergebnis dramatisch auf. Bei langsam laufenden oder intermittierenden SKUs gibt MAD (Mean Absolute Deviation, gemessen in Einheiten) oder wMAPE (das Fehler nach Volumen gewichtet) ein klareres Bild.

Prognoseverzerrung misst, ob der Fehler konsistent in eine Richtung geht. Positive Verzerrung bedeutet, die Prognose ist chronisch zu niedrig, was wiederholte Lagerbestände verursacht. Negative Verzerrung bedeutet, die Prognose ist chronisch zu hoch, was Kapital in Überbeständen bindet.

Eine Prognose mit 20% MAPE aber null Verzerrung ist weit weniger schädlich als eine mit 15% MAPE und konsistenter Überprognose-Schiefe. Fehler, die sich über Perioden aufheben, sind Rauschen. Fehler, die sich in eine Richtung aufaddieren, sind Arbeitsmittelvernichtung.

Drei Wege, wie eine Black-Box-Prognose deine Operationen untergräbt

Ein Werkzeug, das dir eine Nachbestellmenge zeigt, aber nicht die Begründung dahinter, schafft drei echte Betriebsrisiken.

• Stille Außerkraftsetzungen. Wenn Planer nicht verstehen, warum eine Empfehlung gemacht wurde, setzen sie sie basierend auf Bauchgefühl außer Kraft. Forschung der Case Western Reserve University zeigte, dass Transparenz ist, was Prognosen handlungsfähig macht; technische Genauigkeit schafft Potenzial, aber Interpretierbarkeit schafft Adoption.
• Nicht erkannte Verzerrung. Wenn du die Nachfrageeingaben nicht sehen kannst, kannst du nicht erkennen, ob eine einmalige Promotionsspitze oder eine Lagerbestands-Periode (wo die Nachfrage künstlich unterdrückt war) die Grundlinie verzerrt.
• Langsame Korrekturzyklen. Ohne die Mathematik zu sehen, kann ein falscher Sicherheitsbestand-Multiplikator oder eine veraltete Lieferzeit monatelang bestehen bleiben, bevor jemand das Muster bemerkt.

Das ist das Kernargument für erklärbare Prognosen: nicht, dass algorithmische Tools schlecht sind, sondern dass jede Empfehlung die Arithmetik zeigen sollte, damit du ja sagen, überschreiben oder die Eingaben anpassen kannst.

Wie du eine Prognoseempfehlung in unter fünf Minuten überprüfst

Wenn dein Werkzeug eine Nachbestellungsempfehlung ausgibt, führe diese schnelle Plausibilitätsprüfung durch, bevor du handelst:

1. Bestätige das Rückblickfenster. Schließt es einen Lagerbestands-Zeitraum aus, in dem die Nachfrage künstlich unterdrückt war? Lagerbestands-Perioden lassen ADD niedriger aussehen als es wirklich ist, was die Nachbestellmenge schrumpft.
2. Überprüfe die Lieferzeiteen eingabe. Ist es der tatsächliche Durchschnitt deiner letzten 5 bis 10 Bestellungen oder ein alter Standard? Eine um 5 Tage zu kurze Lieferzeit bei einer schnell laufenden SKU kann deinen ganzen Sicherheitsbestand eliminieren.
3. Verifiziere den Service-Level Z-Score. Die meisten Tools setzen auf 95% (Z = 1,65). Wenn die Marge auf dieser SKU dünn ist und ein Lagerbestand einen Kunden für immer kostet, wünschst du dir vielleicht 98% (Z = 2,05).
4. Kreuzprüfe den Nachbestellungspunkt gegen die Verkaufsrate. Nimm ROP dividiert durch ADD. Das ist, wie viele Tage der Deckung der Auslösepunkt darstellt. Wenn er kleiner als deine Lieferzeit ist, ist der Puffer zu dünn.
5. Achte auf saisonale Anstiege. Wenn die Nachfrage historisch in Q4 um 30% steigt, wird ein Modell mit 90-Tage-Rückblick, das im Juli beginnt, das verpassen. Eine gute Prognose markiert das entweder oder lässt dich einen saisonalen Multiplikator manuell anwenden.

Diese fünf-Schritte Überprüfung dauert ein paar Minuten, wenn du die Zahlen kennst. Der Gewinn ist der Unterschied zwischen einer Nachbestellung, die du verstehst, und einer, auf die du einfach hoffst, dass sie richtig ist.

Warum 2026 das Jahr ist, in dem Händler diese Transparenz fordern

Das Drängen auf erklärbare Prognosen ist nicht nur eine akademische Vorliebe. Da immer mehr Shopify-Händler zu automatisierten Nachbestellungswerkzeugen übergegangen sind (besonders seit der Schließung von Shopifys eigenem Stocky-App im August 2026), ist die Frage warum ein Werkzeug etwas empfiehlt, praktisch geworden. Ein Händler, der ein neues System übernimmt, muss es schnell vertrauen, was bedeutet, die erste 10 oder 20 Empfehlungen manuell zu überprüfen, bevor er bereit ist, den Rest automatisch durchzuführen.

Der Supply-Chain-Forschungskonsens 2026 ist klar: opake Prognosemodelle reduzieren das Vertrauen des Planers, erhöhen manuelle Außerkraftsetzungen und verschlechtern letztlich die Genauigkeit der Empfehlungen, die sie automatisieren sollten. Erklärbarkeit ist keine Funktion, es ist eine Voraussetzung für Adoption.

Erklärbare Mathematik in die tägliche Praxis bringen

Wenn du die fünf Zahlen kennst, ist der praktische Arbeitsablauf unkompliziert:

• Überprüfe ADD und σd wöchentlich für deine Top 20% der SKUs nach Umsatz (diese stellen typischerweise 80% deines Lagerbestands-Risikos dar).
• Markiere jede SKU, bei der der Nachbestellungspunkt weniger Tage Deckung bietet als deine längste kürzliche Lieferzeit.
• Verfolgung der Prognoseverzerrung monatlich durch Vergleich der letzten Monat empfohlenen Nachbestellmenge mit dem, was du wirklich brauchtest. Ein Muster konsistenter Über- oder Unterempfehlungen ist ein Signal, das Rückblickfenster oder das Service-Level-Ziel anzupassen.
• Behandle einen täglichen Digest von Dringlichkeits-rankierten Nachbestellungsmeldungen als deine Eingabe, nicht eine Tabelle, die du selbst bauen musst.

Wenn du ein Werkzeug willst, das jeden Berechnungsschritt zeigt, nicht nur die Ausgabe, zeigt Stockcast: Inventory Forecast die genaue Mathematik hinter jeder Nachbestellungsempfehlung und ordnet Lagerbestands-Risiko nach Dringlichkeit, so dass du überprüfen kannst, bevor du handelst, nicht nachher.

Probiere Stockcast: Inventory Forecast im Shopify App Store aus

FAQ

Was ist ein gutes MAPE für Bestandsprognosen?

Ein MAPE unter 20% gilt allgemein als akzeptabel für E-Commerce-Prognosen, und unter 10% ist stark. MAPE allein ist jedoch nicht ausreichend: ein niedriges MAPE mit konsistenter richtungsbezogener Verzerrung kann immer noch chronische Lagerbestände oder Überbestände verursachen, also überprüfe immer Verzerrung zusammen mit Genauigkeit.

Wie berechne ich den Sicherheitsbestand für ein Shopify-Produkt?

Die Standardformel ist: Sicherheitsbestand = Z × σd × √LT, wobei Z dein Service-Level-Multiplikator ist (1,65 für 95%), σd die Standardabweichung der täglichen Nachfrage über dein Rückblickfenster ist, und LT die durchschnittliche Lieferzeit in Tagen ist. Falls deine Lieferantenlieferzeit auch variiert, addiere einen Liferzeit-Varianz-Term zur Berechnung.

Warum empfiehlt meine Bestandsprognose immer wieder zu viel Bestand?

Die häufigste Ursache ist eine Promotionsspitze oder eine Periode ungewöhnlich hoher Nachfrage, die im Rückblickfenster enthalten war und die durchschnittliche tägliche Nachfrage aufgebläht hat. Die zweithäufigste Ursache ist ein Z-Score für das Service-Level, das höher gesetzt ist als das Geschäft wirklich braucht. Überprüfe beide Eingaben, bevor du annimmst, das Modell ist falsch.