KI-gestützte Bedarfsprognose für eCommerce
IKEA bewegt Milliarden von Produkten über 450+ Geschäfte in 54 Märkten. Wenn ihre Prognose auch nur um 1% daneben liegt, bedeutet das Lager voller BILLY-Regale die niemand will und leere Regale wo KALLAX-Einheiten sein sollten. Ihr Demand-Sensing-Tool analysiert bis zu 200 Datenquellen pro Produkt — von Wettervorhersagen bis zu lokalen Gehaltsauszahlungsterminen — und verbesserte die Prognosegenauigkeit in Portugal um 5% bei gleichzeitiger Reduktion manueller Korrekturen von 8% auf 2%. Die gleichen Techniken sind für jede eCommerce-Plattform verfügbar. Ich baue eCommerce-Plattformen auf Solidus und Custom-SaaS. Über [Auto-Prammer.at](https://auto-prammer.at), [GrowCentric.ai](https://growcentric.ai), [Stint.co](https://stint.co) und [Regios.at](https://regios.at) treibt Bedarfsprognose alles an — von Bestandszuordnung bis Kampagnen-Budgetplanung. Dieser Post zeigt drei Prognoseansätze — Prophet, SARIMA und XGBoost — erklärt wann jeder glänzt, und zeigt die praktische Rails-Implementierung.
Was IKEA richtig gemacht hat
IKEAs traditionelle Prognose basierte auf statistischen Verkaufsmustern — was letztes Jahr um diese Zeit verkauft wurde. Das funktioniert bis es nicht mehr funktioniert. Es verpasst die Hitzewelle die unerwartete Nachfrage nach Ventilatoren treibt. Es verpasst den TikTok-Trend der ein bestimmtes Regal viral macht.
Ihr Demand-Sensing-Tool zieht externe Signale ein: Wettervorhersagen, lokale Wirtschaftsdaten, Aktionskalender, Web-Traffic-Muster, Feiertage, sogar Kundenfrequenzdaten. Das KI analysiert wie diese Signale mit der Nachfrage für jedes Produkt an jedem Standort korrelieren.
Drei Lektionen die direkt auf kleinere eCommerce-Betriebe übertragbar sind: Die Daten die du bereits hast sind wertvoller als du denkst. Externe Signale machen enormen Unterschied. Prognostiziere auf der richtigen Granularität.
Die drei Modelle
Prophet (von Meta): Zerlegt automatisch in Trend, Saisonalität und Feiertagseffekte. Handled fehlende Daten elegant. Am besten für Produkte mit starken saisonalen Mustern.
SARIMA: Der mathematische Benchmark. Modelliert Beziehung zwischen Wert und vergangenen Werten, berücksichtigt Differenzierung für Trends, integriert vergangene Prognosefehler, plus saisonale Komponenten. Am besten für Grundprodukte mit vorhersagbaren Zyklen.
XGBoost: Das Schweizer Taschenmesser. Verarbeitet dutzende Eingabe-Features gleichzeitig — Preisänderungen, Promotions, Wetter, Marketing-Ausgaben. Am besten wenn externe Faktoren Verkäufe signifikant beeinflussen.
Praktisches Beispiel: Auto-Prammer.at
Prognose der Anfragevolumen pro Fahrzeugkategorie (SUV, Limousine, Kombi, Elektro).
Prophet sieht: "SUV-Anfragen steigen 35% im September (Back-to-School Familienauto), sinken 20% im Dezember."
SARIMA sieht: "SUV-Anfragen folgen saisonalem Muster mit Periode 12."
XGBoost sieht: "SUV-Anfragen korrelieren mit Kraftstoffpreis (negativ), Neumodell-Releases (positiver Spike), Wetter (positiv im Herbst), Marketing-Ausgaben (positiv mit 3-Tage Lag)."
Wie jedes Produkt Forecasting nutzt
Auto-Prammer.at: XGBoost performt am besten wegen starker externer Signale. Treibt Homepage-Prominenz und Verkäufer-Benachrichtigungen.
GrowCentric.ai: Prophet für Kampagnen-Metriken mit Wochen-/Monats-/Feiertagssaisonalität. Treibt Budget-Allokationsempfehlungen.
Stint.co: SARIMA für E-Mail-Engagement mit sehr stabilen Wochenmustern. Treibt Send-Scheduling.
Regios.at: Prophet für komplexe Saisonalität (Restaurant-Suchen freitags, Wander-Suchen im Frühling/Herbst).
Der Ensemble-Ansatz
In der Praxis nehme ich nicht immer ein Modell. Ein Ensemble das Vorhersagen aller drei Modelle mittelt, gewichtet nach Holdout-Performance, übertrifft oft jedes einzelne Modell. Für Auto-Prammer.at: XGBoost 50-60%, Prophet 25-30%, SARIMA 10-20%. Für Stint.co: SARIMA 45%, Prophet 35%, XGBoost 20%.
Prognosen mit Bestandsentscheidungen verbinden
Eine Prognose ist nur nützlich wenn sie Aktionen treibt. In Solidus: ForecastDrivenManager der Empfehlungen für Bestandsniveaus berechnet — Gesamtnachfrage mit Sicherheitspuffer, Nachbestellpunkt basierend auf Lieferzeit, Spitzentagesbedarf.
Das verbindet Prognosen mit Einkaufsentscheidungen die auditierbar und erklärbar sind — wichtig für EU-KI-Verordnung-Dokumentation und DSGVO-Compliance-Architektur.
Loslegen
- Bestellhistorie exportieren
- Mit Prophet starten — am verzeihendsten
- SARIMA als Benchmark hinzufügen
- XGBoost wenn externe Features vorhanden
- Ensemble bauen, gewichtet nach Holdout-Performance
- Mit Entscheidungen verbinden — Nachbestellalarme, Marketing-Budgets, Homepage-Merchandising
Der Unterschied zwischen Bauchgefühl-Bestandsmanagement und ML-gestützter Prognose ist nicht ausgefeilte Technologie. Es geht darum die Daten die du bereits hast besser zu befragen.