Sales ForecastAbsatzprognosen als Grundlage für Einkauf und Lieferkettenplanung
Einkaufslexikon · Aktualisiert · 7 Min. Lesezeit
Auch bekannt als: Absatzprognose, Verkaufsprognose, Sales Forecasting, Absatzplanung
Kurzantwort
- Ein Sales Forecast ist die strukturierte Prognose des künftigen Absatzes von Produkten oder Leistungen über einen definierten Zeitraum.
- Er kombiniert typischerweise statistische Zeitreihenanalyse mit Vertriebsinformationen aus CRM und Kundenauskünften.
- Im Einkauf bildet er die Grundlage für Bedarfsermittlung, Rahmenverträge und die Kapazitätsplanung mit Lieferanten.
Der Sales Forecast (Verkaufs- bzw. Absatzprognose) ist die strukturierte Schätzung des künftigen Absatzes von Produkten oder Leistungen über einen definierten Zeitraum. Im industriellen Einkauf dient er als zentrale Eingangsgröße für Bedarfsermittlung, Disposition und Lieferantensteuerung. Je genauer die Prognose, desto verlässlicher können Bestellmengen, Rahmenverträge und Kapazitätszusagen an Zulieferer geplant werden.
Das Wichtigste in Kürze
- Ein Sales Forecast prognostiziert Absatzmengen und -werte typischerweise für Zeiträume von einem Monat bis mehrere Jahre im Voraus.
- Er ist die wichtigste Inputgröße für Demand Planning und damit indirekt für Primärbedarf und Bestellwesen.
- Gängige Methoden reichen von zeitreihenbasierten Verfahren bis zu konsensorientierten Prozessen wie S&OP.
- Prognosegüte wird häufig mit Forecast Accuracy und Bias gemessen; in der Praxis liegen Abweichungen je nach Branche oft im Bereich von 10 bis 30 Prozent.
- Im B2B-Umfeld speisen sich Forecasts typischerweise aus CRM-Daten, Auftragsbeständen und Kundenauskünften.
- Ungenaue Forecasts verursachen in der Praxis häufig hohe Kosten durch Sicherheitsbestände, Eilbeschaffungen und Obsoleszenz.
Inhalt
- Definition: Sales Forecast
- Methoden und Vorgehen bei der Absatzprognose
- Bedeutung für Einkauf und Lieferantensteuerung
- Wichtige KPIs zur Bewertung der Prognosequalität
- Risiken, Kontrollen und typische Fehlerquellen
- Aktuelle Entwicklungen: KI, Nachhaltigkeit und Datenintegration
- Typische Kennzahlen
- Praxisbeispiel
- Fazit
- Häufige Fragen
Definition: Sales Forecast
Der Sales Forecast ist die quantitative und qualitative Vorausschätzung des erwarteten Absatzes von Erzeugnissen, Baugruppen oder Dienstleistungen in einem zukünftigen Zeitraum. Er wird üblicherweise auf Ebene von Artikeln, Produktfamilien oder Geschäftsbereichen erstellt und in Mengen- und Werteinheiten ausgedrückt.
Abgrenzung zum Demand Forecast
Während der Sales Forecast den erwarteten Absatz aus Kundensicht abbildet, leitet das Demand Planning daraus den dispositiven Bedarf ab, also was tatsächlich produziert und beschafft werden muss. Der Unterschied liegt unter anderem in Bestandskorrekturen, Losgrößen und Vorlaufzeiten. Beide Betrachtungen werden in der Praxis oft zusammengeführt, bleiben aber fachlich getrennt.
Prognosehorizonte und Granularität
Kurzfristige Forecasts (Wochen bis Monate) dienen der operativen Disposition und Feinplanung, mittelfristige (drei bis zwölf Monate) der Kapazitäts- und Rahmenvertragsplanung, langfristige (mehrere Jahre) strategischen Entscheidungen wie Werkstandorten oder Investitionen. Je länger der Horizont, desto gröber typischerweise die Granularität: Von Stückzahl je Artikel und Woche bis zur Produktgruppe je Quartal.
Methoden und Vorgehen bei der Absatzprognose
Die Methodenwahl hängt von Datenlage, Produktlebenszyklus und Marktdynamik ab. In der Praxis bewähren sich Kombinationen aus statistischen Verfahren und menschlicher Expertise, da reine Datenmodelle Markteffekte wie Kundenausschreibungen oder Lieferengpässe kaum abbilden.
Statistische Verfahren
Zeitreihenmethoden wie gleitende Durchschnitte, exponentielle Glättung oder saisonale Zerlegung bilden den wiederholbaren Kern vieler Forecasts. Sie nutzen historische Absatzdaten und liefern reproduzierbare Baseline-Werte. Voraussetzung ist eine saubere Datenbasis; hier kommen Konzepte wie das Datenmodell Einkauf und Data Quality KPIs ins Spiel, da fehlerhafte Stammdaten die Prognosequalität direkt mindern.
Markt- und CRM-basierte Prognosen
Im B2B-Geschäft fließen often Pipeline-Daten aus dem Vertrieb ein: Angebotsbestände, Wahrscheinlichkeiten, Kundenauskünfte und prognostizierte Rahmenabrufe. Besonders bei komplexen Investitionsgütern liefern direkte Gespräche mit Key-Account-Kunden wertvollere Signale als statistische Modelle, weil Aufträge dort diskret und in großen Tranchen vergeben werden.
Konsensorientierte Prozesse (S&OP)
Im Sales and Operations Planning (S&OP) werden Vertriebs-, Produktions- und Einkaufsprognose in einem regelmäßigen Zyklus abgeglichen und auf einen Konsens gebracht. Dieser Forecast sollte durch einen klar definierten Eskalationsprozess abgesichert sein, wenn Vertrieb und Planung nicht übereinstimmen. So entsteht eine verbindliche Planbasis für Beschaffung und Kapazitäten.
Bedeutung für Einkauf und Lieferantensteuerung
Für den Einkauf ist der Sales Forecast die Brücke zwischen Marktnachfrage und Lieferantenbeziehung. Er bestimmt, welche Mengen wann beschafft werden müssen, und bildet die Grundlage für Mengenverhandlungen, Rahmenverträge und Kapazitätszusagen.
Bedarfsermittlung und Bestellwesen
Aus dem Absatzprognose leitet sich der Primärbedarf ab, aus dem über Stücklisten und Dispositionslogik der Sekundärbedarf für Komponenten und Rohstoffe entsteht. Je früher und genauer der Forecast vorliegt, desto besser können Vorlaufzeiten, besonders bei Langläufern und Importbauteilen, berücksichtigt werden. Kurze Durchlaufzeiten in der Beschaffung erleichtern dagegen die Anpassung an kurzfristige Prognoseänderungen.
Rahmenverträge und Kapazitätszusagen
Lieferanten verlangen für Preis- und Kapazitätszusagen verlässliche Mengenplanungen, häufig als Forecast-Bande mit Festmengen für kurze Zeiträume und unverbindlichen Blickvorschauen. In Ausschreibungen sollte der Einkäufer die Planungsunsicherheit offen kommunizieren, etwa über einen strukturierten Fragenkatalog Ausschreibung, um spätere Preisnachverhandlungen zu vermeiden. Bei wettbewerbsintensiven Vergaben kann auch eine E-Auction auf Basis guter Mengenprognosen sinnvoll sein.
Lieferantenkommunikation und Abwicklungsprozess
Ein laufend aktualisierter Forecast ermöglicht Lieferanten, eigene Vorprodukte rechtzeitig zu disponieren und den Abwicklungsprozess von Bestellung bis Lieferung stabil zu gestalten. Umgekehrt wirkt sich eine unzuverlässige Prognose oft direkt auf die Delivery Performance des gesamten Netzwerks aus, da Zulieferer mit Puffermengen oder Kapazitätsreserven reagieren.
Wichtige KPIs zur Bewertung der Prognosequalität
Ohne messbare Prognosegüte bleibt Forecast-ManagementBauchgefühl. Etablierte Kennzahlen machen Abweichungen sichtbar und schaffen die Grundlage für kontinuierliche Verbesserung.
Forecast Accuracy und Bias
Die Forecast Accuracy misst, wie nah die Prognose am tatsächlichen Absatz lag, typischerweise als MAPE (Mean Absolute Percentage Error). Der Bias zeigt systematische Über- oder Unterschätzung an, ein Wert ungleich null deutet auf strukturelle Fehler im Modell oder im Prozess hin. In der Praxis liegt die Accuray bei saisonalen Industrieprodukten häufig im Bereich von 70 bis 90 Prozent, bei Neuprodukten deutlich darunter.
Planungsrelevanz und Folgekosten
Neben reinen Prognosefehlern zählen Folgekennzahlen: Sicherheitsbestände, Bestandsreichweite, Eilbeschaffungskosten und Scrap-Rate durch Obsoleszenz. Auch die Data Quality der zugrunde liegenden Stammdaten sollte als KPI überwacht werden, da unvollständige oder veraltete Artikelstammdaten eine häufige Fehlerquelle sind. Der Datenowner jeder Stammdatendomain trägt hier Verantwortung für Pflege und Aktualität.
Risiken, Kontrollen und typische Fehlerquellen
Prognosen sind immer unvollkommen. Wichtig ist, die Risiken systematisch zu managen statt perfekte Vorhersagen zu erwarten. Bewährt hat sich ein klarer Steuerungskreis aus Verantwortlichkeiten, Kontrollmechanismen und Konsequenzpfaden.
Typische Fehlerquellen
Häufige Probleme sind politisch motivierte Vertriebsprognosen, fehlende Abstimmung zwischen Vertrieb und Planung, veraltete Stammdaten und die Vernachlässigung von Markteffekten wie Preisanpassungen oder Lieferengpässen. Auch Organisationsstrukturen können stören, wenn Datenkontrolle und Forecast-Verantwortung über zu viele Abteilungen verteilt sind. Eine Bow-Tie-Analyse kann helfen, Ursacheketten und Auswirkungen Prognosefehler systematisch darzustellen.
Kontrollen und Governance
Bewährte Kontrollen sind regelmäßige Forecast-Reviews mit klar definierten Rollen, dokumentierte Annahmen sowie ein kontinuierlicher Vergleich von Forecast und Ist-Absatz. Entscheidungen über teure Sicherheitsbestände oder Kapazitätsreserven sollten an definierte Schwellenwerte gebunden sein. Für Verhandlungen mit Lieferanten gilt: Der Forecast ist eine Planbasis, keine Zusatzgarantie; rechtliche Zusagen, etwa zu Abnahmeverpflichtungen, sollten separat und geprüft formuliert werden.
Aktuelle Entwicklungen: KI, Nachhaltigkeit und Datenintegration
Die Prognosemethodik verändert sich durch Maschinelles Lernen, bessere Datenverfügbarkeit und wachsende Nachhaltigkeitsanforderungen. Einkäufer sollten diese Trends bewerten, ohne bewährte Prozessdisziplin zu vernachlässigen.
KI-gestützte Prognosemodelle
Maschinelle Lernverfahren können externe Einflussfaktoren wie Wetter, Konjunkturindikatoren oder Kundenverhalten einbeziehen und in der Praxis statistische Baseline-Modelle deutlich schlagen, vor allem bei großen Datenmengen. Voraussetzung bleiben gute Datenqualität und transparente Modellvalidierung. KI ersetzt nicht die fachliche Plausibilisierung durch Vertrieb und Einkauf.
Nachhaltigkeit und Lieferkettentransparenz
Prognosen gewinnen an Bedeutung für Nachhaltigkeitsberichterstattung und CO2-Bilanzierung, da Beschaffungsmengen Eingangsgröße für Emissionsberechnungen sind. Themen wie Dekarbonisierung Lieferkette erfordern verlässliche Mengenplanungen, um Reduktionsziele mit Lieferanten verbindlich zu vereinbaren. Auch bei Exportgeschäft müssen Forecast-Änderungen in die Exportabwicklung einfließen, da Präferenzregeln und Nachweise wie der EUR.1 Präferenznachweis mengen- und ursprungsbezogen sind.
Integration in digitale Systemlandschaften
Moderne Forecast-Prozesse leben von der Integration von CRM, ERP und Lieferantenportalen. Automatisierte Schnittstellen reduzieren manuelle Aufwände und verbessern die Aktualität der Planzahlen. Der Einkauf gewinnt damit Spielraum, sich auf strategische Themen wie Design-to-Value oder Lieferantenentwicklung zu konzentrieren.
Typische Kennzahlen
| Kennzahl | Richtwert | Einordnung |
|---|---|---|
| Forecast Accuracy | 70–90 % | typischer Bereich bei etablierten Serienprodukten; Neuprodukte deutlich niedriger |
| Forecast Bias | ± 5 % | Richtwert für akzeptable systematische Abweichung; Werte außerhalb deuten auf Modell- oder Prozessfehler |
| Forecast-Horizont | 12–18 Monate | rollierend mit monatlicher Aktualisierung; länger bei Langlaufteilen |
| Forecast-Lieferantenbindungsquote | > 90 % | Anteil der Kernlieferanten, die monatliche Forecast-Bänder erhalten |
Typische Richtwerte aus der Praxis – je nach Branche, Teil und Vertrag abweichend.
Praxisbeispiel
Ein mittelständischer Maschinenbauer mit rund 300 Mitarbeitern plante seinen Bedarf an Antriebskomponenten bislang auf Basis der Auftragsbestände. Bei konjunkturellen Schwankungen kam es wiederholt zu Eilbeschaffungen mit Aufpreisen und zu überflüssigen Beständen bei Langsamdrehern. Der Einkauf initiierte gemeinsam mit Vertrieb und Planung einen monatlichen S&OP-Zyklus mit verbindlichem Konsens-Forecast.
- Einführung eines rollierenden 12-Monats-Forecasts je Produktfamilie mit monatlicher Abstimmung zwischen Vertrieb und Disposition
- Definition von Forecast-Bändern gegenüber Kernlieferanten: verbindliche Abrufe für drei Monate, unverbindliche Aussicht bis zwölf Monate
- Aufbau von Prognose-KPIs (Accuracy, Bias) mit monatlichem Review und dokumentierten Annahmen
- Bereinigung von Artikelstammdaten und Zuweisung klarer Datenowner für Preis-, Mengen- und Dispositionsdaten
Fazit
Der Sales Forecast ist weit mehr als eine Vertriebsübung: Er ist die verlässlichste Grundlage für Bedarfsermittlung, Lieferantensteuerung und wirtschaftliche Beschaffung. Seine Qualität entscheidet über Bestandshöhe, Eilbeschaffungskosten und die Glaubwürdigkeit des Einkaufs gegenüber Lieferanten. Entscheidend sind weniger ausgefeilte Algorithmen als Prozessdisziplin: klare Verantwortlichkeiten, regelmäßige Abstimmung zwischen Vertrieb, Planung und Einkauf sowie messbare Prognose-KPIs. Unternehmen, die Forecasts als verbindlichen, konsensorientierten Prozess etablieren, reduzieren Planungsrisiken spürbar und schaffen Planungssicherheit für die gesamte Lieferkette.
Häufige Fragen
Was ist ein Sales Forecast?
Ein Sales Forecast ist die strukturierte Schätzung des künftigen Absatzes von Produkten oder Leistungen über einen definierten Zeitraum. Er basiert auf historischen Daten, CRM-Informationen und Markteinschätzungen. Im Einkauf dient er als Eingangsgröße für Bedarfsermittlung und Lieferantenplanung.
Wie erstellt man eine Absatzprognose?
Typischerweise kombiniert man statistische Zeitreihenverfahren mit Vertriebsinformationen aus CRM und Kundengesprächen. Im Rahmen eines S&OP-Prozesses werden die Sichten aus Vertrieb, Produktion und Einkauf zu einem Konsens-Forecast zusammengeführt. Wichtig sind saubere Stammdaten und regelmäßige Reviews der Prognosegüte.
Wie genau kann ein Sales Forecast sein?
Das hängt stark von Branche, Produkt und Horizont ab. In der Praxis liegen Abweichungen bei etablierten, wiederkehrenden Produkten häufig bei 10 bis 30 Prozent, bei Neuprodukten oder kundenindividuellen Anlagen deutlich höher. Wichtiger als absolute Genauigkeit sind systemfreies Bias-Management und schnelle Anpassungsfähigkeit.
Was ist der Unterschied zwischen Sales Forecast und Demand Planning?
Der Sales Forecast schätzt den erwarteten Absatz aus Markt- und Kundensicht. Das Demand Planning leitet daraus den dispositiven Bedarf ab, also die tatsächlich zu produzierenden und beschaffenden Mengen unter Berücksichtigung von Beständen, Losgrößen und Vorlaufzeiten.
Welche KPIs messen die Qualität einer Absatzprognose?
Die wichtigsten Kennzahlen sind Forecast Accuracy (häufig als MAPE) und Bias als Maß für systematische Über- oder Unterschätzung. Ergänzend werden Folgekosten wie Sicherheitsbestände, Eilbeschaffungen und Obsoleszenz betrachtet. Auch die Datenqualität der zugrunde liegenden Stammdaten sollte als KPI überwacht werden.
Wie weit im Voraus sollte ein Sales Forecast erstellt werden?
Üblich sind rollierende Forecasts über 12 bis 18 Monate mit monatlicher Aktualisierung. Für Langlaufteile, Werkzeuginvestitionen oder strategische Kapazitätsvereinbarungen mit Lieferanten sind 24 Monate oder mehr sinnvoll. Der horizont sollte an den längsten Beschaffungs- und Fertigungsvorlaufzeiten im Sortiment ausgerichtet sein.
