{"id":56532,"date":"2026-10-09T16:03:22","date_gmt":"2026-10-09T16:03:22","guid":{"rendered":"https:\/\/www.truecommerce.com\/blog\/demand-forecasting-in-supply-chain\/"},"modified":"2026-10-09T16:43:22","modified_gmt":"2026-10-09T16:43:22","slug":"nachfrageprognose-in-der-lieferkette","status":"publish","type":"post","link":"https:\/\/www.truecommerce.com\/de\/blog\/demand-forecasting-in-supply-chain\/","title":{"rendered":"KI in der Lieferkette: Wie Nachfrageprognosen heute aussehen"},"content":{"rendered":"

Nachfrageprognosen bedeuteten fr\u00fcher, die Zahlen des Vorjahres heranzuziehen, saisonale Schwankungen zu ber\u00fccksichtigen und zu hoffen, dass der Markt mitspielte. In vielen Unternehmen fand dieser Prozess in Tabellenkalkulationen statt, hing von einigen wenigen Personen ab, die lange genug dabei waren, um die Muster zu kennen, und wurde vielleicht einmal im Monat aktualisiert. Dieser Ansatz hat eine Grenze, und die meisten Lieferkettenteams haben sie bereits erreicht.<\/p>\n

Heute sieht die Nachfrageprognose in der Lieferkette grundlegend anders aus. Nicht, weil Tabellenkalkulationen verschwunden w\u00e4ren, sondern weil sich die Daten, die Entscheidungen speisen, ver\u00e4ndert haben: Sie sind schneller, granularer und werden zunehmend automatisch umgesetzt. Was fr\u00fcher ein w\u00f6chentliches Planungsgespr\u00e4ch erforderte, l\u00f6st heute einen Nachschubauftrag aus, noch bevor jemand sein Postfach \u00f6ffnet.<\/p>\n

So sieht dieser Wandel in der Praxis tats\u00e4chlich aus und das bedeutet er f\u00fcr Teams, die sich von reaktiven zu sicheren Entscheidungen entwickeln m\u00f6chten.<\/p>\n

Von historischen Daten zu Live-Nachfragesignalen<\/h2>\n

Traditionelle Prognosen blicken zur\u00fcck. Man analysiert, was verkauft wurde, baut ein Modell und projiziert in die Zukunft. Das Problem ist, dass das Modell ein Ma\u00df an Stabilit\u00e4t voraussetzt, das moderne Lieferketten selten haben. Ein H\u00e4ndler verschiebt eine Promotion. Ein Wettbewerber ist nicht mehr lieferf\u00e4hig. Ein Wetterereignis ver\u00e4ndert regionale Kaufmuster f\u00fcr zehn Tage. Bis diese Signale im monatlichen Planungszyklus auftauchen, ist das Zeitfenster bereits geschlossen.<\/p>\n

Moderne Nachfrageprognosen in der Lieferkette funktionieren anders. Statt Batch-Aktualisierungen erfassen Systeme kontinuierlich Point-of-Sale-Daten, Lagerbest\u00e4nde und Bestellmuster. Wenn der Bestand eines Handelspartners unter einen definierten Schwellenwert f\u00e4llt, kennzeichnet das System dies und initiiert eine Nachschubempfehlung, ohne darauf zu warten, dass eine Bestellung eingeht.<\/p>\n

Das ist keine theoretische F\u00e4higkeit. F\u00fcr Unternehmen, die bereits EDI-verbundene Handelspartnernetzwerke betreiben, ist ein Gro\u00dfteil der Infrastruktur daf\u00fcr schon vorhanden. Die 852-Transaktion f\u00fcr Product Activity Data \u00fcbermittelt beispielsweise Point-of-Sale- und Bestandsdaten von H\u00e4ndlern an Lieferanten. Wenn diese Daten automatisch flie\u00dfen und ohne manuelle Bearbeitung verarbeitet werden, werden sie zu einem Live-Input f\u00fcr ein Planungsmodell statt zu einem Bericht, den jemand drei Tage sp\u00e4ter liest.<\/p>\n

Was \u201eagentische KI\u201c im Kontext der Lieferkette bedeutet<\/h2>\n

Der Begriff, der derzeit in Gespr\u00e4chen \u00fcber Planung und Prognosen an Bedeutung gewinnt, ist agentische KI: KI-Systeme, die nicht nur analysieren und Empfehlungen geben, sondern im Namen eines Nutzers handeln, wenn definierte Bedingungen erf\u00fcllt sind.<\/p>\n

Im Kontext der Lieferkette bedeutet agentische KI in der Lieferkette, \u00fcber das Dashboard hinauszugehen. Statt dass ein Planer einen Bericht pr\u00fcft und manuell einen Nachschubauftrag eingibt, \u00fcberwacht ein agentisches System Lagerbest\u00e4nde, bewertet Nachfragesignale und generiert den Auftrag, wenn die Parameter erf\u00fcllt sind. Der Planer verlagert sich von der Dateneingabe zum Ausnahmemanagement.<\/p>\n

Das ist keine Automatisierung um ihrer selbst willen. Der Wert liegt im kumulativen Effekt: Jeder manuelle Schritt, der aus einer wiederkehrenden Entscheidung entfernt wird, gibt einem Planungsteam Zeit zur\u00fcck f\u00fcr Entscheidungen, die tats\u00e4chlich menschlichen Kontext erfordern. Welche Kundenbeziehungen ben\u00f6tigen diese Woche besondere Aufmerksamkeit? Welche Aktionszeitr\u00e4ume sollten eine Prognose\u00fcberschreibung ausl\u00f6sen? Das sind die Entscheidungen, die die Zeit eines Planers wirklich wert sind. Routinem\u00e4\u00dfiger Nachschub f\u00fcr vorhersehbare SKUs sollte es nicht sein.<\/p>\n

Dieser Wandel zeigt sich bereits in EDI-gesteuerten Bestellabl\u00e4ufen und VMI-Programmen. In jedem Fall ist das Muster dasselbe: Die KI \u00fcbernimmt Signalerkennung und routinem\u00e4\u00dfige Ausf\u00fchrung. Der Planer k\u00fcmmert sich um die Ausnahmen und die Entscheidungen, die Kontext erfordern, den das Modell nicht hat.<\/p>\n

Die Rolle von EDI bei der Automatisierung von Nachfragesignalen<\/h2>\n

Nachfrageprognosen existieren nicht isoliert. In den meisten Handelspartnerbeziehungen werden Nachfragesignale als EDI-Transaktionen \u00fcbertragen: 852er (Product Activity Data), 856er (Advanced Ship Notices), 850er (Purchase Orders). Damit KI auf diese Signale reagieren kann, muss der zugrunde liegende Datenfluss zuverl\u00e4ssig, vollst\u00e4ndig und schnell sein.<\/p>\n

Hier wird die KI-Automatisierung von EDI-Transaktionen zu einer echten F\u00e4higkeit, nicht nur zu einer technischen Funktion. Wenn EDI-Daten sauber aus dem POS-System eines H\u00e4ndlers in das Planungstool eines Lieferanten flie\u00dfen, erhalten Nachfrageprognosemodelle die Eingaben, die sie ben\u00f6tigen, um pr\u00e4zise zu arbeiten. Wenn diese Daten verz\u00f6gert, unvollst\u00e4ndig oder manuell erneut eingegeben werden, verschlechtert sich die Prognose, bevor der Algorithmus \u00fcberhaupt l\u00e4uft.<\/p>\n

Die EDI-Infrastruktur von TrueCommerce ist darauf ausgelegt, diese Daten in Bewegung zu halten. Automatisierte Transaktionsverarbeitung, Fehlerbehandlung und ERP-Integration bedeuten, dass 852-Aktivit\u00e4tsdaten von einem H\u00e4ndler das Planungssystem eines Lieferanten innerhalb von Stunden erreichen, nicht erst nach Tagen und ohne manuelles Eingreifen. Diese Geschwindigkeit macht ereignisgesteuerten Nachschub im gro\u00dfen Ma\u00dfstab m\u00f6glich.<\/p>\n

Lieferketten-KPIs, die sich ver\u00e4ndern, wenn Prognosen besser werden<\/h2>\n

Der Business Case f\u00fcr bessere Nachfrageprognosen zeigt sich in einer bestimmten Gruppe von Lieferketten-KPIs. Sie sind es wert, verfolgt zu werden, weil hier verbesserte Prognosen messbaren Wert schaffen und die Vorher-nachher-Geschichte f\u00fcr die F\u00fchrungsebene am klarsten ist.<\/p>\n