Otto Absatzprognose mit KI: Forecasting 2026

Absatzprognose für Otto-Partner 2026: welche Signale eine gute Prognose braucht, wie Sie Forecast Accuracy messen und Sicherheitsbestand daraus ableiten.

Die Kurzfassung: Eine Absatzprognose für Otto ist keine Fleißaufgabe für den Jahresabschluss, sondern die Grundlage Ihres Lieferzeitversprechens. Otto bewertet Verfügbarkeit und Termintreue als Performance-Faktor, und ein Artikel, der nicht lieferbar ist, verliert Sichtbarkeit — nicht nur den einzelnen Verkauf. Eine brauchbare Prognose braucht mehr als den Verkaufsverlauf: Saison, geplante Aktionen und WKZ-Einsatz, Preisänderungen, Wettbewerbsverfügbarkeit und in einzelnen Sortimenten das Wetter. Gemessen wird sie über Forecast Accuracy beziehungsweise MAPE und über den Bias, also die systematische Schieflage nach oben oder unten. Aus Prognose und Prognosefehler leiten Sie Sicherheitsbestand und Nachbestellpunkt ab: Je genauer die Prognose, desto weniger Puffer brauchen Sie für denselben Servicegrad — das ist der direkte finanzielle Nutzen von Prognosequalität. Entscheidend ist außerdem, den Prognosehorizont an Ihre Wiederbeschaffungszeit zu koppeln. Wer stattdessen den Vormonat fortschreibt, baut bei Sperrgut mit langen Vorlaufzeiten planbar Fehlbestände auf.

Otto unterscheidet sich hier deutlich von anderen Marktplätzen. Das Sortiment ist schwerpunktmäßig Mode, Möbel und Wohnen, die Lieferzeiten sind sichtbar Teil des Angebots, und die Wiederbeschaffungszeiten sind in vielen Warengruppen lang. Das erhöht den Wert einer guten Prognose und die Kosten einer schlechten.

Warum Otto besondere Anforderungen an die Prognose stellt

Das Lieferzeitversprechen ist verbindlich. Otto zeigt dem Kunden ein Lieferdatum, und dieses Versprechen wird gemessen. Verspätungen und Stornierungen wegen fehlender Ware schlagen auf Ihre Partner-Kennzahlen durch. Eine Prognose, die zu optimistisch ist, kostet Sie also nicht nur Umsatz, sondern Ihren Status als zuverlässiger Partner.

Verfügbarkeit wirkt auf die Sichtbarkeit. Nicht lieferbare Artikel verlieren Position und Traffic. Der Effekt endet nicht mit der Wiederbelieferung, weil verlorene Verkaufshistorie und verlorene Bewertungen nachwirken. Ein Ausverkauf ist damit teurer, als die entgangene Marge suggeriert.

Sperrgut verzeiht keine kurzfristige Korrektur. Möbel, Matratzen, Gartenmöbel und Großgeräte kommen häufig aus Fernost oder aus Fertigung mit langen Vorlaufzeiten. Wenn Sie im Mai merken, dass Ihre Gartenmöbelprognose zu niedrig war, können Sie die Saison nicht mehr retten. Die Entscheidung fiel im Januar, nur wussten Sie es damals nicht.

Die Saison ist ausgeprägt. Otto hat starke saisonale Muster — Gartenmöbel im Frühjahr, Heizgeräte im Herbst, Wohnen und Deko im Vorweihnachtsgeschäft, Mode in Kollektionszyklen. Diese Muster sind planbar, aber sie verschieben sich jedes Jahr, weil Wetter, Aktionsplanung und Wettbewerb sie verschieben.

Die Kehrseite ist Überbestand. Wer zu vorsichtig plant und deshalb massiv aufstockt, bindet Kapital in Sperrgut mit hohen Lagerkosten. Bei saisonaler Ware endet das im Abverkauf zum Selbstkostenpreis. Prognose ist deshalb kein Sicherheitsspiel in eine Richtung, sondern eine Genauigkeitsaufgabe in beide.

Von der Fortschreibung zum Modell: die Methoden im Vergleich

Gleitender Mittelwert. Der Durchschnitt der letzten Wochen wird fortgeschrieben. Der Vorteil ist die Einfachheit, der Nachteil die Trägheit: Der gleitende Mittelwert hinkt jedem Trend hinterher und ignoriert Saison vollständig. Für Artikel mit stabiler Nachfrage und kurzer Wiederbeschaffungszeit reicht er.

Exponentielle Glättung mit Saisonkomponente. Neuere Werte werden stärker gewichtet, saisonale Muster werden explizit modelliert. Deutlich besser als der Mittelwert, gut geeignet für Artikel mit mehreren Jahren sauberer Historie. Schwäche: Ereignisse wie Aktionen oder Preissprünge werden nicht als Ursache verstanden, sondern als Rauschen behandelt.

Regressionsansätze. Hier werden erklärende Variablen einbezogen — Preis, Werbedruck, Wettbewerbsverfügbarkeit, Wetter. Die Prognose wird interpretierbar, weil Sie sehen, welcher Faktor wie stark wirkt. Nachteil: Der Aufwand steigt, und Sie brauchen saubere Daten zu den erklärenden Variablen.

Maschinelles Lernen. Modelle lernen nichtlineare Zusammenhänge und Wechselwirkungen, etwa dass eine Preissenkung im Frühjahr bei Gartenmöbeln anders wirkt als im Herbst. Sie sind besonders stark, wenn viele Artikel mit ähnlichen Mustern vorliegen, weil sie voneinander lernen. Für Einzelartikel ohne Historie bleiben sie schwach.

Was in der Praxis funktioniert. Nicht ein Modell für alles, sondern eine Zuordnung nach Artikeltyp. Schnelldreher mit langer Historie: statistisches Modell mit Saison. Saisonartikel mit Wetterbezug: Modell mit externen Signalen. Neuprodukte ohne Historie: Analogieprognose über vergleichbare Artikel. MarketplAIce arbeitet genau so und wählt je Artikel den passenden Ansatz, statt ein Verfahren über das gesamte Sortiment zu legen.

Welche Signale eine gute Otto-Prognose braucht

Verkaufshistorie, bereinigt. Rohdaten reichen nicht. Zeiträume, in denen ein Artikel nicht lieferbar war, zeigen null Verkäufe — aber nicht null Nachfrage. Wer diese Lücken nicht bereinigt, prognostiziert die eigene Fehlbestandshistorie fort und verstärkt das Problem.

Saison und Kalender. Wochentagsmuster, Feiertage, Ferienzeiten, Kollektionswechsel und der Vorweihnachtsverlauf. Bei Otto ist der Wochenrhythmus in Mode und Wohnen deutlich ausgeprägt.

Aktionen und WKZ. Geplante Rabattaktionen, Aktionsflächen und Werbekostenzuschüsse verändern den Absatz sprunghaft. Eine Prognose, die vergangene Aktionswochen als Normalwochen behandelt, überschätzt die Basisnachfrage. Umgekehrt muss eine geplante Aktion als bekanntes Ereignis in die Zukunftsprognose eingehen.

Preisänderungen. Eigene und fremde. Die Preiselastizität ist artikel- und kategorieabhängig, und sie ist auf Otto in preissensiblen Warengruppen erheblich.

Wettbewerbsverfügbarkeit. Wenn ein Wettbewerber ausverkauft ist, steigt Ihr Absatz — ohne dass sich an Ihrem Artikel etwas geändert hat. Kommt er zurück, fällt Ihr Absatz wieder. Wer dieses Signal nicht kennt, hält den Anstieg für Trend und bestellt zu viel nach.

Wetter, wo es zählt. Gartenmöbel, Grill, Pool, Ventilatoren, Heizlüfter und Winterware reagieren stark auf Temperatur und Wetterlage. Ein früher Warmlufteinbruch zieht die Gartensaison um Wochen vor, ein milder Herbst verschiebt das Heizgeschäft nach hinten.

Bestands- und Lieferkettensignale. Offene Bestellungen, Vorlaufzeiten und Lieferantenzuverlässigkeit gehören in dieselbe Rechnung. Eine perfekte Absatzprognose nützt wenig, wenn die Wiederbeschaffungszeit im Modell falsch hinterlegt ist. Wie Sie Bestand und Verfügbarkeit operativ steuern, zeigt der Beitrag zum Otto-Bestandsmanagement.

In 6 Schritten eine belastbare Absatzprognose aufbauen

1. Datenbasis bereinigen. Markieren Sie alle Zeiträume mit Fehlbestand, Deaktivierung oder Listing-Problemen und rechnen Sie die Nachfrage dort hoch, statt sie als Null zu übernehmen. Ohne diesen Schritt ist jede weitere Rechnung verzerrt.

2. Sortiment segmentieren. Teilen Sie Artikel nach Nachfragemuster: Dauerläufer, Saisonartikel, Aktionsartikel, Auslaufartikel, Neuprodukte. Jedes Segment braucht ein anderes Verfahren und eine andere Sicherheitslogik. Eine einheitliche Methode über alles ist der häufigste Konstruktionsfehler.

3. Erklärende Signale anbinden. Verknüpfen Sie Preishistorie, Aktionskalender, Werbedruck und — wo relevant — Wetterdaten mit der Verkaufshistorie. Erst mit diesen Variablen kann ein Modell zwischen Trend und Ereignis unterscheiden.

4. Prognosehorizont an die Wiederbeschaffungszeit koppeln. Prognostizieren Sie mindestens über Wiederbeschaffungszeit plus Sicherheitszeitraum. Bei Sperrgut mit zwölf Wochen Vorlauf ist eine Vier-Wochen-Prognose nutzlos, egal wie genau sie ist.

5. Genauigkeit messen und dokumentieren. Vergleichen Sie Prognose und Ist wöchentlich je Segment. Halten Sie MAPE und Bias fest, nicht nur einen Gesamtwert. Ohne Messung wissen Sie nicht, ob Ihre Prognose besser wird oder Sie nur mehr Aufwand betreiben.

6. Sicherheitsbestand aus dem Prognosefehler ableiten. Der Sicherheitsbestand ergibt sich aus der Streuung Ihres Prognosefehlers und der Wiederbeschaffungszeit, nicht aus Bauchgefühl. Je ungenauer die Prognose, desto mehr Puffer — das ist der direkte finanzielle Anreiz, die Genauigkeit zu verbessern.

Prüfen Sie an Ihrem eigenen Sortiment, wie weit Ihre aktuelle Planung von der Prognose abweicht: 14 Tage kostenlos testen.

Prognosegüte messen: MAPE, Bias und was sie Ihnen sagen

MAPE — die mittlere absolute prozentuale Abweichung. Sie misst, wie weit Prognose und Ist im Durchschnitt auseinanderliegen, unabhängig von der Richtung. Ein MAPE von 20 Prozent heißt: Ihre Prognose liegt im Mittel um ein Fünftel daneben. Wichtig ist die Betrachtung je Segment, denn Schnelldreher lassen sich viel genauer prognostizieren als Langsamdreher.

Die Schwäche von MAPE. Bei sehr kleinen Absatzmengen explodiert der Wert. Wenn Sie zwei Stück prognostizieren und drei verkaufen, sind das 50 Prozent Abweichung, obwohl der absolute Fehler bedeutungslos ist. Für Langsamdreher nutzen Sie besser absolute Fehlermaße oder aggregieren über mehrere Wochen.

Bias — die systematische Schieflage. Der Bias zeigt, ob Sie im Durchschnitt zu hoch oder zu niedrig prognostizieren. Ein MAPE von 20 Prozent bei ausgeglichenem Bias ist ein Genauigkeitsproblem. Derselbe MAPE bei durchgängig positivem Bias ist ein strukturelles Problem — Sie überschätzen systematisch und bauen Überbestand auf.

Warum Bias oft wichtiger ist. Zufällige Fehler mitteln sich über viele Artikel aus. Systematische Fehler nicht: Sie summieren sich zu Kapitalbindung oder zu Fehlbeständen über das gesamte Sortiment. Ein Team, das nur MAPE misst, übersieht die teurere der beiden Fehlerarten.

Was Sie damit steuern. Verbessert sich Ihr MAPE, können Sie den Sicherheitsbestand senken — bei gleichem Servicegrad. Das ist der direkte betriebswirtschaftliche Nutzen von Prognosequalität und lässt sich in Euro Kapitalbindung ausdrücken.

Typische Fehler in der Messung. Erstens: die Prognose nachträglich anpassen und dann gegen das Ist vergleichen. Zweitens: nur auf Monatsebene messen, obwohl auf Wochenebene disponiert wird. Drittens: alle Artikel in einen Durchschnitt werfen. In allen drei Fällen sieht die Genauigkeit besser aus, als sie ist.

Die Referenzgröße nicht vergessen. Messen Sie Ihr Modell immer gegen eine einfache Vergleichsprognose, etwa den Vorjahreswert derselben Woche oder den gleitenden Mittelwert. Wenn ein aufwendiges Verfahren diese Referenz nicht schlägt, war der Aufwand umsonst. Diese Gegenprobe kostet fast nichts und verhindert, dass Sie Komplexität mit Qualität verwechseln.

Fehler dort messen, wo Entscheidungen fallen. Wenn Sie wöchentlich disponieren, messen Sie wöchentlich. Wenn Sie je Lagerstandort planen, messen Sie je Standort. Eine Prognose, die auf Gesamtsortimentsebene stimmt, aber auf Artikelebene stark streut, hilft in der Disposition nicht — dort entscheidet der einzelne Artikel über Fehlbestand oder Überbestand.

Prädiktiv statt reaktiv: Prognose und Bestand mit MarketplAIce

Die meisten Händler planen rückwärts: Sie schauen auf den Vormonat, schreiben ihn fort und korrigieren, wenn etwas auffällt. Das funktioniert, solange die Wiederbeschaffungszeit kurz ist. Bei Otto-typischen Sortimenten ist sie das oft nicht.

MarketplAIce rechnet die Nachfrage je Artikel bis zu fünf Tage im Detail und über längere Horizonte für die Bestandsplanung voraus und bezieht dabei 15 Dimensionen ein — unter anderem Saison, Preisposition, Wettbewerbsverfügbarkeit, Aktionsphasen, Werbedruck und Bestandslage. Aus dieser Prognose entstehen konkrete Nachbestellvorschläge mit Menge und Termin.

Die Kopplung an Preis und Werbung ist der eigentliche Hebel. Eine Prognose, die getrennt von Repricing und Gebotssteuerung läuft, wird durch die eigene Preisaktion sofort falsch. In MarketplAIce nutzen alle Module dieselbe Prognose, also berücksichtigt die Bestandsplanung, was die Preis- und Werbesteuerung vorhat.

Kanalübergreifend statt je Marktplatz. Wenn Sie denselben Artikel auf Otto, Amazon, Kaufland und eBay verkaufen, konkurrieren die Kanäle um denselben Bestand. MarketplAIce prognostiziert deshalb kanalübergreifend und zeigt, welcher Kanal den knappen Bestand am profitabelsten abverkauft. Die methodische Grundlage dazu beschreibt der Beitrag zur Nachfrageprognose im Multichannel-Vertrieb.

Frühwarnung statt Rückblick. Statt am Monatsende zu sehen, dass ein Artikel ausverkauft war, meldet das System vorab, dass der prognostizierte Absatz den Bestand vor der nächsten Lieferung aufbraucht. Genau dieser Zeitvorsprung entscheidet bei langen Vorlaufzeiten über die Saison.

Welche Module in welchem Tarif enthalten sind, sehen Sie in der Preisübersicht.

FAQ

Wie weit im Voraus sollte ich für Otto prognostizieren?

Mindestens über die Wiederbeschaffungszeit plus einen Sicherheitszeitraum. Bei Paketware sind das oft wenige Wochen, bei Sperrgut und Importware deutlich mehr — dort planen Sie sinnvollerweise über ein bis zwei Quartale.

Was ist ein guter MAPE-Wert?

Das hängt vom Artikeltyp ab. Schnelldreher mit stabiler Nachfrage lassen sich deutlich genauer prognostizieren als Langsamdreher oder Neuprodukte. Ein Zielwert für das Gesamtsortiment ist wenig aussagekräftig, entscheidend ist die Verbesserung je Segment.

Warum ist Bias wichtiger als reine Genauigkeit?

Zufällige Fehler gleichen sich über viele Artikel aus, systematische nicht. Ein durchgängig zu hoher Forecast erzeugt über das gesamte Sortiment Überbestand, ein durchgängig zu niedriger erzeugt Fehlbestände und Sichtbarkeitsverluste.

Muss ich Wetterdaten wirklich einbeziehen?

Nur in wetterabhängigen Sortimenten wie Garten, Grill, Pool, Ventilatoren oder Heizgeräten. Dort ist der Effekt aber so groß, dass eine Prognose ohne Wetterbezug regelmäßig um Wochen danebenliegt.

Wie behandle ich Neuprodukte ohne Historie?

Über Analogieprognosen: Sie leiten den erwarteten Verlauf aus vergleichbaren Artikeln derselben Kategorie und Preisklasse ab und korrigieren, sobald die ersten echten Verkaufswochen vorliegen.

Wie hängen Prognose und Sicherheitsbestand zusammen?

Der Sicherheitsbestand puffert den Prognosefehler über die Wiederbeschaffungszeit. Je genauer die Prognose, desto weniger Puffer brauchen Sie für denselben Servicegrad — das senkt direkt die Kapitalbindung.

Reicht eine Excel-Lösung für die Otto-Prognose aus?

Für ein kleines, stabiles Sortiment ja. Sobald Saison, Aktionen, Preisänderungen und mehrere Kanäle zusammenkommen, wird die Pflege in Excel fehleranfällig und der Zeitversatz zu groß.

Über den Autor

Jorginho Engelmeyer ist Gründer von MarketplAIce und Geschäftsführer der AMZ+ Consulting GmbH. Er arbeitet seit über acht Jahren mit Händlern und Agenturen im DACH-Raum an Marktplatz-Performance, Bestandsplanung und Controlling und entwickelt mit MarketplAIce eine prädiktive Plattform für Gebote, Preise und Bestände über Amazon, Otto, Kaufland, eBay und Temu — mehr zur Expertise.