Zeitreihen-Prognose mit KI: Planung im Mittelstand verbessern

Das Problem: Planung mit Bauchgefühl und Excel

Die meisten mittelständischen Unternehmen planen ihren Absatz, Lagerbestand oder Personalbedarf mit einer Kombination aus Erfahrung, Tabellenkalkulation und dem berühmten Bauchgefühl. Das funktioniert, solange sich Märkte, Lieferketten und Kundennachfrage nicht zu schnell ändern. Doch seit 2020 ist genau das die Realität: Rohstoffpreise schwanken, Lieferzeiten sind unvorhersehbar, und Nachfrage bricht innerhalb von Wochen ein oder steigt plötzlich an.

Wer in dieser Situation weiter auf manuelle Prognosen setzt, verschenkt entweder Umsatz durch Lieferengpässe oder bindet Kapital in Überbeständen. Beides kostet Liquidität, die im Mittelstand oft knapp ist.

Die gute Nachricht: Zeitreihen-Prognose mit KI lässt sich heute auf mittelständischer Infrastruktur betreiben, ohne Hyperscaler, ohne Data-Science-Abteilung und ohne sechsstellige Investitionen. Dieser Artikel zeigt, wie Sie konkret vorgehen, welche Datenquellen Sie brauchen und wo die Grenzen der Technik liegen.

Was Zeitreihen-Prognose bedeutet

Eine Zeitreihe ist eine Folge von Datenpunkten, die über die Zeit erfasst wurden: Absatzzahlen pro Monat, Lagerbestände am Tagesende, Maschinenlaufzeiten pro Schicht. Zeitreihen-Prognose bedeutet, aus diesen historischen Daten künftige Werte vorherzusagen.

Klassische Methoden wie gleitende Durchschnitte oder exponentielle Glättung funktionieren, wenn sich Trends linear fortsetzen. KI-Modelle, vor allem sogenannte neuronale Netze oder spezielle Algorithmen wie Prophet oder ARIMA, können zusätzlich Saisonalität, externe Ereignisse und komplexe Muster erkennen. Das macht den Unterschied, wenn Ihre Nachfrage im Dezember regelmäßig um 40 Prozent steigt oder wenn Rohstoffpreise mit mehrwöchiger Verzögerung auf Wechselkurse reagieren.

Wichtig: KI ersetzt nicht die Fachkenntnis. Sie beschleunigt die Mustererkennung und reduziert manuelle Fehler, aber die Interpretation und Entscheidung bleibt beim Menschen.

Typische Anwendungsfälle im Mittelstand

Absatzplanung

Sie verkaufen Komponenten an Automobilzulieferer oder Maschinenbauer. Ihre Kunden bestellen unregelmäßig, aber mit erkennbaren Saisonmustern. Eine KI-gestützte Prognose gleicht historische Bestellungen mit externen Faktoren ab: Wirtschaftskalender, Branchennachrichten, sogar Wetterdaten, wenn Ihr Produkt wetterabhängig ist. Das Ergebnis: Sie wissen vier bis acht Wochen im Voraus, welche Mengen Sie vorproduzieren sollten.

Lagerbestandsplanung

Zu viel Lager bindet Kapital, zu wenig führt zu Lieferverzug. Zeitreihen-Modelle berechnen Bestellpunkt und optimale Bestellmenge nicht statisch, sondern dynamisch: Je nach Jahreszeit, Lieferzeit und aktuellem Absatztrend passt sich die Empfehlung an.

Kapazitätsplanung in der Produktion

Wenn Sie Maschinenlaufzeiten, Auftragseingänge und Personalverfügbarkeit als Zeitreihen erfassen, kann ein Modell vorhersagen, wann Sie Engpässe bekommen. Sie sehen zwei Monate im Voraus, dass in Kalenderwoche 18 die Kapazität nicht reicht, und können Zeitarbeit oder Schichtwechsel rechtzeitig einplanen.

Finanzplanung

Liquidität schwankt mit Zahlungseingängen und Ausgaben. Ein Zeitreihen-Modell auf Basis von Rechnungsdaten, Zahlungszielen und saisonalen Mustern zeigt, wann Sie voraussichtlich Kreditlinien brauchen oder wann Sie freie Mittel investieren können.

Welche Daten Sie brauchen

KI-Modelle lernen aus historischen Daten. Je mehr, desto besser, aber selbst mit 24 Monaten Monatswerten oder 52 Wochen Wochenwerten lassen sich bereits nützliche Prognosen erstellen.

Typische Datenquellen:

• ERP-System: Auftragseingänge, Produktionszahlen, Lagerbestände
• CRM: Verkaufschancen, Pipeline-Werte, Abschlussraten
• Warenwirtschaft: Bestellungen, Lieferzeiten, Retourquoten
• Produktionssteuerung (MES): Maschinenlaufzeiten, Ausschussraten
• Buchhaltung: Zahlungseingänge, Zahlungsziele, offene Posten

Wichtig: Die Daten müssen sauber sein. Lücken, Duplikate und Ausreißer verzerren die Prognose. Ein einmaliges Daten-Audit vor dem Start spart später Wochen an Debugging.

Die technische Umsetzung in fünf Schritten

1. Daten zentralisieren

Zeitreihen-Prognose funktioniert nur, wenn alle relevanten Daten an einem Ort liegen. Das kann eine PostgreSQL-Datenbank auf eigenem Server sein oder ein Data Warehouse wie ClickHouse. Workflow-Plattformen wie n8n oder Make holen die Daten per API aus ERP, CRM und Warenwirtschaft und schreiben sie in eine zentrale Tabelle.

2. Datenqualität prüfen und bereinigen

Skripte oder Workflows identifizieren fehlende Werte, Duplikate und Ausreißer. Typische Regel: Wenn ein Wert mehr als drei Standardabweichungen vom Mittelwert entfernt liegt, manuell prüfen. Lücken können Sie interpolieren oder mit Nullwerten füllen, je nach Kontext.

3. Modell auswählen und trainieren

Für den Einstieg empfiehlt sich Prophet, ein Open-Source-Modell von Meta, das speziell für Business-Zeitreihen entwickelt wurde. Es kommt mit Saisonalität, Feiertagen und Trendwechseln gut zurecht und läuft auf Standard-Hardware. Alternativ ARIMA für einfachere Muster oder neuronale Netze wie LSTM, wenn Sie komplexe Abhängigkeiten modellieren wollen.

Das Training läuft lokal oder auf einem virtuellen Server in Deutschland. Die Rechenzeit für eine monatliche Absatzprognose über 36 Monate liegt bei unter fünf Minuten auf einem Server mit vier Kernen und acht Gigabyte RAM.

4. Prognose automatisieren

Ein wöchentlicher oder monatlicher Workflow holt die neuesten Daten, trainiert das Modell neu oder aktualisiert es inkrementell und schreibt die Prognose zurück ins ERP oder in ein Dashboard. So bleibt die Vorhersage immer aktuell, ohne manuelle Eingriffe.

5. Ergebnisse visualisieren und validieren

Dashboards in Grafana, Metabase oder Power BI zeigen historische Werte, Prognosekurve und Konfidenzintervalle. Geschäftsführung und Fachabteilungen sehen auf einen Blick, welche Werte das Modell erwartet und wie sicher die Prognose ist. Nach zwei bis drei Monaten vergleichen Sie Prognose mit Ist-Werten und justieren das Modell nach.

Realistische Ergebnisse: Was sich verbessert

In Projekten bei mittelständischen Kunden haben wir folgende Effekte gemessen:

• Absatzprognose: Mittlerer absoluter Fehler sinkt um 15 bis 30 Prozent gegenüber Excel-basierten Schätzungen.
• Lagerkosten: Durchschnittlicher Lagerbestand reduziert sich um 10 bis 20 Prozent, ohne dass Lieferfähigkeit leidet.
• Kapazitätsplanung: Engpässe werden drei bis sechs Wochen früher erkannt, Zeitarbeit lässt sich günstiger buchen.
• Liquiditätsplanung: Unerwartete Zahlungsspitzen treten seltener auf, Kreditlinien werden effizienter genutzt.

Wichtig: Die Qualität der Prognose hängt stark von der Datenbasis ab. Wenn Ihr ERP nur unvollständige oder verzögerte Daten liefert, wird auch das beste Modell keine Wunder bewirken.

Was nicht funktioniert

Zeitreihen-Prognose ist kein Ersatz für strategische Planung. Sie erkennt Muster in historischen Daten, kann aber disruptive Ereignisse wie neue Wettbewerber, Produktwechsel oder regulatorische Änderungen nicht vorhersehen. Wenn Sie ein neues Geschäftsfeld aufbauen oder radikal umstellen, fehlen die historischen Daten, und die Prognose läuft ins Leere.

Auch externe Schocks wie Pandemien, Lieferkettenabbrüche oder Währungskrisen sind in historischen Zeitreihen nicht abgebildet. Hier müssen Sie manuelle Korrekturen vornehmen oder Szenarien modellieren.

Zuletzt: Zeitreihen-Prognose ersetzt nicht die menschliche Interpretation. Wenn das Modell eine Nachfrage von 120 Einheiten für nächsten Monat prognostiziert, aber Ihr größter Kunde gerade insolvent gegangen ist, müssen Sie die Prognose übersteuern.

Aufwand und Kosten

Ein Pilotprojekt für Absatzprognose in einem Produktbereich dauert vier bis sechs Wochen:

• Woche 1 bis 2: Datenquellen identifizieren, APIs anbinden, Daten zentralisieren
• Woche 3 bis 4: Datenqualität prüfen, Modell auswählen, erste Trainingsläufe
• Woche 5 bis 6: Dashboard aufbauen, Ergebnisse validieren, Workflow automatisieren

Die Kosten liegen typischerweise im mittleren vierstelligen Bereich, wenn Sie mit einem spezialisierten Partner arbeiten. Die laufenden Betriebskosten für Server, Workflow-Plattform und monatliches Monitoring bewegen sich bei 200 bis 400 Euro pro Monat.

Wenn Sie das Projekt intern umsetzen, brauchen Sie eine Person mit Python-Kenntnissen und Erfahrung in Datenanalyse. Der Zeitaufwand liegt bei 60 bis 80 Stunden für den Piloten, danach zwei bis vier Stunden pro Monat für Wartung und Anpassungen.

DSGVO und Datenschutz

Zeitreihen-Prognose verarbeitet in der Regel aggregierte Daten ohne Personenbezug: Absatzzahlen, Lagerbestände, Maschinenlaufzeiten. Solange Sie keine Einzelkunden oder Mitarbeitenden identifizieren können, fällt die Verarbeitung nicht unter die DSGVO.

Wenn Sie doch personenbezogene Daten nutzen, etwa Verkaufszahlen pro Vertriebsmitarbeiter, greifen die üblichen Pflichten: Zweckbindung, Datenminimierung, Auftragsverarbeitung mit externen Dienstleistern. Ein Data Warehouse auf eigenem Server in Deutschland vereinfacht die Compliance erheblich.

EU-Hosting und Infrastruktur

Alle Modelle und Daten können Sie auf Servern in Deutschland betreiben. Provider wie Hetzner, Netcup oder IONOS bieten virtuelle Server ab 10 Euro pro Monat. Für rechenintensive Trainingsläufe mieten Sie bei Bedarf kurzfristig leistungsstärkere Instanzen und schalten diese nach dem Training wieder ab.

Workflow-Plattformen wie n8n lassen sich selbst hosten, ebenso Dashboards wie Grafana oder Metabase. So bleibt die gesamte Infrastruktur in Ihrer Hand, ohne Abhängigkeit von US-Hyperscalern.

Skalierung: Vom Piloten zum Regelbetrieb

Nach dem erfolgreichen Piloten in einem Produktbereich oder einer Abteilung weiten Sie die Prognose schrittweise aus:

• Weitere Produktgruppen oder Standorte anbinden
• Zusätzliche Datenquellen integrieren: Wetterdaten, Branchenindizes, Währungskurse
• Prognosehorizont verlängern: von vier auf zwölf Wochen
• Modelle kombinieren: Ensemble-Methoden, die mehrere Algorithmen parallel nutzen und deren Ergebnisse gewichten

Pro zusätzlichem Anwendungsfall rechnen Sie mit ein bis zwei Wochen Aufwand für Anpassung und Validierung. Die Infrastruktur wächst mit: Datenbank und Server lassen sich bei Bedarf hochskalieren.

Fazit: Planung wird messbar

Zeitreihen-Prognose mit KI verwandelt Bauchgefühl in messbare Vorhersagen. Sie senken Lagerkosten, vermeiden Engpässe und planen Kapazität vorausschauend. Die Technik ist heute mittelstandstauglich, die Daten liegen in den meisten Unternehmen bereits vor, und die Infrastruktur lässt sich auf eigenen Servern in Deutschland betreiben.

Der Einstieg gelingt mit einem Piloten in vier bis sechs Wochen. Danach skalieren Sie schrittweise und passen die Modelle an wachsende Anforderungen an.

Wenn Sie wissen wollen, ob Zeitreihen-Prognose in Ihrem Unternehmen konkret funktioniert, sprechen wir über Ihre Datenquellen, Ihre Planungszyklen und Ihre Infrastruktur.

Sprechen Sie mit uns

Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.

Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.