Demand Sensing: So erkennen Sie Nachfragetrends und erhöhen die Supply-Chain-Reaktionsfähigkeit 

Sep 19, 2025 8 min

Selbst nach jahrelangen intensiven Supply-Chain-Störungen wird von Konsumgüterunternehmen erwartet, dass sie ihre Supply-Chains, soweit es eben möglich ist, kontrollieren. Die manuellen Prognoseverfahren, die viele Unternehmen immer noch einsetzen, um in diesem Chaos den Überblick zu behalten, sind allerdings schon lange an ihre Grenzen gestoßen. Da sich die wirtschaftlichen Rahmenbedingungen ständig ändern und ein allgemeiner Zustand der Unsicherheit herrscht, unterliegt auch die Nachfrage starken Schwankungen. Unternehmen, die ausschließlich Absatzdaten analysieren, können selbst für die unmittelbare Zukunft nur schwer genaue Prognosen erstellen.  

Um besser auf die ständigen Störungen reagieren zu können, setzen immer mehr Unternehmen auf Demand Sensing (Nachfrageerkennung). Dadurch können sie ihre Kosten senken und die Prognosegenauigkeit verbessern – und beides haben Unternehmen in der Konsumgüterindustrie bitter nötig. Die Vorteile gehen allerdings weit über die unsichere Wirtschaftslage hinaus.   

Konsumgüterunternehmen und ihre nahen Verwandten, die Hersteller von schnelldrehenden Konsumgütern (FMCG) sollten ihre Supply-Chain-Prozesse mit einer Demand-Sensing-Software optimieren, die sich schnell auszahlt und den Unternehmen langfristig Zeit und Geld spart.  

Was ist Demand Sensing?  

Unter Demand Sensing versteht man die Integration interner Daten mit Point-of-Sale-Daten und anderen externen Datenquellen, um kurzfristige Prognosen zu erstellen und anzupassen. Die Einbeziehung externer Daten und der Einsatz von Machine-Learning-Software hilft Unternehmen dabei, die Nachfrageschwankungen zu erkennen und entsprechende Änderungen vorzunehmen. Prognosen, die mit Hilfe von Demand-Sensing-Lösungen erstellt werden, erreichen eine höhere Genauigkeit und kürzere Anpassungszeiten als solche, die mit herkömmlichen Prognoseverfahren erstellt werden.  

Demand Sensing vs. Nachfrageprognose  

Im Gegensatz zu herkömmlichen Prognosemethoden, die ausschließlich historische Auftragsdaten auswerten, können sowohl Demand Sensing als auch ML-basierte Nachfrageprognosen Echtzeitdaten nutzen und Nachfragesignale erkennen. Die beiden Methoden unterscheiden sich lediglich in der Art und Weise, wie sie diese Inputs verwenden.  

Demand Sensing ist auf Geschwindigkeit ausgelegt. Der Fokus auf sofortige Datenintegration, um schnell auf Marktveränderungen reagieren zu können, macht Demand Sensing zu einem wichtigen Akteur in der kurzfristigen Bedarfsplanung und zu einem Segen für FMCG-Unternehmen.  

ML-Nachfrageprognose können neue Nachfragedaten zwar auch schnell aufnehmen und analysieren, allerdings geht es hier mehr darum, Nachfragetrends und Verbrauchsmuster zu erkennen, um eine solide Grundlage für die langfristige Planung zu liefern.  

Warum ist Demand Sensing wichtig? 

Der große Vorteil von Demand-Sensing und ML-Prognosen gegenüber traditionellen (oft manuellen) Prognosen liegt in erster Linie in der Fähigkeit, große Datenmengen aus zahlreichen Quellen, wie zum Beispiel externen und POS-Einzelhandelsdaten, schnell und präzise zu verarbeiten.  

Demand Sensing umfasst tägliche Prognosen, um die Prognosegenauigkeit zu verbessern und sowohl Kosten als auch Verschwendung in der Supply-Chain-Planung zu senken. Aktuelle, relevante Daten von Einzelhändlern und anderen externen Quellen fließen in diese Prognosen ein, die als Reaktion auf neue Informationen automatisch aktualisiert werden.   

Zum Beispiel kann eine Prognose, die auf Nachbestellungen des Distributionszentrums basiert und zusätzlich von umfangreichen Point-of-Sales-Daten aus dem Einzelhandel unterstützt wird, die aktuelle Nachfrage besser widerspiegeln als eine Prognose, die ausschließlich auf Nachbestellungen des Distributionszentrums basiert. Nachbestellungen spiegeln wider, was vor Kurzem passiert ist, wohingegen die POS-Daten das Verhalten der Verbraucher im Augenblick beschreiben.  

Ständige Datenaktualisierungen und automatische Anpassungen verhindern ein striktes Festhalten an veralteten Prognosen und die ML-Funktion fördert kontinuierliche Verbesserungen der Performance. Demand-Sensing-Software berücksichtigt auch Faktoren wie aktuelle Trends, Entscheidungen des Einzelhandels, Marktbedingungen und sogar externe Ereignisse wie schlechtes Wetter, um die Prognosegenauigkeit zu verbessern.   

Auf diese Weise reduziert die Demand-Sensing-Software Lagerbestände, optimiert Prozesse, um langfristige Kosteneinsparungen zu erzielen, und verringert Umsatzverluste durch eine höhere Verfügbarkeit.  

Herausforderungen, die das Vorhersagepotenzial einschränken  

Entscheidungsträger in der Supply-Chain-Planung haben früher manuell Prognosen auf der Grundlage interner und historischer Auftragsdaten erstellt. Das klingt zunächst logisch. Unternehmen, die sich ausschließlich auf Methode verlassen, haben jedoch erhebliche Nachteile.   

Traditionelle Methoden sind nicht in der Lage, folgende Faktoren mit einzubeziehen:  

  1. Unvorhergesehene externe Störungen, die die Verbrauchernachfrage im Jahresvergleich grundlegend verändern – zum Beispiel war die Nachfrage im April 2020 sicherlich anders als im April 2019 
  1. Veränderungen in der Verbrauchernachfrage, die innerhalb weniger Tage auftreten – zum Beispiel Veränderungen, die durch unvorhergesehene Ereignisse wie Trends in den sozialen Medien oder unerwartete Werbeaktionen und Preisänderungen des Einzelhandels verursacht werden  
  1. Bestellungen von Einzelhändlern, die nach der anfänglichen Befüllung der Pipeline für geplante Ereignisse wie Produkteinführungen und -einstellungen, saisonale Veränderungen und Sortimentsänderungen eingehen 

Auch wenn die wirtschaftliche Lage besser ist, sollten Konsumgüterunternehmen diese Wissenslücken vermeiden, aber auf dem derzeitigen Markt sind sie besonders kostspielig. Bei manuellen Prognosen müssen Planer riesige Datenmengen bewältigen. Und die Nachfrage kann sich innerhalb weniger Tage dramatisch ändern, was dazu führt, dass Planer ständig auf Veränderungen reagieren müssen, ohne jemals die Nase vorne haben zu können. Diese Prognoseungenauigkeiten führen letztlich zu Ressourcenverschwendung, insbesondere bei Unternehmen, die mit frischen Produkten oder anderen Waren mit extrem kurzer Haltbarkeit handeln.  

3 Möglichkeiten, wie Sie mit Demand Sensing Kosten senken können 

ML- und KI-gestützte Planung mit Demand-Sensing-Software mag Unternehmen, die ihre Supply-Chain-Planung noch mit Excel-Tabellen machen, wie ein Traum erscheinen. Immer mehr Unternehmen nutzen jedoch bereits solche Tools zur Optimierung ihrer Supply-Chain-Planung.   

Unternehmen, die noch mit dem Gedanken spielen, Demand-Sensing-Software einzuführen, sollten sich die drei wichtigsten positiven Auswirkungen auf den Umsatz genauer anschauen.  

1. Sofortige Erkennung von Nachfrageschwankungen und Änderungen im Verbraucherverhalten

Demand-Sensing-Lösungen verarbeiten aktuelle externe Datenströme, anstatt sich ausschließlich auf historische Trends zu verlassen. Auf diese Weise können Konsumgüterunternehmen saisonale Nachfrageschwankungen sofort erkennen, anstatt Annahmen auf der Grundlage früherer Jahre zu treffen.  

Demand-Sensing-Software für die Supply-Chain kombiniert drei Datenquellen, um Prognosen zu erstellen und anzupassen:  

2. Automatisierung von Prognoseanpassungen 

Robuste Demand-Sensing-Lösungen minimieren den manuellen Arbeitsaufwand für die Erstellung und Anpassung von Prognosen. Programme mit KI- und ML-Funktion können Trends und Nachfrageänderungen schneller erkennen als jedes menschliche Team, wodurch sich die Zeit zwischen Trenderkennung und Prognoseanpassung erheblich verkürzt. Diese blitzschnelle Reaktionszeit hilft dabei, kostspielige Über- und Unterbestände zu minimieren. 

ML-Prognosen übertreffen manuelle Prognosen auch in einer anderen Hinsicht: der Fähigkeit, Erkenntnisse zu erfassen und darauf aufzubauen. Eine manuelle Analyse ist für Mitarbeiter zeit- und arbeitsaufwändig und dieser Prozess muss bei jeder Prognoseerstellung wiederholt werden. Ein ML-Programm speichert stattdessen automatisch die aus diesen Analysen gewonnenen Informationen und lernt aus jedem Ereignis, sodass Menschen die Arbeit nicht ständig wiederholen müssen.  

Dank Automatisierung können sich Planer in Konsumgüterunternehmen auf wichtige Aufgaben zu konzentrieren, die außerhalb der Möglichkeiten der Software-Lösung liegen: Ausnahmen. Eine Demand-Sensing-Lösung identifiziert Abweichungen und macht den Planer auf sie aufmerksam, der wiederum feststellt, ob die Prognose gültig ist oder nicht. Das Tool nutzt externe Datenquellen, um diese Ausnahmen zu kontextualisieren und dem Planer zu helfen, die richtige Einschätzung der Prognosegenauigkeit zu treffen.  

3. Ein besserer Nachfrage-Überblick 

Die Abhängigkeit von einer einzigen Datenquelle beeinträchtigt die Prognosegenauigkeit und zwingt Unternehmen zu starren Prognosen. Eine Prognose, die ausschließlich auf POS-Daten und nachfragesteigernde Maßnahmen wie Werbeaktionen basiert, könnte zu einem Bestand führen, der nicht mit dem tatsächlichen Bestellbedarf des Einzelhandelskunden übereinstimmt.   

Dieses Problem stellt sich vor allem bei neuen Artikeln, die in relativ großen Mengen geliefert werden. Eine Prognose, die nur auf POS-Daten basiert, kann dazu führen, dass der Lieferant zu schnell einen großen Lagerbestand aufbaut. Die Unternehmen lagern dann Bestände ein, die erst Wochen oder sogar Monate später benötigt werden, was zu Obsoleszenzproblemen bei Artikeln mit kürzeren Lebenszyklen oder begrenzter Haltbarkeit führt.  

Besser ist es, wenn ein Unternehmen POS-Daten von Einzelhändlern mit historischen Auftragsdaten kombiniert, um Bestands-, Vertriebs-, Produktions-, Einkaufs- und Verkaufspläne schnell mit aktuellen Prognosen anpassen zu können. Um den künftigen Bedarf in der Lieferkette genau bestimmen zu können, müssen Unternehmen auch Lagerbestände, Vorlaufzeiten, Lieferpläne und Losgrößen in jeder Phase der Lieferkette berücksichtigen.    

Wenn aktuelle Daten aus verschiedenen Quellen zusammengeführt werden, können Unternehmen Vertrieb und Bestände besser planen – insbesondere bei instabilen Warenströmen. Nehmen wir mal an, dass ein Unternehmen vor der Durchführung einer Werbekampagne eine Basisprognose erstellt. Schon kleine Ungenauigkeiten in der Prognose können zu kostspieligen Fehlbeständen führen. Demand-Sensing-Software aktualisiert sich jedoch täglich und verfolgt die Umsetzung der Prognose in Echtzeit, sodass Unternehmen sofort Maßnahmen ergreifen können, wenn Einheiten schneller oder langsamer als erwartet bewegt werden.  

Demand Sensing gibt auch Aufschluss über andere Situationen, die mit einem instabilen Warenfluss verbunden sind. Dazu gehören:  

Vorteile von Demand Sensing  

Da globale Supply-Chains genau wie die Verbrauchernachfrage immer komplexer werden, kann die Investition in eine neue oder verbesserte Demand-Sensing-Lösung Unternehmen dabei helfen, aktuelle und zukünftige Supply-Chain-Störungen und Frustrationen besser zu bewältigen.  

Eine robuste Demand-Sensing-Software hilft Unternehmen dabei, in einem unsicheren Markt Sicherheit zu gewinnen, indem sie unmittelbare Veränderungen in der Nachfrage und im Verbraucherverhalten frühzeitig erkennt. Eine leistungsstarke ML-Software kann riesige Datenmengen analysieren, um festzustellen, wie sich die Nachfrage täglich verändert.  

Die sofortige Erkennung von Nachfrageschwankungen hat drei wesentliche Vorteile, die zu geringeren Kosten führen: 
 

  1. Weniger Umsatzverluste durch bessere Verfügbarkeit  
  1. Besser abgestimmtes Angebot im Vergleich zur tatsächlichen Nachfrage bei schrittweiser Änderung von Werbeaktionen.  
  1. Weniger Verschwendung, insbesondere bei frischen Produkten mit kurzer Haltbarkeit.  

Demand Sensing in Aktion  

Seit über einem Jahrzehnt unterstützt RELEX Konsumgüterunternehmen dabei, ihre Prognosen und Entscheidungsabstimmung zu verbessern.  

Schauen wir uns zum Beispiel Atria an: Der RELEX-Kunde ist einer der führenden Lebensmittellieferanten in Nordeuropa mit einem Nettoumsatz von 1,5 Milliarden Euro im Jahr 2021. Das Unternehmen musste seine Prognosegenauigkeit für stark saisonabhängige Waren und Fleischprodukte mit besonders kurzer Haltbarkeit verbessern. Atria konnte mit den Demand-Sensing-Funktionen von RELEX eine erstklassige wöchentliche Prognosegenauigkeit von 98,1 % erzielen und gleichzeitig manuelle Änderungen der Prognosen um 13 % reduzierten.  

„Wir profitieren weiterhin von den Vorteilen dieser Beziehung und nutzen die Software-Lösung in weiteren Bereichen.“, so Pekka Korpeinen, Director, Steering & Planning bei Atria. „Es ist für mich ganz klar, dass RELEX und Atria genau auf einer Welle sind, wenn es darum geht, zu erforschen, wie Unternehmen der Konsumgüterindustrie den maximalen Nutzen aus modernen Planungstechnologien ziehen können. Das Einführen von ML-Prognosen von RELEX hat wesentlich zum anhaltenden Erfolg unseres Unternehmens beigetragen.“ 

Marktvorteil durch schnelle Reaktionsfähigkeit 

Konsumgüterunternehmen müssen viele Herausforderungen meistern – von Supply-Chain-Störungen bis hin zur Überflutung mit Daten. Demand Sensing gibt ihnen die Möglichkeit, sie zu meistern. Wenn Unternehmen ihre Software für Supply-Chain-Planung upgraden und ihre Teams mit den KI-gesteuerten Erkenntnissen und Fähigkeiten ausstatten, die sie benötigen, um Unsicherheiten zu bewältigen, steigern sie die Effizienz, was zu einem besseren Serviceniveau und langfristiger Rentabilität führt.  

RELEX arbeitet seit langem mit Einzelhändlern auf der ganzen Welt zusammen. Deshalb wissen wir ganz genau, was und wie Einzelhändler von Konsumgüterunternehmen kaufen. Die Software-Lösung von RELEX kann individuell angepasst werden, um Ihre unternehmensspezifischen Probleme zu lösen und selbst die komplexesten Supply-Chains zu optimieren. Wir geben Ihnen die Tools und Erkenntnisse für einen messbaren Mehrwert – jetzt und in Zukunft.  

Setzen Sie jetzt auf Demand Sensing, um bei der nächsten großen Supply-Chain-Störung nicht auf veraltete manuelle Systeme angewiesen zu sein.   

Beitrag von

Michael Gylling

Director of Product, CPG