KI-Forecasting im KMU 2026: Umsatz- und Bedarfsprognosen mit ChatGPT, Claude und Excel-Copilot

KMU-Forecasting läuft in 90 Prozent der Fälle gleich ab. Der Geschäftsführer fragt am Quartalsende, wie der nächste Quartalsumsatz aussieht. Der Vertriebsleiter schaut auf das Pipeline-Excel, rechnet im Kopf eine Wahrscheinlichkeit, zieht 10 Prozent Sicherheitsabschlag ab und nennt eine Zahl. Diese Zahl ist Bauchgefühl mit Excel-Anstrich. Für drei der häufigsten Forecast-Aufgaben im Mittelstand kannst du das heute mit Standard-KI besser machen, ohne Data Scientist und ohne sechsstelliges Tool-Budget. Umsatz auf 12 Wochen, Bedarf für Lager und Personal, Cashflow mit Szenarien. Genau das, was die meisten KMU regelmäßig brauchen.

Auf einen Blick: KMU-Forecasting hat drei Use Cases, die mit Standard-KI funktionieren: Umsatzprognose auf 12 Wochen aus historischen Daten, Bedarfsprognose für Lager und Personal, Cashflow-Prognose mit Best/Base/Worst-Szenarien. Werkzeuge: Excel mit Microsoft Copilot für einfache Linear-Trend-Modelle (22 Euro pro Nutzer und Monat), Claude oder ChatGPT mit Code Interpreter für Analysen mit Erklärungen (20 bis 25 Euro pro Monat), Prophet von Meta als Open Source für Python-Affine, Anaplan oder Pigment oder Datarails ab 1.000 Euro pro Monat für Konzernstrukturen. Realistische Genauigkeit: 75 bis 85 Prozent in stabilen Branchen, 60 bis 70 Prozent in volatilen Branchen wie Tourismus, Mode oder Bauwirtschaft. Hauptbarriere ist nicht das Tool, sondern die Datenpflege-Disziplin.

Was hinter der Mathematik steckt

KI-Forecasting für KMU ist keine Magie. Die zugrundeliegenden Methoden sind Zeitreihenanalyse, die in der Statistik seit Jahrzehnten etabliert ist. Drei Verfahren tragen 90 Prozent aller Standard-Forecasts.

ARIMA steht für AutoRegressive Integrated Moving Average. Das Modell schaut sich die letzten Werte einer Zeitreihe an, rechnet daraus einen Trend heraus, glättet Ausreißer und projiziert das Ganze in die Zukunft. Robust, gut dokumentiert, funktioniert auch mit wenig Daten. Exponential Smoothing arbeitet ähnlich, gewichtet aber jüngere Werte stärker als ältere. Für Umsatzdaten mit klarer Saisonalität oft die erste Wahl. Prophet ist eine Bibliothek, die Meta 2017 als Open Source veröffentlicht hat. Sie kombiniert Trend, Saisonalität, Sondereffekte wie Feiertage und kann mit lückenhaften Daten gut umgehen.

Wenn du heute ChatGPT mit Data Analyst oder Claude mit Code Interpreter eine CSV mit Umsatzdaten hochlädst und sagst "Mach mir einen Forecast für die nächsten zwölf Wochen", dann läuft im Hintergrund Python mit Bibliotheken wie statsmodels oder Prophet. Die KI schreibt den Code, prüft die Daten, wählt das passende Modell, generiert die Prognose und visualisiert das Ergebnis. Du bekommst Zahlen, dazu eine Erklärung, welches Modell verwendet wurde und warum.

Das ist der entscheidende Unterschied zu klassischen Forecast-Tools. Du musst nicht mehr verstehen, was ARIMA macht. Du musst nur deine Daten haben, und du musst die Plausibilität des Ergebnisses einschätzen können.

Use Case 1: Umsatzprognose 12 Wochen

Das ist der häufigste Forecast im Mittelstand. Vertriebsplanung, Liquiditätsplanung, Personalplanung hängen alle daran. Was die KI dafür braucht: 24 bis 36 Monate historische Umsatzdaten, idealerweise auf Wochenebene oder Tagesebene, mit Datum und Betrag. Bei B2B-Geschäft kann auch monatliche Granularität reichen, bei E-Commerce oder Einzelhandel solltest du auf Tagesebene runter.

Ablauf: Daten als CSV exportieren, in Claude oder ChatGPT hochladen, Prompt schreiben. Etwa so: "Hier sind die wöchentlichen Umsatzdaten der letzten 30 Monate. Bitte erstelle einen Forecast für die nächsten 12 Wochen. Erkenne Saisonalität und Trend. Markiere Wochen mit besonders hoher oder niedriger Vorhersagesicherheit. Gib mir auch das Konfidenzintervall." Die KI lädt die Daten, prüft sie, wählt ein Modell, rechnet, visualisiert. Du bekommst eine Tabelle mit Wochen-Forecast plus oberes und unteres Konfidenzintervall plus ein Diagramm.

Saisonalität ist der Bereich, in dem die KI deutlich besser ist als das Excel-Bauchgefühl. Der erfahrene Vertriebsleiter weiß, dass der Dezember stark wird. Die KI weiß, dass die Kalenderwoche 50 historisch 2,3 Mal so stark ist wie der Jahresdurchschnitt, dass die KW 1 jedes Jahr 40 Prozent unter dem Schnitt liegt, dass die KW 32 in 3 von 4 Jahren ein Sommerloch zeigt. Diese Mustererkennung ist mechanisch und genau das, was die Methode liefert.

Wichtig ist die Plausibilitätsprüfung. Die KI rechnet, was sie rechnen kann. Wenn deine Daten einen einmaligen Großauftrag im Oktober 2024 enthalten, der nie wiederkommt, wird die KI das in den Trend einrechnen. Du musst das wissen und in einem zweiten Schritt korrigieren. "Bitte ignoriere die KW 42 in 2024, das war ein einmaliger Sondereffekt." Das ist die Iteration, die in jeden Forecast gehört.

Use Case 2: Bedarfsprognose Lager und Personal

Der zweite große Use Case ist Bedarfsplanung. Materialbedarf, Lagerbestand, Personalbedarf hängen alle von der Umsatzprognose ab, brauchen aber zusätzliche Logik.

Materialbedarf basiert auf Stücklisten plus Forecast. Wenn du in Q3 mit 12.000 verkauften Einheiten rechnest und pro Einheit drei Komponenten brauchst, brauchst du 36.000 Komponenten plus Sicherheitsbestand minus aktuellem Bestand. Klassische Materialbedarfsplanung. KI kommt ins Spiel, wenn die Stücklisten variabel sind, wenn unterschiedliche Produktvarianten unterschiedliche Komponenten brauchen, wenn Lieferzeiten der Komponenten unterschiedlich lang sind.

Personalbedarf ist heikler. Du kannst Mitarbeiter nicht in der Schublade lagern. Wenn dein Forecast sagt, dass du im November 20 Prozent mehr Auftrag haben wirst, brauchst du im September die Entscheidung, ob du neu einstellst oder Zeitarbeit aktivierst oder Überstunden planst. KI kann die Bedarfskurve liefern. Die Entscheidung, wie du darauf reagierst, bleibt bei dir.

Saisonalitäts-getriebene Branchen profitieren am stärksten. Eis-Café, Gartencenter, Skischule, Heizungsbau, alle haben Spitzen und Täler, die sich Jahr für Jahr wiederholen. Wer die KI auf drei Jahre Daten loslässt, bekommt eine Personalbedarfskurve, die genauer ist als das, was der Inhaber im Kopf hat. Der Grund liegt im Vergleich. Der Inhaber denkt sehr wohl nach, aber er müsste drei Saisons gleichzeitig vergleichen, und das macht das Gehirn ungern.

Use Case 3: Cashflow-Prognose mit Szenarien

Cashflow ist der Forecast, bei dem KI den größten Mehrwert liefert. Drei Gründe. Erstens hat fast jedes KMU die Daten, weil Buchhaltung und Forderungs-Management ohnehin gepflegt werden. Zweitens ist Cashflow stark szenarien-abhängig, und Szenarien sind genau das, wofür KI gut ist. Drittens ist die Konsequenz eines schlechten Cashflow-Forecasts groß. Liquiditätsengpässe sind die häufigste Ursache für Mittelstands-Insolvenzen.

Was die KI braucht: aktueller Forderungsbestand mit Fälligkeitsdaten, aktuelle Verbindlichkeiten mit Fälligkeitsdaten, geplante Investitionen, Personalkosten, Mietzahlungen, sonstige fixe Kostenblöcke. Plus die Umsatzprognose aus Use Case 1. Daraus generiert die KI drei Szenarien.

Best Case: Forderungen werden alle pünktlich bezahlt, neue Aufträge kommen wie geplant, keine Sondereffekte. Base Case: 10 bis 15 Prozent der Forderungen werden verspätet bezahlt, einer von vier geplanten Aufträgen verschiebt sich um vier Wochen, normale saisonale Schwankungen. Worst Case: 25 Prozent verspätete Zahlungen, ein Großauftrag fällt aus, eine ungeplante Reparaturinvestition kommt dazu. Die KI rechnet die drei Szenarien als wöchentliche Cashflow-Kurven und markiert die Wochen, in denen der Saldo unter eine kritische Schwelle fällt.

Das ist Information, mit der du Entscheidungen treffen kannst. Brauche ich eine Kontokorrentlinie? Soll ich eine geplante Investition verschieben? Muss ich beim Forderungseinzug Druck aufbauen? Ohne diesen Forecast triffst du diese Entscheidungen reaktiv, also dann, wenn das Problem schon da ist.

Was KI gut kann, und was nicht

KI ist gut bei Saisonalität, Trends, Mustererkennung, Best/Worst-Case-Visualisierung, Anomalie-Markierung. Sie erkennt, dass der Februar 2025 plötzlich 30 Prozent über dem Vorjahresfebruar liegt, fragt nach Erklärung und markiert das als möglichen Ausreißer. Sie testet mehrere Modelle parallel und sagt dir, welches besser passt. Sie rechnet Konfidenzintervalle. Sie liefert Erklärungen statt nur Zahlen.

Sie ist nicht gut bei marktbrüchigen Ereignissen. Eine Pandemie, eine Insolvenz deines Großkunden, ein neuer Wettbewerber, der den Markt umkrempelt, ein Lieferantenausfall durch politische Krise, all das kann KI nicht vorhersagen. Sie kann historische Datenmuster fortschreiben. Wenn die Zukunft strukturell anders ist als die Vergangenheit, ist der Forecast wertlos. Das war 2020 die größte Lektion, und sie gilt weiter.

Strategische Entscheidungen ersetzt die KI auch nicht. Soll ich in ein neues Produkt investieren? Soll ich einen zweiten Standort eröffnen? Soll ich ein Geschäftsfeld aufgeben? Das sind Entscheidungen, in die der Forecast als ein Input einfließt, nicht als die Antwort. Wer den KI-Forecast als Entscheidungs-Orakel behandelt, hat das Werkzeug missverstanden.

Unbekannte Variablen sind ein weiterer blinder Fleck. Wenn ein wichtiger Treiber deiner Umsätze nicht in den Daten enthalten ist, kann die KI ihn nicht berücksichtigen. Beispiel: dein Umsatz hängt stark vom Wetter ab, aber Wetterdaten sind nicht in deiner CSV. Dann sieht die KI nur den Output, nicht die Ursache. Sie wird historische Zusammenhänge fortschreiben, aber jeden Sommer mit untypischem Wetter falsch prognostizieren.

Tools im Vergleich

Vier Tool-Klassen decken den KMU-Bedarf ab.

Excel mit Microsoft Copilot ist der Einstieg für Unternehmen, die Microsoft 365 ohnehin nutzen. Copilot kann in Excel direkt Forecasts mit Linear-Trend und einfacher Saisonalität rechnen, Pivot-Tabellen erweitern, Visualisierungen vorschlagen. Kosten: 22 Euro pro Nutzer und Monat zusätzlich zu Microsoft 365. Stärken: Daten bleiben in Excel, gute Integration in Workflow, einfach für Standard-Forecasts. Schwächen: bei komplexer Saisonalität schwächer als spezialisierte Tools, weniger Erklär-Tiefe.

ChatGPT mit Data Analyst oder Claude mit Code Interpreter ist das Allround-Werkzeug. Du lädst eine CSV hoch, beschreibst die Aufgabe in natürlicher Sprache, bekommst Forecast plus Visualisierung plus Erklärung. Kosten: 20 bis 25 Euro pro Monat für die Pro-Version. Stärken: enorme Flexibilität, gute Erklärungen, mehrere Modelle parallel testbar, gut für Was-wäre-wenn-Fragen. Schwächen: kein Excel-Workflow, Daten müssen exportiert werden, AVV-Themen bei personenbezogenen Daten beachten.

Prophet von Meta ist Open Source und kostenlos. Wer Python kann oder einen IT-Mitarbeiter mit Python-Erfahrung hat, bekommt damit ein Forecast-Werkzeug auf Produktivniveau. Stark bei Saisonalität, robust bei lückenhaften Daten, gut dokumentiert. Stärken: kostenlos, sehr robust, lokal installierbar, keine Datenweitergabe. Schwächen: Python-Kenntnisse Pflicht, keine direkte Excel-Integration, Einarbeitungszeit.

Anaplan, Pigment, Datarails sind Enterprise-Forecasting-Plattformen für mittlere bis große KMU. Sie verbinden Forecasting mit Konzernplanung, Konsolidierung, Treiberbäumen, Was-wäre-wenn-Simulationen über die ganze Organisation. Kosten: ab 1.000 Euro pro Monat, oft deutlich mehr je nach Modulen und Nutzern. Stärken: Konzernlogik, Integration in ERP-Systeme, Berechtigungssteuerung, Audit-Trail. Schwächen: Implementierung dauert Monate, Kosten skalieren mit Nutzern, Overkill für kleinere KMU.

Für Unternehmen unter 50 Mitarbeitern reicht in den meisten Fällen die Kombination aus Excel/Copilot für Routine und ChatGPT/Claude für tiefere Analysen. Erst bei strukturierter Konzernplanung mit mehreren Tochtergesellschaften lohnt sich ein Anaplan oder Pigment.

Datenanforderungen und Datenschutz

Forecasting steht und fällt mit den Daten. Mindestens 24 Monate Historie sind die untere Grenze. Mit 12 Monaten fehlt die zweite Vergleichssaison, dann rät die KI mehr als sie rechnet. Mit 36 Monaten wird der Forecast spürbar stabiler. Granularität: für E-Commerce und Einzelhandel täglich, für B2B-Industrie wöchentlich, für Projektgeschäft monatlich.

Was häufig fehlt: dokumentierte Sondereffekte. Wenn du im März 2024 eine große Promo gefahren hast, gehört das in die Daten. Wenn der August 2024 eine zweiwöchige Werksferien hatte, gehört das rein. Wenn der Oktober 2024 einen Einmal-Großauftrag enthielt, gehört das rein. Ohne diese Markierungen wird die KI Trends und Saisonalität falsch ableiten.

Datenschutz ist das Thema, das in vielen KMU unterschätzt wird. Aggregierte Umsatzdaten ohne Kundenbezug sind in der Regel nicht personenbezogen und damit DSGVO-unkritisch. Sobald du Kundenliste mit Umsätzen pro Kunde, mit Forderungslage, mit Zahlungsverhalten in ein KI-Tool lädst, hast du personenbezogene Daten im Spiel. Bei B2C ohnehin, bei B2B mit Einzelunternehmern und Kleinstgesellschaften auch.

Folgen: Auftragsverarbeitungsvertrag mit dem KI-Anbieter, AVV-Prüfung gegen Art. 28 DSGVO, Klärung des Standorts der Datenverarbeitung. OpenAI und Anthropic haben EU-Datenzentren beziehungsweise EU-US-DPF-Status, das ist aber kein Freischein. Wer sensible Daten verarbeitet, prüft im Einzelfall. Microsoft Copilot mit Daten aus dem eigenen Microsoft-365-Tenant ist datenschutzrechtlich oft die saubere Wahl, weil die Daten innerhalb der bereits abgeschlossenen AVV-Konstellation bleiben.

Praxis-Workflow Tag 1

So sieht ein realistischer Start aus.

Vormittag: Daten zusammenstellen. Umsatzdaten der letzten 24 bis 36 Monate aus dem ERP oder der Buchhaltung exportieren. Spalten: Datum, Umsatz, optional Produktkategorie oder Kundengruppe. Spalten für dokumentierte Sondereffekte ergänzen, also eine Spalte "Sondereffekt" mit Klartext bei den betreffenden Wochen.

Mittag: Tool auswählen und Konto anlegen. Für den Erstkontakt empfehlen wir Claude oder ChatGPT mit Pro-Account. Konto anlegen, Pro-Plan aktivieren, kurz mit einer Beispiel-CSV den Code Interpreter testen.

Nachmittag: Erster Forecast. CSV hochladen, Prompt schreiben, Forecast erstellen lassen. Erste Version anschauen, gegen das eigene Gefühl prüfen. Welche Wochen wirken plausibel, welche nicht? Wo sind Sondereffekte, die nicht erklärt sind? Iterativ verfeinern. "Bitte berücksichtige, dass wir jeden November eine Promo-Aktion haben." "Bitte rechne ohne die Großbestellung in KW 41 2024." Nach zwei bis drei Iterationen hast du einen ersten brauchbaren Forecast.

Spät am Nachmittag: Validierung. Vergleiche den Forecast mit den letzten vier Wochen, die du schon hast. Wenn die KI auf die letzten vier abgeschlossenen Wochen einen Forecast errechnet, der nahe an den Ist-Zahlen liegt, ist das ein gutes Zeichen. Liegt sie deutlich daneben, fehlt entweder Information oder ein Sondereffekt ist nicht modelliert. Daran arbeitest du am nächsten Tag weiter.

Wer das einmal durchgezogen hat, braucht für die folgenden Forecasts unter einer Stunde pro Monat. Das ist der eigentliche Punkt. Das Ziel liegt im wiederkehrenden monatlichen Forecast als festem Prozess, nicht in der einmaligen Startübung.

Konkretes Beispiel aus der Praxis

Ein E-Commerce-Shop für Outdoor-Bekleidung aus Niedersachsen, 18 Mitarbeiter, jährlicher Umsatz im niedrigen siebenstelligen Bereich. Bis Anfang 2026 wurde der Lagerbestand auf Bauchgefühl plus Excel-Verlängerung geplant. Die Einkäuferin schaute auf die letzten drei Monate, addierte einen Sicherheitsaufschlag von 20 Prozent für die Saison, bestellte. Das funktionierte, war aber teuer. Lagerbestände schwankten zwischen 1,1 Mio und 1,4 Mio Euro gebundenes Kapital. Slow Mover blieben über zwei Saisons im Lager.

Im Februar 2026 wurde umgestellt. Drei Jahre Verkaufsdaten pro Artikelgruppe in eine CSV exportiert, in Claude hochgeladen, monatlicher Forecast mit Saisonalität, Trend und Sondereffekten. Black Friday, Vorweihnachtsgeschäft, Sommerflaute, Auftakt der Outdoor-Saison im April. Dazu eine zweite Iteration mit Wetterdaten, weil die Wetterabhängigkeit bei Regenjacken und Daunenwesten hoch ist.

Vier Monate später liegt der durchschnittliche Lagerbestand bei 1,15 Mio Euro, das sind 15 Prozent weniger gebundenes Kapital. Umsatz unverändert auf Vorjahresniveau, weil die Verfügbarkeit der wirklich gefragten Produkte sogar besser geworden ist. Die KI hat die Einkäuferin nicht ersetzt, sie hat ihre Entscheidungen besser informiert. Sie sieht jetzt eine wöchentliche Bedarfskurve und kann darauf basierend Bestellungen platzieren. Das Excel-Bauchgefühl ist Geschichte.

Was an dem Beispiel typisch ist: die größte Hürde lag bei der Datenexport-Disziplin, nicht beim KI-Tool selbst. Drei Jahre Verkaufsdaten waren da, aber in drei verschiedenen Systemen, weil zwischendurch das Shopsystem gewechselt wurde. Drei Wochen Arbeit waren nötig, um die Daten zusammenzuziehen und zu bereinigen. Erst danach konnte die KI etwas damit anfangen.

Eigene Einschätzung aus der Beratungspraxis

Wir sehen das in jedem zweiten Projekt. Das Tool ist nicht das Problem, die Datenpflege ist es. Ein KMU, das saubere monatliche Umsatzdaten pro Produktgruppe in einer einzigen Quelle hat, ist mit einem Pro-Account von Claude oder ChatGPT für 25 Euro pro Monat besser ausgestattet als ein Großkonzern, der eine Anaplan-Implementierung für 30.000 Euro pro Monat hat, aber dessen Daten in vier ERP-Systemen unterschiedlicher Töchter liegen. KI-Forecasting im KMU scheitert in 80 Prozent der Fälle daran, dass die Daten nicht da sind oder nicht zusammengeführt sind. Wer das unterschätzt, kommt nicht über die ersten Wochen hinaus.

Die zweite Beobachtung: Forecast als Prozess wird unterschätzt. Ein einmaliger Forecast ist eine Spielerei. Ein monatlich wiederkehrender Forecast, der mit den letzten Ist-Zahlen abgeglichen wird, ist ein Instrument, das in jeder GF-Sitzung auf dem Tisch liegt. Wer KI-Forecasting einführt und nach drei Monaten aufhört, hat das Werkzeug nicht verstanden. Wer es als monatlichen Pflichttermin etabliert, sieht nach sechs Monaten einen messbaren Unterschied in der Planungsqualität.

Wie das ins Reporting kommt

Forecasts gehören ins monatliche Reporting, nicht in eine Schattenkalkulation. In der Praxis sieht das so aus: am 5. jedes Monats wird der Forecast für die nächsten 12 Wochen aktualisiert, gegen den Vormonats-Forecast verglichen, Abweichungen werden erklärt. Drei Folien in der monatlichen GF-Sitzung, fertig.

Die Abweichungs-Analyse ist der eigentliche Wert. Wenn der Forecast für KW 18 vor vier Wochen 240.000 Euro war und jetzt 215.000 Euro angesagt sind, ist die Frage warum. Hat sich ein Auftrag verschoben? Ist ein Kunde abgesprungen? Hat sich die Marktlage verändert? Diese Frage zwingt zu einer strukturierten Antwort, die sonst nicht gestellt wird. Das ist der eigentliche organisatorische Mehrwert.

Wer KI in seinen täglichen Werkzeugen wie Excel und Sheets bereits nutzt, kennt das Prinzip schon: KI liefert die schnelle erste Auswertung, der Mensch validiert und entscheidet. Wer den Schritt zum echten Prozess-Forecasting gehen will, findet im Praxisleitfaden zu KI in Excel und Google Sheets für KMU konkrete Beispiele für die Integration in den Standard-Workflow. Wer das Thema breiter aufstellen will und Mitarbeiter befähigen möchte, KI-Forecasting selbst durchzuführen, findet im Digitalisierungsmanager-Curriculum die methodischen Grundlagen für Zeitreihenanalyse, Datenaufbereitung und Tool-Auswahl im Praxiskontext.

Häufige Fragen

Brauche ich einen Data Scientist für KI-Forecasting?

Nein, für 80 Prozent der KMU-Forecasting-Anwendungsfälle reicht ein Pro-Account bei Claude oder ChatGPT plus jemand, der die Daten exportieren und die Ergebnisse plausibilisieren kann. Erst wenn du komplexe Mehr-Variablen-Modelle baust, viele Treiberbäume modellierst oder spezielle Branchenlogik brauchst, lohnt sich externe Unterstützung. Für den Standard-Forecast reicht ein engagierter Controller oder Vertriebsleiter mit guter Excel-Erfahrung und der Bereitschaft, KI-Tools zu lernen.

Wie viele historische Daten brauche ich wirklich?

24 Monate sind die untere Grenze, 36 Monate spürbar besser. Mit nur 12 Monaten kann die KI keine Saisonalität verlässlich erkennen, weil ihr eine Vergleichsperiode fehlt. Mit 24 Monaten hast du eine Saison plus eine Wiederholung, das reicht für die meisten Branchen. Mit 36 Monaten werden Sondereffekte und einmalige Ausreißer besser herausgerechnet. Wer weniger als 24 Monate hat, kann zwar Forecasts erzeugen, sollte sich aber bewusst sein, dass die Genauigkeit deutlich niedriger ist und die KI viel rät.

Kann KI eine Insolvenz oder einen Markteinbruch vorhersagen?

Nein, das ist die Grenze der Methode. KI-Forecasting schreibt historische Muster fort. Marktbrüche, Insolvenzen von Großkunden, politische Krisen, Pandemien oder neue Wettbewerber sind in den historischen Daten nicht enthalten und können deshalb nicht prognostiziert werden. Was die KI kann: aktuelle Anomalien markieren, sobald sie auftreten. Wenn der Umsatz eines wichtigen Kundensegments plötzlich einbricht, kann die KI das früher erkennen als ein Mensch, der erst aufmerksam wird, wenn das Quartalsende kommt. Vorhersagen kann sie es nicht.

Wie gehe ich mit Sondereffekten wie Promo-Aktionen oder einmaligen Großaufträgen um?

Sondereffekte musst du als solche kennzeichnen, sonst rechnet die KI sie in den Normaltrend ein. Praktisch: eine zusätzliche Spalte in deiner CSV mit Klartext-Bezeichnung des Sondereffekts. Im Prompt erklärst du der KI, dass diese Wochen außergewöhnlich waren und entweder ausgeschlossen oder gesondert behandelt werden sollen. Für wiederkehrende Sondereffekte wie eine jährliche Promo-Aktion zu Pfingsten kann die KI die Wiederholung erkennen und in den Forecast einbauen. Für einmalige Ereignisse musst du sie explizit ausnehmen.

Wie integriere ich KI-Forecasting in mein bestehendes Reporting?

Am stabilsten als monatlicher Routinetermin. Festes Datum, zum Beispiel der 5. jedes Monats, an dem der Forecast für die nächsten 12 Wochen aktualisiert wird. Drei feste Fragen in der GF-Sitzung: Wie ist der Forecast gegenüber dem Vormonats-Forecast verändert? Welche Wochen weichen am stärksten ab und warum? Welche Entscheidungen leiten wir aus dem Forecast ab? Die Antworten dokumentierst du knapp, damit du nach drei bis sechs Monaten zurückblicken und die Forecast-Qualität gegen die Ist-Werte vergleichen kannst. Ohne diese Disziplin verkommt der Forecast zum Excel-Anhängsel.