Ein Forecast in Excel ist oft schon überholt, bevor er in der Geschäftsleitung besprochen wird. Neue Aufträge, Lieferverzögerungen, Preisänderungen oder unerwartete Retouren verändern die Lage laufend. KI im ERP Forecasting bringt diese Signale in einen planbaren Zusammenhang: nicht als Ersatz für Erfahrung, sondern als belastbare Grundlage für bessere Entscheidungen zu Absatz, Bestand, Einkauf und Liquidität.
Für mittelständische Unternehmen liegt der Nutzen nicht in einer abstrakten KI-Initiative. Er entsteht dann, wenn vorhandene ERP-Daten mit Informationen aus CRM, E-Commerce, Produktion, Lager und Finanzwesen verbunden werden. So wird aus der Rückschau auf vergangene Monate eine Prognose, die aktuelle Entwicklungen berücksichtigt.
Was KI im ERP Forecasting konkret leistet
Klassische Forecasts arbeiten häufig mit Vorjahreswerten, Durchschnittsmengen oder einer Einschätzung des Vertriebs. Das ist sinnvoll, reicht bei wachsendem Sortiment, schwankender Nachfrage oder komplexen Lieferketten aber oft nicht mehr aus. KI-gestützte Verfahren erkennen Muster in großen Datenmengen und berechnen Wahrscheinlichkeiten für künftige Entwicklungen.
Ein ERP-System liefert dafür zentrale Informationen: Aufträge, Rechnungen, Lagerbewegungen, Lieferzeiten, Artikelstrukturen, offene Bestellungen und Kosten. Kommen CRM-Daten wie Verkaufschancen, Angebotsvolumen und Abschlusswahrscheinlichkeiten hinzu, wird die Prognose früher und differenzierter. Ein vielversprechendes Projekt im Vertrieb ist zwar noch kein Umsatz, kann aber die Einkaufs- und Kapazitätsplanung rechtzeitig beeinflussen.
Die Technologie beantwortet keine unternehmerischen Fragen automatisch. Sie kann jedoch sichtbar machen, welche Artikel voraussichtlich knapp werden, wo sich Bestände aufbauen, welche Umsätze realistisch sind und wie sich verschiedene Szenarien auf die Liquidität auswirken. Entscheider erhalten damit eine fundiertere Diskussionsbasis statt einer Zahl, deren Herkunft niemand mehr nachvollziehen kann.
Die wichtigsten Anwendungsfälle im Mittelstand
Der sinnvollste Startpunkt hängt vom Geschäftsmodell und von der aktuellen Engpasssituation ab. Handelsunternehmen profitieren häufig zuerst von einer besseren Bedarfs- und Bestandsplanung. Produktionsunternehmen setzen Prioritäten eher bei Materialverfügbarkeit, Kapazitätsauslastung und Lieferterminen. Dienstleistungsunternehmen benötigen vor allem verlässliche Umsatz-, Ressourcen- und Projektprognosen.
Absatz und Umsatz früher einschätzen
Eine KI-Prognose kann saisonale Effekte, Verkaufshistorien, Kundenstrukturen, Preisentwicklungen und aktuelle Auftragseingänge kombinieren. Im Vertrieb lässt sich dadurch besser unterscheiden, ob ein Umsatzrückgang auf eine normale Saisonkurve, fehlende Pipeline oder ein konkretes Kundenrisiko zurückgeht.
Wichtig ist die Granularität. Ein Forecast auf Gesamtunternehmensebene hilft der Geschäftsführung, reicht für operative Entscheidungen aber selten aus. Aussagekräftiger sind Prognosen nach Artikelgruppe, Region, Vertriebskanal, Kundensegment oder Zeitraum. Zu viele Detailstufen können wiederum zu instabilen Ergebnissen führen, wenn pro Segment zu wenig Daten vorliegen. Die passende Ebene ist deshalb eine fachliche, keine rein technische Entscheidung.
Bestände senken, ohne Lieferfähigkeit zu gefährden
Zu hohe Bestände binden Kapital und Lagerfläche. Zu niedrige Bestände führen zu verpassten Umsätzen, hektischen Beschaffungen und unzufriedenen Kunden. KI im ERP Forecasting unterstützt dabei, Sicherheitsbestände und Bestellzeitpunkte realistischer zu definieren.
Dabei sollten nicht nur durchschnittliche Verbräuche betrachtet werden. Relevanz haben auch Lieferantentreue, Beschaffungszeiten, Mindestmengen, Kampagnen, Retourenquoten und die Austauschbarkeit von Artikeln. Für einen A-Artikel mit langer Lieferzeit gelten andere Regeln als für einen günstig verfügbaren C-Artikel. Eine gute Prognose macht diese Unterschiede transparent, anstatt eine pauschale Bestandslogik über das gesamte Sortiment zu legen.
Liquidität auf Basis realer Prozesse planen
Eine Umsatzprognose ist nicht automatisch eine Liquiditätsprognose. Entscheidend sind Zahlungsziele, offene Posten, erwartete Zahlungseingänge, Einkaufsverpflichtungen, Löhne, Steuern und Investitionen. Wenn ERP und Finanzdaten konsistent zusammengeführt werden, lassen sich Engpässe früher erkennen und Finanzierung, Zahlungsziele oder Beschaffung entsprechend steuern.
Hier zahlt sich die Verbindung mehrerer Systeme besonders aus. Ein im CRM erwarteter Großauftrag kann in der Liquiditätsplanung mit einer Wahrscheinlichkeit gewichtet werden. Wird er gewonnen und im ERP zum Auftrag, steigt die Sicherheit des Szenarios automatisch. Das verhindert, dass Vertrieb, Finanzen und Einkauf mit unterschiedlichen Annahmen arbeiten.
Datenqualität entscheidet über den Nutzen
Die verbreitete Erwartung, KI könne unvollständige Stammdaten oder unklare Prozesse einfach ausgleichen, führt in die falsche Richtung. Prognosemodelle können Ausreißer erkennen und Datenlücken teilweise auffangen. Sie können jedoch nicht zuverlässig unterscheiden, ob ein fehlender Verkauf auf mangelnde Nachfrage, einen Lieferengpass oder einen falsch gepflegten Artikelstamm zurückgeht.
Vor dem Start lohnt sich daher ein klarer Datencheck. Sind Artikel, Kunden und Aufträge einheitlich angelegt? Lassen sich Stornos und Retouren nachvollziehen? Sind Lieferzeiten realistisch gepflegt? Werden Vertriebschancen im CRM verbindlich aktualisiert? Und ist eindeutig geregelt, welches System für welche Information führend ist?
Auch historische Daten brauchen Kontext. Ein außergewöhnlicher Großauftrag, ein Sortimentswechsel oder ein längerer Lieferausfall verzerren einfache Zeitreihen. Fachbereiche sollten solche Ereignisse markieren und gemeinsam mit dem Implementierungspartner festlegen, wie sie im Modell behandelt werden. Transparenz ist wichtiger als ein scheinbar perfekter Algorithmus.
So gelingt die Einführung ohne KI-Projekt im luftleeren Raum
Der erste Schritt ist nicht die Auswahl eines Modells, sondern ein messbares Geschäftsziel. Beispielsweise: Überbestände einer Produktgruppe reduzieren, die Forecast-Genauigkeit im Vertrieb verbessern oder den Liquiditätsausblick um mehrere Wochen verlängern. Ein klar abgegrenzter Anwendungsfall schafft Akzeptanz und ermöglicht es, Ergebnisse objektiv zu bewerten.
Danach werden Datenquellen, Verantwortlichkeiten und Entscheidungsprozesse definiert. Ein Forecast muss dort verfügbar sein, wo Entscheidungen fallen: im ERP-Dashboard, in der Planung des Einkaufs oder im Vertriebsreporting. Eine zusätzliche Insellösung mit manuellen Exporten erzeugt schnell neue Brüche und senkt die Verlässlichkeit.
In der Praxis bewährt sich ein schrittweises Vorgehen. Zunächst wird ein begrenzter Bereich mit ausreichender Datenhistorie umgesetzt. Die Prognose wird gegen reale Ergebnisse gemessen und gemeinsam mit den Fachbereichen nachjustiert. Erst wenn Datenfluss, Rollen und Kennzahlen funktionieren, folgt die Ausweitung auf weitere Artikelgruppen, Gesellschaften oder Planungsszenarien.
Folgende Kennzahlen helfen bei der Steuerung, sofern sie zum Geschäftsmodell passen:
Forecast-Abweichung nach Zeitraum, Produktgruppe oder Vertriebskanal
Lieferfähigkeit und Anzahl kritischer Fehlmengen
Bestandsreichweite, Lagerwert und Abschreibungsrisiko
Kapitalbindung sowie Genauigkeit der Liquiditätsvorschau
Die Kennzahlen sollten nicht isoliert optimiert werden. Wer Bestände maximal senken will, kann die Lieferfähigkeit beschädigen. Wer jede Vertriebschance voll in den Umsatzforecast übernimmt, erzeugt möglicherweise eine unrealistische Planung. Gute Forecasting-Prozesse machen solche Zielkonflikte sichtbar und ermöglichen bewusste Entscheidungen.
Warum Integration den Unterschied macht
Ein ERP-Forecast ist nur so gut wie der Datenfluss rund um das ERP. Wenn Vertriebsinformationen im CRM, Rechnungen im ERP, Dokumente im DMS und Personaldaten in separaten Anwendungen liegen, entsteht schnell ein widersprüchliches Bild. Die Folge sind manuelle Abstimmungen, unterschiedliche Zahlenstände und verzögerte Entscheidungen.
Eine integrierte Cloud-Architektur schafft eine gemeinsame operative Grundlage. Angebots- und Pipeline-Daten können in die Umsatzplanung einfließen, freigegebene Bestellungen in die Bestands- und Liquiditätsrechnung und aktuelle Lieferinformationen in die Kundenkommunikation. Dabei ist nicht jede technisch mögliche Verbindung sinnvoll. Entscheidend ist, welche Daten einen konkreten Planungsprozess verbessern und wer für ihre Qualität verantwortlich ist.
Für wachsende Unternehmen ist außerdem Skalierbarkeit relevant. Neue Vertriebskanäle, Gesellschaften oder Länder sollten sich in Forecasting-Strukturen abbilden lassen, ohne jedes Mal ein separates Reporting aufzubauen. Plattformen wie ein cloudbasiertes ERP entfalten ihren Wert besonders dann, wenn Prozesse, Datenmodelle und Integrationen von Anfang an mit dem Wachstum mitdenken.
Forecasts brauchen Verantwortung, nicht blindes Vertrauen
KI liefert Wahrscheinlichkeiten, keine Garantien. Marktveränderungen, neue Wettbewerber, politische Entscheidungen oder der Ausfall eines Schlüssellieferanten können historische Muster schnell entwerten. Deshalb bleibt der Forecast ein Führungsinstrument, das regelmäßig überprüft werden muss.
Bewährt hat sich ein fester Planungsrhythmus: operative Teams prüfen kurzfristige Abweichungen, Vertrieb und Einkauf bewerten die nächsten Wochen, die Geschäftsleitung steuert mittelfristige Szenarien. Wenn Annahmen dokumentiert und Abweichungen offen besprochen werden, verbessert sich nicht nur das Modell. Auch die Organisation entwickelt ein gemeinsames Verständnis dafür, wie Nachfrage, Lieferfähigkeit und Ergebnis zusammenhängen.
Der beste Einstieg ist daher ein konkreter Prozess mit erkennbarem wirtschaftlichem Hebel. Wer ERP-, CRM- und Finanzdaten gezielt verbindet, schafft keine zusätzliche Berichtsebene, sondern eine belastbarere Grundlage für tägliche Entscheidungen - genau dort, wo Planung im Mittelstand Wirkung zeigen muss.
