Nachfrageprognose in Echtzeit: die Pipeline entscheidet
Demand Sensing steht und fällt mit der Cloud-Datenpipeline darunter, nicht mit dem Modell: Signale anbinden, Streaming, Feature-Store, Feed-Monitoring.
Nach Jahren mit ruckelnden Lieferketten wollen viele Firmen weg vom starren Monats-Forecast aus dem ERP, hin zu Demand Sensing: einer Prognose, die sich laufend aus Echtzeit-Signalen nachjustiert. Der Haken für Cloud-Teams ist unbequem. Das ML-Modell ist der einfache Teil. Die Arbeit steckt in der Datenpipeline darunter.
Das Wichtigste in Kürze
- Demand Sensing ist vor allem Pipeline-Arbeit. Viele heterogene Echtzeit-Feeds müssen angebunden, aktuell gehalten und mit kontrollierter Latenz verarbeitet werden, damit die Prognose täglich oder öfter neu läuft.
- Ohne stabilen Baseline-Forecast verstärkt Sensing die Fehler. Die externen Signale setzen einen belastbaren Grund-Forecast voraus, sonst addieren sie nur weitere Schwankungen.
- Streaming, Feature-Store und Feed-Monitoring entscheiden über den Nutzen. Tägliche Neuberechnungen brauchen ereignisgetriebene Architekturen und lückenlose Quellen-Überwachung, weil ein toter Feed die Prognose still verzerrt.
Verwandt:Eine Region fällt, die halbe Lieferkette steht / Edge Computing Logistik: 5 Bausteine für Echtzeit
Was Demand Sensing vom klassischen Forecast unterscheidet
Klassische Nachfrageprognosen im ERP arbeiten meist mit Monats- oder Quartalszyklen. Sie stützen sich auf historische Absatzdaten, interne Auftragsbestände und periodische Batch-Läufe. Demand Sensing verkürzt den Horizont auf ein bis sechs Wochen. Die Prognose läuft häufig täglich neu. Sie fusioniert Live-Signale: Kassendaten aus dem Point of Sale, den aktuellen Auftragsfluss, Hafen- und Stau-Feeds, Wetterinformationen bis hin zu makroökonomischen Signalen. Manche Plattformen ziehen mehr als 200 externe Signalquellen zusammen.
Der Unterschied liegt in der Frequenz und in der Art der Daten. Wo der klassische Forecast einmal im Monat aktualisiert wird, reagiert Demand Sensing auf Veränderungen, die innerhalb weniger Tage relevant werden. Anbieter und Branchenberichte nennen typischerweise 10 bis 20 Prozent bessere Prognosegenauigkeit durch Demand Sensing sowie 5 bis 10 Prozent weniger Lagerbestand. Für KI-gestützte Prognose insgesamt kursieren Zahlen von 20 bis 50 Prozent weniger Prognosefehlern und 10 bis 15 Prozent geringeren Bestandskosten. Diese Werte stammen von Anbietern und Branchenberichten, nicht aus einer neutralen Vergleichsstudie.
Warum die Pipeline das eigentliche Projekt ist
Der Modellteil ist weitgehend austauschbar. Die eigentliche Arbeit steckt in der Datenarchitektur, die die Signale überhaupt verfügbar macht. Viele heterogene externe Feeds müssen angebunden werden. Jede Quelle liefert in ihrem eigenen Rhythmus, in ihrem eigenen Format und mit ihrer eigenen Verlässlichkeit. Die Pipeline muss diese Daten normalisieren, zusammenführen und so aufbereiten, dass die Prognose damit rechnen kann.
Datenfrische und Latenz sind dabei keine Nebenbedingung. Sie sind die Voraussetzung. Eine Wetterinformation von gestern ist für wetterabhängige Artikel oft schon wertlos. Ein Hafen-Feed mit mehrstündiger Verzögerung taugt nicht mehr für die kurzfristige Disposition. Batch-Verarbeitung in der Nacht reicht darum nicht. Die Architektur setzt auf Streaming, damit neue Signale kontinuierlich einfließen.
Ein Feature-Store bündelt die aufbereiteten Signale und stellt sicher, dass Modelle und nachgelagerte Systeme auf konsistente, versionierte Merkmale zugreifen. Die Neuberechnung läuft ereignisgetrieben: Ein plötzlicher Auftragseingang oder eine gemeldete Transportstörung kann sofort eine Aktualisierung auslösen. Mit täglicher oder häufigerer Neuberechnung steigt die Rechenlast. Die Cloud-Infrastruktur muss diese Last skalieren, ohne dass die Kosten davonlaufen.
Am Ende hängt alles an der Datenqualität. Ein einzelner Feed, der ausfällt oder falsche Werte liefert, verzerrt die Prognose still und über Wochen. Der Effekt zeigt sich oft erst in den operativen Zahlen, wenn Bestände oder Lieferfähigkeit kippen. Ohne systematisches Monitoring mit Alarmen bei Ausfällen oder Ausreißern bemerkt das Team den Fehler zu spät. Die Pipeline muss deshalb nicht nur Daten transportieren, sie muss deren Herkunft und Aktualität laufend prüfen.
Ohne Baseline bleibt es Rauschen
Demand Sensing korrigiert keine schwache Grundprognose. Es baut auf einem Baseline-Forecast auf, der historische Muster, Saisonalität und interne Treiber abbildet. Fehlt diese Basis oder ist sie zu ungenau, dann deuten die Live-Signale jede Abweichung falsch. Die tägliche Nachjustierung verstärkt vorhandene Fehler, statt sie auszugleichen.
Deshalb verlangen erfahrene Planungsteams zuerst einen stabilen klassischen Forecast, der in den relevanten Dimensionen belastbar ist. Erst danach kommt die Sensing-Schicht schrittweise darüber. Die externen Signale sind Feinabstimmung auf einem soliden Fundament, kein Ersatz für das Fundament selbst.
Was Teams jetzt tun sollten
Klein anfangen schlägt den großen Wurf. Statt gleich alle 200 verfügbaren Signale einzubinden, reichen zu Beginn wenige verlässliche Quellen, die man wirklich versteht und die eine nachvollziehbare Verbindung zur Nachfrage haben. Datenqualität und Latenz-Management stehen vor der Wahl des Modells. Feed-Monitoring gehört von Tag eins in die Architektur, nicht als Nachrüstung.
Die Rechenfrequenz erhöht man schrittweise. Viele starten mit täglichen Läufen und prüfen dann, wo eine höhere Frequenz echten operativen Nutzen bringt. Die Kosten für die zusätzliche Rechenlast und für die Pflege der Feeds sollten dabei jederzeit sichtbar bleiben, sonst frisst der Betrieb den Gewinn aus der besseren Prognose.
Der Trend gibt die Richtung vor. Für reife Planungsfunktionen wird Echtzeit- oder Nahezu-Echtzeit-Prognose 2026 zum Normalfall. Monats- und Quartalsplanung werden dann eher zu Kontrollpunkten als zu kompletten Neuplanungen. Agentische KI mit mehreren zusammenspielenden Agenten für Planen, Sensing, Prognose und Handeln etabliert sich als Architekturmuster. Auch diese Agenten sind nur so gut wie die Merkmale, die die Pipeline ihnen frisch und konsistent liefert.
- Ein stabiler Baseline-Forecast als Fundament ist in der Planungspraxis anerkannt
- Streaming und Feature-Stores sind in Cloud-Umgebungen verfügbar und erprobt
- Die Bedeutung von Feed-Monitoring ist bei Infrastruktur-Teams angekommen
- Betriebsaufwand und Kosten bei vielen heterogenen Feeds und hoher Frequenz
- Langfristige Verfügbarkeit und Konsistenz externer Signalquellen über Jahre
- Saubere Integration agentischer Muster ohne neue, stille Fehlerquellen
Häufige Fragen
Was ist Demand Sensing?
Demand Sensing ist eine kurzfristige Nachfrageprognose mit einem Horizont von ein bis sechs Wochen. Sie wird oft täglich oder häufiger neu berechnet und fusioniert Live-Signale wie Kassendaten, Echtzeit-Auftragsfluss, Hafen- und Stau-Feeds, Wetterdaten bis hin zu makroökonomischen Signalen mit den internen Planungsdaten.
Wie unterscheidet sich Demand Sensing von klassischen Prognosen?
Klassische Prognosen arbeiten mit monatlichen oder quartalsweisen Zyklen und historischen Aggregaten. Demand Sensing verkürzt den Horizont und aktualisiert die Werte häufig auf Basis aktueller externer Signale. Die Neuberechnung erfolgt ereignisgetrieben statt periodisch.
Welche Rolle spielt die Cloud-Datenpipeline?
Die Pipeline bindet die vielen heterogenen Feeds an, hält die Daten aktuell und managt Frische sowie Latenz. Sie liefert Streaming statt Batch, organisiert die Signale in einem Feature-Store und ermöglicht ereignisgetriebene Neuberechnungen. Ohne diese Infrastruktur verliert das Modell seine Grundlage.
Was passiert, wenn ein Feed ausfällt?
Ein toter oder verzögerter Feed verzerrt die Prognose still. Die Auswirkungen zeigen sich oft erst in den operativen Kennzahlen. Ein systematisches Monitoring der Quellen mit Alarmen bei Ausfällen oder Ausreißern gehört deshalb fest zur Pipeline-Architektur.
Wie sollten Unternehmen mit Demand Sensing starten?
Der Einstieg gelingt über einen stabilen Baseline-Forecast und wenige ausgewählte, verlässliche Signale. Datenqualität und Feed-Monitoring stehen vor der Auswahl komplexer Modelle. Rechenfrequenz und Zahl der Feeds werden nur schrittweise erhöht, sobald der Nutzen belegt ist.
Lesetipps der Redaktion
cloudmagazinTrade Finance ohne DokumentenstaucloudmagazinContainer Supply Chain Security: IT-Lieferketten absicherncloudmagazinSustainable IT: Grüne letzte Meile in der LogistikMehr aus dem MBF Media Netzwerk
MyBusinessFutureInvestitionsstau: Wie KI verborgene Budgets freilegtDigital ChiefsDie IT entscheidet, ob der Spin-off sich auszahltSecurityTodayDer AI Act ist in Wahrheit ein Security-GesetzBildquelle: KI-generiert (Juli 2026)
