Eine Absatzprognose für Neuprodukte entscheidet, wie viel Ware zum Start bereitsteht – lange bevor der erste Artikel verkauft ist. Wie teuer es wird, wenn sie danebenliegt, zeigt gerade ein prominentes Beispiel.
Am 23. Oktober 2026 kam Apples erstes faltbares Smartphone, das iPhone Duo, in den Handel. Einstiegspreis: 1.999 US-Dollar, die 2-TB-Version kostet 3.199 US-Dollar. Die erste Ware war rasch ausverkauft, die nächste Lieferung wird laut Berichten erst am 22. Januar 2027 erwartet.
Die Ursache: Laut Marktforschern lag das ursprüngliche Produktionsziel für 2026 bei 6 Millionen Geräten. Auf Basis der Vorbestellungen und der Nachfrage nach dem Launch wurde es auf 8 bis 10 Millionen angehoben. Taiwanische Medien berichten unter Berufung auf Branchenquellen, Apple habe seine Bestellungen bei Zulieferern um 30 % erhöht. Als weiteren Grund nennen die Berichte Probleme mit der Ausbeute in der Montage.
Grob überschlagen fehlen Apple damit in diesem Jahr rund 4 Milliarden US-Dollar Umsatz, im ungünstigsten Fall sogar 8 Milliarden. Die Rechnung ist simpel: 2 bis 4 Millionen Geräte zu wenig, mal 1.999 Dollar Einstiegspreis. Und das ist noch vorsichtig gerechnet, denn viele Käufer greifen zur teureren Speichervariante.
Ein Teil der Kunden wartet bis Januar. Wer aber zu Samsung wechselt, ist weg. Und die Marge aus dem Weiterverkauf zu Mondpreisen kassieren Wiederverkäufer statt Apple.
Wenn selbst ein Konzern mit Vorbestelldaten und riesigen Analyseabteilungen um 25 bis 40 % danebenliegt, ist eine einzelne Zahl aus der Vertriebsrunde keine Planungsgrundlage. Die entscheidende Festlegung, die Erstbestellung beim Lieferanten, fällt Monate vor dem ersten Verkauf. Genau dort setzt eine gute Absatzprognose für Neuprodukte an.
Das Wichtigste in Kürze
- Ein neues Produkt hat keine eigene Verkaufshistorie, aber fast immer Vergleichsdaten: Vorgänger, Attribute, frühere Launches, Testmärkte.
- Eine Neuprodukt-Prognose besteht aus zwei Teilen: dem Volumen (wie viel) und dem Verlauf (wann). Die Methoden liefern jeweils einen oder beide Teile.
- Die Methoden lassen sich kombinieren: Volumen aus Attributen oder Vergleichsartikeln, Verlauf aus früheren Launches. Szenarien sind eine zusätzliche Absicherung, kein Muss.
Was ist eine Absatzprognose für Neuprodukte?
Eine Absatzprognose für Neuprodukte schätzt, wie viele Einheiten eines Artikels verkauft werden, bevor er eine eigene Verkaufshistorie hat. Statt der fehlenden Historie nutzt sie andere Evidenz: vergleichbare Artikel, Produktattribute, frühere Einführungen und Testverkäufe. Nach dem Launch wird sie mit echten Abverkäufen laufend aktualisiert.
Im Englischen spricht man von New Product Forecasting oder NPI Forecasting (NPI steht für New Product Introduction), in der Data-Science-Welt auch vom Cold-Start-Problem. Der Unterschied zur regulären Absatzprognose: Dort erkennt ein Modell Muster in der eigenen Historie eines Artikels, etwa Saisonalität, Trend und Aktionseffekte. Beim Neuprodukt muss das Signal von woanders geliehen werden.
Warum Neuprodukt-Prognosen so oft danebenliegen
Die meisten Fehlprognosen entstehen nicht durch schlechte Modelle, sondern durch einen schlechten Prozess. Vier Muster sehen wir in der Praxis immer wieder:
- Die eingefrorene Vertriebszahl: Eine Menge aus der Vertriebs- oder Einkaufsrunde landet in einer Excel-Zelle und wird über Monate nur noch von Hand nachjustiert.
- Nur die Menge, nicht der Verlauf: Geplant wird die Gesamtmenge der Saison, aber nicht, wann sie verkauft wird. Dann stimmt die Summe, und trotzdem fehlt zum Start Ware oder sie liegt zu früh im Lager.
- Der schöngerechnete Vergleichsartikel: Als Referenz wird der Bestseller gewählt, nicht der ähnlichste Artikel. Flops fallen aus dem Vergleich, die Prognose erbt den Optimismus.
- Kannibalisierung vergessen: Das neue Produkt nimmt dem Vorgänger oder Schwesterartikel Absatz weg. Wird das ignoriert, sind am Ende beide überbevorratet.
Der gemeinsame Kern: Die Erstmenge wird vor dem Launch festgelegt und ist danach kaum noch zu korrigieren. Bei Lieferzeiten von drei bis sechs Monaten, wie sie in Fashion oder bei Importware üblich sind, ist die Prognose vor dem Launch die eigentliche Entscheidung. Alles danach ist Schadensbegrenzung oder Feintuning.
Die vier Phasen eines Produktlebens in der Planung
Aus Planungssicht durchläuft jedes neue Produkt vier Phasen: die Prognose vor dem Launch, die ersten Wochen nach dem Start, den Übergang in die reguläre Absatzprognose und das Auslaufen. Die erste Phase ist die folgenreichste, weil dort die Erstmenge und die Optionen beim Lieferanten festgelegt werden.
Vor dem Launch trägt die Prognose aus Vergleichsdaten das volle Gewicht. Ab dem Start verschiebt es sich Woche für Woche zur eigenen Historie, bis der Artikel regulär prognostiziert wird.
Vier Methoden für die Prognose vor dem Launch
Jede Neuprodukt-Prognose muss zwei Fragen beantworten: Wie viel wird insgesamt verkauft (Volumen) und wie verteilt sich das über die Wochen nach dem Start (Verlauf)? Die folgenden vier Methoden liefern jeweils einen dieser Teile oder beide. In der Praxis werden sie kombiniert.
1. Attributbasierte Planung
Wie es funktioniert: Ein Machine-Learning-Modell lernt aus allen bisherigen Einführungen, wie Merkmale wie Warengruppe, Preislage, Material, Farbe, Packungsgröße, Kanal und Saison mit dem Anlaufabsatz zusammenhängen. Für ein neues Produkt reichen dann seine Attribute aus dem Artikelstamm, ein Planer muss keine Vergleichsartikel von Hand suchen.
Wann es passt: Bei großen Sortimenten mit vielen Neueinführungen pro Jahr, etwa in Fashion oder bei Konsumgütern. Neue tabulare Foundation Models können solche Prognosen auch mit wenig eigenen Trainingsdaten erstellen.
Liefert: vor allem das Volumen.
Risiko: Lückenhafte oder uneinheitliche Stammdaten. Ein Attributwert, den das Modell nie gesehen hat (eine völlig neue Warengruppe), lässt sich schlecht prognostizieren.
2. Like-Launches und Test-Launches
Wie es funktioniert: Beide Methoden nutzen echte Verkaufsdaten des neuen Produkts aus einem kleineren Ausschnitt des Markts. Bei einem Like-Launch ist das Produkt in einem anderen Land, Kanal oder einer Filialgruppe bereits gestartet, etwa bei einem gestaffelten Rollout. Wie es dort angelaufen ist, wird auf die übrigen Märkte übertragen und auf deren Größe skaliert. Ein Test-Launch folgt demselben Prinzip, nur mit Absicht: Das Produkt startet bewusst zuerst in wenigen Filialen oder einer Region, um vor dem großen Rollout zu lernen.
Wann es passt: Bei gestaffelten Einführungen über Länder, Kanäle oder Filialen hinweg und immer dann, wenn zwischen dem ersten Start und dem Rollout genug Zeit für eine Nachorder bleibt.
Liefert: Volumen und Verlauf, und zwar aus echten Verkäufen des neuen Produkts statt aus Vergleichsartikeln.
Risiko: Der Referenzmarkt muss zum Zielmarkt passen. Ein Start in wenigen Filialen sagt viel über diese Filialen und wenig über den Rest. Und die ersten Lieferungen in den Handel sind Erstbefüllung, keine Endkundennachfrage.
3. NPI-Clustering
Wie es funktioniert: Alle bisherigen Einführungen werden nach der Form ihrer Anlaufkurve gruppiert. Typische Cluster sind etwa der Schnellstarter mit frühem Höhepunkt, der langsame Hochlauf, die Saisonspitze und der Flop. Ein neues Produkt wird über seine Attribute einem Cluster zugeordnet und übernimmt dessen typischen Verlauf.
Wann es passt: Immer dann, wenn das Volumen aus einer anderen Methode kommt, der Verlauf aber unklar ist. Die Kombination „Volumen aus Attributmodell oder Like Item, Verlauf aus dem Cluster" ist in der Praxis oft die stärkste.
Liefert: den Verlauf, also die Verteilung auf die Wochen nach dem Start. Das ist entscheidend für die Frage, wann welche Menge im Lager sein muss.
Risiko: Zu wenige historische Launches für stabile Cluster. Dann lieber wenige grobe Cluster als viele feine.
4. Like Item (Vergleichsartikel)
Wie es funktioniert: Sie wählen einen oder mehrere bestehende Artikel, die dem neuen Produkt möglichst ähnlich sind, und übernehmen deren Absatzhistorie. Diese wird anschließend skaliert, etwa auf die geplante Anzahl Filialen, Kunden oder Kanäle, die Preislage und den Marketingdruck.
Wann es passt: Bei Nachfolgeartikeln, Farb- und Größenvarianten, neuen Packungsgrößen und saisonalen Neuauflagen. Hier gibt es fast immer einen guten Vergleich.
Liefert: Volumen und Verlauf.
So wählen Sie gute Vergleichsartikel: Entscheidend sind die Treiber des Absatzes, nicht die Marke: Warengruppe, Preislage, Vertriebskanal und Einführungssaison. Legen Sie die Vergleichsartikel fest, bevor Sie deren Zahlen ansehen, und nehmen Sie bewusst auch Artikel mit schwachem Start mit. Zwei bis drei Vergleichsartikel gemittelt sind robuster als einer.
Risiko: Ein Vergleichsartikel, der ausgesucht wurde, weil er den Plan bestätigt.
Zusätzliche Option: Szenarien
Unabhängig von der Methode lässt sich die Prognose um ein vorsichtiges und ein optimistisches Szenario ergänzen. Das lohnt sich vor allem bei langen Lieferzeiten und hohem Risiko. Die Spanne lässt sich aus der Abweichung früherer Launches ableiten. Die obere Grenze muss dabei nicht als Ware bestellt werden: Oft reicht es, Material und Produktionskapazität beim Lieferanten zu reservieren. Beim iPhone Duo hätte genau das den Engpass zumindest verkürzen können.
Welche Methode wann? Die Entscheidungsmatrix
Starten Sie mit der Frage, welche Evidenz Sie haben, und lesen Sie dann die Zeile.
| Vorhandene Evidenz | Methode | Liefert | Hauptrisiko |
|---|---|---|---|
| Nur Attribute im Artikelstamm | Attributbasierte Planung (ML) | Volumen | Lückenhafte Stammdaten, völlig neue Attributwerte |
| Verkäufe aus einem früheren Start in anderem Land, Kanal oder Testfilialen | Like-Launch oder Test-Launch | Volumen und Verlauf | Referenzmarkt nicht repräsentativ, Erstbefüllung mit Nachfrage verwechselt |
| Viele historische Launches | NPI-Clustering | Verlauf | Zu wenige Launches für stabile Cluster |
| Naher Vorgänger oder Schwesterartikel | Like Item mit Skalierung | Volumen und Verlauf | Schöngerechneter Vergleich, Kannibalisierung übersehen |
Die Zeilen schließen sich nicht aus. Die meisten Einführungen haben zwei Arten von Evidenz, und die beste Prognose kombiniert sie: zum Beispiel das Volumen aus dem Attributmodell, abgeglichen mit dem Like Item, und den Verlauf aus dem passenden Cluster. Passt keine Zeile richtig, weil es sich um eine völlig neue Kategorie handelt, ist die Unsicherheit hoch. Dann lohnt sich die zusätzliche Absicherung über Szenarien besonders.
Nach dem Launch: Demand Sensing, Übergang und Phase-out
Dieser Artikel konzentriert sich auf die Prognose vor dem Launch. Drei Dinge gehören aber zwingend dazu, damit die gute Startprognose nicht verpufft.
Demand Sensing in den ersten Wochen. Ab dem ersten Verkaufstag werden die echten Abverkäufe täglich oder wöchentlich mit der Prognose abgeglichen. Läuft der Artikel besser als erwartet, wird früh nachbestellt, läuft er schlechter, wird die Nachorder reduziert. Wichtig: Abverkauf an den Endkunden (Sell-out) nutzen, nicht die Lieferungen in die Filialen (Sell-in), denn die enthalten die Erstbefüllung. Wie sich die Prognose eines Neuprodukts anschließend auf einzelne Filialen verteilen lässt, beschreibt unser Artikel zur Sortimentsplanung im Filialhandel.
Übergang in das reguläre ML-Forecasting. Die Startprognose soll nicht ewig mitentscheiden. Mit jeder Woche echter Verkäufe verschiebt sich das Gewicht von der Prognose vor dem Launch zur eigenen Historie des Artikels, bis er nach einigen Wochen wie jeder andere Artikel prognostiziert wird. Schnelldreher kommen früher dort an als Langsamdreher.
Phase-out-Planung. Auch das Ende gehört zur Planung: Restmengen so steuern, dass der Artikel ohne große Abschriften ausläuft, und den Nachfolger rechtzeitig verknüpfen. Die Historie des auslaufenden Artikels wird dann zum Like Item für den Nachfolger, und der Kreislauf beginnt von vorn.
Und wenn ein Launch nicht zündet? Liegt der Absatz nach einigen Wochen deutlich unter der Prognose und gibt es viele Wochen ohne Verkauf, gehört der Artikel in eine Methode für sporadischen Bedarf, statt mit einem regulären Modell weiter überschätzt zu werden.
Beispiele aus Fashion, Konsumgütern und Großhandel
Welche Evidenz vor und nach dem Launch zur Verfügung steht, unterscheidet sich je nach Branche. Für Marken und Händler mit großen Sortimenten und vielen Neueinführungen pro Saison ist die Neuprodukt-Planung Teil unserer Lösung für E-Commerce und Handel.
| Branche | Typische Neueinführung | Evidenz vor dem Launch | Signale nach dem Launch |
|---|---|---|---|
| Fashion/Sport | Neue Kollektion, Farbvariante, Saisonartikel | Vorgänger der Vorsaison, Attribute wie Schnitt, Material, Farbe und Preislage, Launch-Cluster | Abverkaufsquote je Filiale und Größe, Retouren |
| Konsumgüter (CPG) | Neue Sorte, Packungsgröße, Neulistung im Handel | Schwesterartikel, Listungszusagen des Handels, Aktionskalender | Abverkaufsdaten des Handels, Wiederkaufrate, Erstbefüllung vs. Nachfrage |
| Großhandel | Neuer Lieferant oder Ersatz eines Auslaufartikels | Auslaufartikel als Like Item, Kundenaufträge, Attribute | Auftragseingang, Anzahl bestellender Kunden |
So unterstützt numi die Neuprodukt-Prognose
In numi sind alle vier Methoden aus diesem Artikel Teil der Absatzplanung: Like Item, attributbasierte Planung, Like- und Test-Launches sowie NPI-Clustering. Planer können sie einzeln nutzen oder kombinieren, etwa das Volumen aus dem Attributmodell und den Verlauf aus dem passenden Launch-Cluster.
Der gesamte Lebenszyklus läuft in einem System: die Prognose vor dem Launch, auf Wunsch mit Szenarien, Demand Sensing nach dem Start, der automatische Übergang in das reguläre ML-Forecasting und schließlich die Phase-out-Planung mit Verknüpfung zum Nachfolger. Über rund 20 ERP-Schnittstellen kommen Stammdaten und Abverkäufe direkt aus Ihrem Warenwirtschaftssystem.
Häufige Fragen
Wie berechnet man eine Absatzprognose für ein neues Produkt?
Mit der Evidenz, die vorhanden ist. Gibt es einen ähnlichen Artikel, wird dessen Absatz auf Distribution, Preis und Marketing skaliert (Like Item). Gibt es keinen, schätzt ein Modell den Absatz aus den Produktattributen. Den zeitlichen Verlauf liefern frühere Launches oder Launch-Cluster.
Was ist ein Like Item?
Ein Like Item ist ein bestehender Artikel, dessen Verkaufshistorie als Vorlage für ein neues Produkt dient. Gute Like Items stimmen in Warengruppe, Preislage, Kanal und Saison mit dem neuen Produkt überein.
Wie viel sollte ich bei der Erstbestellung ordern?
So viel, wie Sie bis zur ersten möglichen Nachlieferung voraussichtlich verkaufen. Dafür brauchen Sie neben der Gesamtmenge auch den Verlauf der ersten Wochen, etwa aus einem passenden NPI-Cluster. Den Rest steuern Sie über Nachorders.
Wie genau sind Prognosen für Neuprodukte?
Deutlich ungenauer als für etablierte Artikel, und es gibt keinen branchenübergreifenden Richtwert. Wichtiger als ein einzelner Genauigkeitswert ist, die eigene Abweichung über die letzten Launches zu messen und die Methoden damit Launch für Launch zu verbessern. Welche Kennzahlen sich dafür eignen, zeigt unser Beitrag zu Forecast-KPIs.
Was bedeutet NPI in der Supply Chain?
NPI steht für New Product Introduction, also die Einführung neuer Produkte. In der Supply Chain umfasst sie alle Planungsschritte vom Konzept bis zum Marktstart: Absatzprognose, Kapazitäts- und Materialplanung und die Erstbestellung.
Fazit: Die wichtigste Prognose fällt vor dem ersten Verkauf
Neue Produkte sind keine Blackbox. Mit Vergleichsartikeln, Produktattributen, früheren Launches und Launch-Clustern lässt sich der Absatz vor dem Start belastbar schätzen, nach Menge und Verlauf. Wer so plant, legt die Erstorder bewusst fest und reagiert nach dem Start in Tagen statt in Monaten.
