Absatzprognosen mit Magento-Verkaufsdaten und AI erstellen

Historische Verkaufsdaten zeigen mehr als den bisherigen Umsatz eines Onlineshops. Werden Verkäufe als Zeitreihe ausgewertet, lassen sich daraus Trends, saisonale Muster, Absatzgeschwindigkeiten und mögliche Veränderungen der zukünftigen Nachfrage ableiten.

Für Betreiber eines Magento-Shops ergibt sich daraus ein interessanter AI-Anwendungsfall. Ein MCP-Server kann definierte Tools bereitstellen, mit denen eine AI-Anwendung auf freigegebene Magento-Daten zugreift und daraus konkrete Fragen beantwortet.

Ein Einkaufsleiter könnte beispielsweise fragen:

Welche Produkte werden sich nach dem bisherigen Verlauf in den kommenden drei Monaten wahrscheinlich schlechter verkaufen?

Oder:

Bei welchen Artikeln steigt die Nachfrage seit mehreren Monaten und könnte sich dieser Trend fortsetzen?

Solche Prognosen benötigen zunächst keine vollständige Warenwirtschaft. Für eine reine Nachfrageprognose können historische Magento-Verkaufsdaten bereits eine brauchbare Grundlage bilden.

Demand Planning ist eine Möglichkeit, die Verkaufshistorie eines Artikels auszuwerten und daraus zukünftige Nachfrage abzuleiten. Die historische Nachfrage kann als Grundlage für statistischer Forecasts verwendet werden.

Inhaltsverzeichnis

Welche Prognosen sind allein mit Verkaufsdaten möglich?

Historische Verkäufe ermöglichen vor allem Prognosen darüber, wie sich die Nachfrage wahrscheinlich weiterentwickelt.

Dazu gehören:

erwartete Absatzmenge
steigende oder sinkende Nachfrage
saisonale Muster
Verkaufshäufigkeit
Schwankungsbreite der Nachfrage
mögliche zukünftige Slow Mover
mögliche Fast Mover
außergewöhnliche Veränderungen gegenüber dem bisherigen Verlauf

Was daraus noch nicht zuverlässig hervorgeht, ist die Ursache einer Veränderung.

Sinkt die Nachfrage, können historische Verkaufsdaten zeigen, dass sie sinkt. Ohne weitere Informationen lässt sich jedoch nicht sicher feststellen, ob eine Preiserhöhung, ein Wettbewerber, ein Lieferproblem oder eine veränderte Nachfrage verantwortlich ist.

Welche Magento-Daten werden für eine Absatzprognose benötigt?

Für eine einfache Prognose sind relativ wenige Informationen erforderlich.

Die wichtigste Grundlage ist eine Zeitreihe je SKU.

Beispielsweise:

Datum	SKU	verkaufte Menge
01.07.	ABC-123	4
02.07.	ABC-123	7
03.07.	ABC-123	5
04.07.	ABC-123	6

Für viele Anwendungsfälle können die Daten bereits vor der AI-Abfrage idealerweise aggregiert werden. Wir (KonVis) sind daher aktuell dabei unsere MCP Server Erweiterung dafür zu erweitern.

Sinnvolle Intervalle sind:

Verkäufe pro Tag
Verkäufe pro Woche
Verkäufe pro Monat

Zusätzlich können interessant sein:

Anzahl Bestellungen
durchschnittliche Menge je Bestellung
Umsatz
Retouren
Stornierungen (je nach Ablauf im Shop)
Store View (je nach Shopaufbau)
Kundengruppe

Magento Open Source und Adobe Commerce besitzen ein Web-API-Framework für die Kommunikation mit externen Anwendungen. Adobe dokumentiert dafür REST, GraphQL und SOAP. (Adobe Developer)

Damit können definierte Magento-Daten für einen MCP-basierten Anwendungsfall verfügbar gemacht werden.

Wie lässt sich der zukünftige Absatz prognostizieren?

Der einfachste Anwendungsfall ist eine Prognose der zukünftigen Verkaufsmenge.

Angenommen, ein Produkt verkauft sich seit zwölf Monaten relativ konstant zwischen 90 und 110 Stück pro Monat.

Eine Prognose kann daraus ableiten, dass auch für die nächsten Monate eine ähnliche Größenordnung wahrscheinlich ist.

Bei einem klaren Trend könnte die Zeitreihe beispielsweise so aussehen:

Januar 80 Stück
Februar 86 Stück
März 94 Stück
April 103 Stück
Mai 111 Stück
Juni 121 Stück

Hier deutet die Historie auf eine steigende Nachfrage hin.

Moderne Demand-Forecasting-Systeme verwenden dafür unterschiedliche statistische und Machine-Learning-Verfahren. Microsoft nennt aktuell unter anderem Auto-ARIMA, ETS, Prophet und XGBoost als unterstützte Forecasting-Algorithmen in Dynamics 365 Demand Planning. (Microsoft Learn)

Für einen Magento-MCP-Anwendungsfall muss der MCP Server diese Verfahren nicht zwingend selbst implementieren. Ein MCP-Tool kann die Daten aufrufen und eine AI führt die Forecasting-Funktion durch.

Kann AI saisonale Nachfrage aus Magento-Verkäufen erkennen?

Ja, wenn ausreichend historische Daten vorhanden sind und sich das Muster wiederholt.

Ein Produkt könnte beispielsweise regelmäßig

im Frühjahr stark steigen,
im Sommer seinen höchsten Absatz erreichen,
im Herbst wieder zurückgehen.

Ist dieses Muster über mehrere Jahre erkennbar, kann es in eine zukünftige Absatzprognose einfließen.

Beispielsweise sind saisonale Artikel, deren Nachfrage je nach Monat deutlich schwankt, als konkreten Anwendungsfall für Demand Planning relevant.

Für eine zuverlässige Saisonerkennung reicht ein einzelnes Jahr häufig nicht aus. Ein einmaliger Ausschlag könnte durch eine Aktion, einen Großauftrag oder ein außergewöhnliches Ereignis entstanden sein.

Mehrere vollständige Saisonzyklen verbessern die Grundlage für die Analyse.

Eine mögliche AI-Frage wäre:

Welche Produkte zeigen in den vergangenen drei Jahren ein wiederkehrendes saisonales Verkaufsmuster?

Wie lassen sich Produkte mit sinkender Nachfrage früh erkennen?

Für die Bestandsplanung ist häufig nicht der aktuelle Absatz entscheidend, sondern dessen Veränderung.

Ein Artikel kann heute noch gut verkauft werden und trotzdem bereits einen deutlichen Abwärtstrend zeigen.

Beispiel:

Januar 600 Stück
Februar 570 Stück
März 525 Stück
April 480 Stück
Mai 430 Stück
Juni 390 Stück

Ein klassischer Bericht zeigt sechs Monatswerte.

Eine AI-Anwendung könnte daraus gezielt nach Produkten suchen, bei denen mehrere Bedingungen gleichzeitig erfüllt sind:

langfristig sinkender Absatz
Rückgang über mehrere Perioden
keine kurzfristige Erholung
zunehmender Abstand zwischen einzelnen Verkäufen

Eine mögliche Frage lautet:

Welche Produkte zeigen seit mindestens vier Monaten einen kontinuierlichen Absatzrückgang?

Interessanter für Entscheider wäre:

Welche Produkte könnten aufgrund ihres bisherigen Verkaufstrends innerhalb der nächsten sechs Monate zu Slow Movern werden?

Damit verschiebt sich die Betrachtung vom rückblickenden Reporting zur frühen Erkennung möglicher Probleme.

Können zukünftige Slow Mover erkannt werden?

Eine sichere Vorhersage ist nicht möglich. Es lässt sich jedoch eine Wahrscheinlichkeit beziehungsweise ein Risikosignal aus der bisherigen Entwicklung ableiten.

Typische Anzeichen können sein:

sinkende Verkaufsmenge
sinkende Zahl der Bestellungen
größere Abstände zwischen Verkäufen
abnehmende Wiederbestellrate
langfristig negativer Trend

Ein Produkt, das früher jede Woche verkauft wurde und inzwischen nur noch alle drei oder vier Wochen bestellt wird, zeigt ein anderes Nachfrageverhalten als zuvor.

Eine AI könnte Produkte anhand dieser Entwicklung priorisieren.

Das Ergebnis sollte beispielsweise lauten:

„Bei diesen 18 Produkten zeigt die Verkaufshistorie eine deutlich rückläufige Nachfrage.“

Eine Aussage wie

„Diese 18 Produkte werden Ladenhüter“

wäre dagegen zu sicher formuliert.

Historische Verkäufe bilden nur bekannte Muster ab.

Können Fast Mover und steigende Nachfrage erkannt werden?

Der gleiche Ansatz funktioniert in die andere Richtung.

Eine AI könnte beispielsweise prüfen:

Welche Produkte verkaufen sich aktuell deutlich schneller als im langfristigen Durchschnitt?
Bei welchen Artikeln steigt die Verkaufshäufigkeit?
Welche Produkte besitzen seit mehreren Monaten einen positiven Absatztrend?
Wo beschleunigt sich das Wachstum zusätzlich?

Eine mögliche Frage lautet:

Welche Artikel verkaufen sich in den vergangenen acht Wochen mindestens 30 Prozent schneller als im Durchschnitt der vorherigen zwölf Monate?

Der konkrete Schwellenwert sollte dabei vom Unternehmen festgelegt werden.

Gerade für Einkauf und Lager ist diese Analyse interessant. Stark steigende Nachfrage kann später mit Lagerbeständen und Lieferzeiten verbunden werden.

Was verrät die Verkaufshäufigkeit?

Die verkaufte Gesamtmenge allein kann ein falsches Bild vermitteln.

Zwei Produkte verkaufen jeweils 1.000 Stück pro Jahr.

Produkt A:

500 Bestellungen mit durchschnittlich zwei Stück

Produkt B:

fünf Bestellungen mit jeweils rund 200 Stück

Beide Produkte haben denselben Gesamtabsatz.

Ihre Nachfrage ist jedoch vollkommen unterschiedlich.

Produkt A besitzt eine kontinuierlichere Nachfrage. Produkt B hängt stark von einzelnen Großbestellungen ab.

Für eine Prognose können deshalb neben der Stückzahl weitere Verkaufsinformationen verwendet werden:

Anzahl Bestellungen
Abstand zwischen Bestellungen
durchschnittliche Bestellmenge
Median der Bestellmenge
größte Einzelbestellung

Gerade in B2B-Shops kann diese Unterscheidung wichtig sein.

Wie genau sind Prognosen nur aus historischen Verkäufen?

Die Genauigkeit hängt stark vom Produkt und der Datenqualität ab.

Gut prognostizierbar sind tendenziell Artikel mit:

langer Verkaufshistorie
regelmäßiger Nachfrage
wiederkehrenden saisonalen Mustern
wenigen außergewöhnlichen Einzelereignissen

Schwieriger sind:

neue Produkte
selten verkaufte Artikel
Produkte mit einzelnen Großaufträgen
stark aktionsgetriebene Produkte
Produkte nach größeren Preisänderungen
Sortimente mit schnellen Marktveränderungen

Forecasts sollten deshalb nicht nur einen einzelnen Zahlenwert liefern.

Sinnvoller ist beispielsweise:

Erwarteter Absatz 120 Stück, plausible Bandbreite 100 bis 145 Stück.

Forecasting-Systeme können dafür Unsicherheits- oder Konfidenzintervalle verwenden. Entscheidend ist, dass eine Prognose nicht als sicherer zukünftiger Wert interpretiert wird.

Wie kann die Prognosequalität kontrolliert werden?

Eine Prognose sollte später mit dem tatsächlichen Absatz verglichen werden.

Das ist ein wichtiger Teil eines sinnvollen Forecasting-Prozesses.

Oracle bietet beispielsweise einen „Forecast vs Actual“-Report, der prognostizierte und tatsächliche Nachfrage gegenüberstellt und damit die Qualität der Prognose überprüfbar macht. (Oracle Docs)

Für einen MCP-Anwendungsfall wären Fragen möglich wie:

Wie genau waren unsere Absatzprognosen der vergangenen sechs Monate?

Oder:

Bei welchen Produkten weicht der Forecast besonders stark vom tatsächlichen Absatz ab?

Damit könnte das System erkennen, für welche Produktgruppen historische Verkäufe eine gute Prognosegrundlage bilden und wo zusätzliche Informationen benötigt werden.

Welche Grenzen haben reine Verkaufsdaten?

Historische Verkaufsdaten beantworten vor allem:

Was ist bisher passiert und welche zeitlichen Muster sind erkennbar?

Sie beantworten nicht zuverlässig:

Warum ist es passiert?

Ein Absatzeinbruch kann beispielsweise entstehen durch:

Preiserhöhung
Marketingänderung
Wettbewerb
fehlende Warenverfügbarkeit
Sortimentsänderung
neue Produktgeneration
regulatorische Veränderungen

Ohne diese Informationen sieht das Forecasting-Modell nur den Verkaufsverlauf.

Ein weiteres Problem sind Stockouts.

War ein Produkt zwei Wochen nicht verfügbar, können in dieser Zeit keine normalen Verkäufe entstehen. Ein Forecast könnte daraus fälschlicherweise eine sinkende Nachfrage ableiten.

Bei einer professionellen Umsetzung sollten solche Zeiträume deshalb identifiziert und möglichst gesondert behandelt werden.

Was kann aus Verkaufsdaten noch nicht für den Einkauf entschieden werden?

Eine Absatzprognose kann beispielsweise ergeben:

Für die nächsten 30 Tage werden ungefähr 200 Stück benötigt.

Damit ist noch nicht beantwortet:

Wie viele Stück sollten wir heute bestellen?

Dafür fehlen weitere Informationen:

aktueller Bestand
offene Bestellungen
Wiederbeschaffungszeit
Sicherheitsbestand
Mindestbestellmenge
Lieferfähigkeit des Lieferanten

Demand Planning erstellt zukünftige Nachfrage, während Supply Planning zusätzlich offene Bestellungen, Sicherheitsbestand und weitere Beschaffungsinformationen berücksichtigt.

Das ist eine wichtige Grenze für den Magento-Anwendungsfall.

Magento-Verkaufsdaten können die Nachfrageprognose liefern. Für konkrete Beschaffungsentscheidungen sollten weitere Daten hinzukommen.

Wie funktioniert eine Abfrage per MCP?

MCP bietet einen standardisierten Weg, über den AI-Anwendungen externe Tools verwenden können.

Abfrage per MCP von der Frage zur Prognose

Die MCP-Spezifikation sieht vor, dass ein Server definierte Tools bereitstellt. Diese können beispielsweise APIs abfragen, Berechnungen ausführen oder Datenbanken ansprechen. (Model Context Protocol)

Ein vereinfachter Aufbau kann so aussehen:

Mitarbeiter → AI-Anwendung → MCP-Server → Magento REST API

Ein Tool könnte beispielsweise heißen:

forecast_sales

Als Parameter erhält es:

SKU
Zeitraum der Historie
Prognosehorizont
gewünschte Aggregation

Eine Nutzerfrage könnte lauten:

Wie dürfte sich der Verkauf von Produkt ABC-123 in den kommenden acht Wochen entwickeln?

Der MCP-Server ruft die benötigten Verkaufsdaten ab, führt die definierte Berechnung aus und liefert das Ergebnis strukturiert an die AI.

Die AI kann daraus anschließend eine verständliche Antwort formulieren.

Welche Fragen könnten Entscheider direkt stellen?

Der praktische Vorteil entsteht insbesondere bei Fragen, für die heute mehrere Auswertungen erforderlich sind.

Beispiele:

Welche Produkte zeigen aktuell den stärksten Absatzrückgang?

Welche Artikel besitzen einen stabilen positiven Verkaufstrend?

Welche Produkte dürften sich in den kommenden drei Monaten schlechter verkaufen?

Bei welchen Artikeln zeigt sich ein saisonales Muster?

Welche Produkte schwanken so stark, dass eine einfache Durchschnittsprognose ungeeignet ist?

Welche Produkte könnten sich zu Slow Movern entwickeln?

Welche Verkaufsprognosen waren in den vergangenen sechs Monaten besonders ungenau?

Welche Produktgruppen sind anhand ihrer Historie gut prognostizierbar?

Diese Fragen gehen deutlich über ein klassisches Umsatzdashboard hinaus.

Welche Daten sollten für einen ersten MCP-Use-Case bereitgestellt werden?

Für einen ersten Proof of Concept reichen vergleichsweise wenige Informationen.

Sinnvoll wären:

SKU
Verkaufsdatum
verkaufte Stückzahl
Anzahl Bestellungen
Bestellmenge je Vorgang
optional Retouren und Stornierungen

Darauf lassen sich bereits aufbauen:

Absatztrend
Sales Velocity
Saisonerkennung
Verkaufshäufigkeit
Nachfrageschwankung
Slow-Mover-Risiken
einfache Absatzprognosen

In einer weiteren Stufe können anschließend Bestände, Einkaufspreise, Lieferzeiten und offene Einkaufsbestellungen angebunden werden.

Dann wird aus einer reinen Nachfrageprognose eine Grundlage für Einkauf und Lagerplanung.

Welche Rolle sollte AI übernehmen?

Die AI eignet sich besonders für den Zugang zu den Ergebnissen.

Ein Anwender muss nicht wissen, welches Datenbankfeld den Absatz enthält oder welche Forecasting-Funktion aufgerufen werden muss.

Er stellt eine fachliche Frage.

Die eigentliche Prognose sollte jedoch auf einer klar definierten und reproduzierbaren Berechnung basieren. Gerade bei wichtigen Einkaufsentscheidungen ist es problematisch, wenn ein Sprachmodell frei Zahlen ableitet.

Eine sinnvolle Architektur trennt deshalb:

Forecasting-Logik

berechnet Werte reproduzierbar.

MCP-Tool bzw. Magento Rest-API Erweiterung

stellt Daten und Berechnung kontrolliert zur Verfügung.

AI-Anwendung

versteht die Nutzerfrage und erklärt das Ergebnis.

Damit bleibt nachvollziehbar, woher eine Prognose stammt.

KonVis Local AI Connector (MCP) und Rest-API-Erweiterung

Wir (KonVis) sind aktuell dabei die Rest-API von Magento zu erweitern, sodass diese deutlich besser von MCP genutzt werden kann. Neben einer Protokollierung ist auch eine feiner Steuerung der Zugriffe in Arbeit. Dazu werden verschiedene Dinge abfragbar gemacht um an die relevanten KPIs basierend auf den Magento Daten zu gelangen.

Sie planen einen Umsetzung von MCP, AI und Magento bzw. sind bereits dabei? Sprechen Sie uns gerne an und wir können prüfen ob und wie unsere Magento Erweiterung weiterhelfen kann. Wir sind auf der Suche nach Partner für Rückmeldung und gezielten Ausbau der Erweiterung.

Ausführliche Informationen zum Stand der MCP Server Entwicklung für Magento finden Sie hier.

Fazit

Magento-Verkaufsdaten können eine wertvolle Grundlage für Absatzprognosen bilden.

Bereits aus SKU, Verkaufsdatum und verkaufter Menge lassen sich zeitliche Entwicklungen erkennen. Mit ausreichend Historie können zusätzlich Saisonalität, Verkaufshäufigkeit, Nachfrageschwankungen und mögliche zukünftige Slow oder Fast Mover analysiert werden.

Über MCP lassen sich solche Funktionen direkt für AI-Anwendungen bereitstellen. Ein Mitarbeiter kann dann Fragen an die Verkaufshistorie stellen, ohne für jede Analyse einen separaten Bericht aufzubauen.

Wichtig bleibt die fachliche Grenze.

Eine Prognose auf Basis historischer Verkäufe zeigt, wie sich bekannte Muster wahrscheinlich fortsetzen könnten. Für vollständige Einkaufs- und Bestandsentscheidungen sollten zusätzlich Informationen wie Bestand, Lieferzeit, offene Bestellungen und Einkaufskonditionen berücksichtigt werden.

Damit bietet sich für Magento-Shops ein gestufter Einstieg an. Zunächst werden historische Verkäufe für Nachfrageprognosen genutzt. Anschließend können weitere Unternehmensdaten angebunden werden, um daraus konkrete Unterstützung für Einkauf und Lagerplanung zu entwickeln.