KI-Prognosen statt Bauchgefühl: Lehren aus ONS-Daten

Der Handel bekommt selten die klare Botschaft, die sich alle wünschen: „Es läuft wieder.“ Die ONS-Zahlen aus dem Vereinigten Königreich liefern eher das, was Retail-Teams im Alltag tatsächlich erleben: kleine Aufwärtsbewegungen bei viel Unsicherheit. In den drei Monaten bis November 2025 stiegen die Verkaufsvolumen um 0,6% gegenüber den drei Monaten bis August. Im Jahresvergleich lagen die Umsätze um 0,7% höher. Gleichzeitig fielen die Volumen im November aber um 0,1% – nach -0,9% im Oktober. Und gegenüber Vor-Pandemie-Niveau bleibt ein Minus von 3,0%.

Genau diese Mischung ist für mich die eigentliche Nachricht: Nicht die grossen Ausschläge entscheiden – sondern ob Händler subtile Signale früh genug erkennen und operativ übersetzen. Und hier kommt das Thema unserer Serie „KI im Einzelhandel und E-Commerce“ ins Spiel: Wer KI für Nachfrageprognosen und Bestandsmanagement sauber aufsetzt, kann aus „0,6%“ einen messbaren Ergebnishebel machen – gerade rund um Black Friday, Adventswochen und den Start ins neue Jahr.

Was die ONS-Daten wirklich zeigen (und warum das für die Schweiz relevant ist)

Antwort zuerst: Die ONS-Daten zeigen ein fragiles Wachstum, das stark von Kategorien, Wetter, Aktionen und Konsumstimmung abhängt – und damit perfekt geeignet ist, um es mit KI-Modellen besser zu steuern.

Die Details aus dem Bericht sind typisch für ein Golden Quarter, das nicht „von allein“ trägt:

• Bekleidung zog im September spürbar an (Saisoneffekt, Kollektionen, Back-to-work/back-to-school).
• Supermärkte verzeichneten den vierten Rückgang in Folge bei den Volumen, begleitet von niedriger Frequenz.
• Non-Food-Stores lagen dagegen bei +1% und federten das Bild ab.
• Warenhäuser profitierten, vermutlich weil viele Händler Black Friday länger verlängert haben.
• Non-Store Retailer hatten Gegenwind, u. a. wegen geringerer Nachfrage nach Gold.
• Online-Ausgaben stiegen: +3,2% gegenüber August-Periode und +6,7% gegenüber Vorjahr.

Warum sollte das Schweizer Händler interessieren, wenn es UK-Daten sind? Weil die Mechanik identisch ist: Kleine Nachfrageänderungen entstehen aus einem Mix aus Preisaktionen, saisonalen Peaks, Wetter, Verfügbarkeit, Lieferzeiten und Konsumklima. Wer diesen Mix nur in Monatsreports „erklärt“, ist zu spät. Wer ihn prognostiziert und automatisiert steuert, gewinnt.

Mythos: „Black Friday ist planbar – wir haben ja die Zahlen vom letzten Jahr“

Antwort zuerst: Vorjahresvergleiche sind nötig, aber im Golden Quarter allein nicht ausreichend, weil Promo-Dauer, Kanalmix und Wetter jedes Jahr anders zusammenspielen.

Das ONS-Narrativ („nicht einmal Black Friday konnte Shopper zum Ausgeben bewegen, grösster Rückgang online“) und gleichzeitig der Online-Anstieg über die Periode zeigt das Dilemma: Je nachdem, wie du den Zeitraum schneidest, erzählst du eine andere Story. Genau deshalb brauchen Retailer Forecasts auf Wochen- und Tagesebene – nicht nur Monatslevel.

Warum kleine Trends grosse Kosten verursachen (Bestand, Marge, Retouren)

Antwort zuerst: Ein Nachfragefehler von wenigen Prozentpunkten führt im Handel fast immer zu Überbestand oder Out-of-Stock – beides frisst Marge.

Ein Plus von 0,6% klingt banal. Operativ ist es das nicht. Wenn du im Bekleidungsbereich zu konservativ einkaufst, bekommst du:

• Out-of-Stock in Größenläufen → verlorener Umsatz und schlechtere Kundenerfahrung
• Substitution (Kund:innen kaufen ein anderes Produkt) → kann Marge senken

Wenn du zu aggressiv planst, landest du bei:

• Abschriften und Markdown-Spiralen im Januar
• Kapitalbindung (Cash liegt im Lager statt im Marketing oder Einkauf)
• Retourenkosten im E-Commerce (gerade in Fashion spürbar)

Das Zitat aus dem UK-Kontext (Steuer-/Budgetunsicherheit, Wetter, sinkende Onlineperformance in einem Teilfenster) ist im Kern eine Warnung: Externe Faktoren verändern Nachfrage kurzfristig. Wer nur manuell nachsteuert, ist zu langsam.

Die Realität im E-Commerce: Online wächst – aber nicht gleichmässig

Antwort zuerst: Online wächst in der Breite, aber Peaks werden volatiler; KI hilft, Peaks zu antizipieren und Budgets sowie Lager dynamisch anzupassen.

ONS nennt +6,7% Online-Ausgaben im Jahresvergleich – trotzdem gab’s im Umfeld von Aktionen offenbar Schwächen in einzelnen Segmenten. Das ist typisch: Ein Teil der Kundschaft wartet auf Rabatte, ein anderer ist preissensitiv, wieder andere reagieren auf Lieferzeiten („kommt es rechtzeitig vor Weihnachten?“). Daraus folgt: Forecasting muss kanal- und kampagnenspezifisch sein, nicht nur „Gesamtumsatz“.

Wie Schweizer Retailer ONS-Logik in KI-Prognosen übersetzen

Antwort zuerst: Nutze externe Indikatoren plus interne Signale, um Nachfrage auf SKU- und Filialebene zu prognostizieren – und übersetze die Prognose in automatische Entscheidungen.

Wenn ich Teams beim Aufbau von Prognosen begleite, ist der häufigste Fehler: Man startet mit dem Modell, bevor man die Entscheidungen definiert. Besser ist es, von den Entscheidungen rückwärts zu denken.

Schritt 1: Prognoseziel definieren (nicht „Umsatz“, sondern Entscheidung)

Typische Ziele, die sich wirklich lohnen:

1. Bestellmenge pro SKU/Grösse/Farbe (Fashion) pro Woche
2. Replenishment-Trigger je Filiale basierend auf Abverkaufstempo
3. Promo-Uplift: Was passiert mit Nachfrage, wenn Rabatt von 20% auf 30% steigt?
4. Lieferzeit-optimierte Allokation: Welche Region bekommt welchen Bestand zuerst?

Schritt 2: Daten, die in der Schweiz fast immer verfügbar sind

Antwort zuerst: Du brauchst nicht „perfekte Daten“, sondern konsistente Zeitreihen und gute Feature-Logik.

Praktische Datenquellen:

• POS- und Online-Orders (täglich)
• Preise, Rabatttiefe, Kampagnenkalender (Black Friday, Advent, Januar-Sale)
• Lagerbestände, Lieferzeiten, Inbound-Plan
• Web-Signale: Produktviews, Add-to-cart, Search-Queries
• Filial-Footfall (wenn vorhanden) oder Proxy (z. B. Kassentransaktionen)
• Externe Faktoren: Wetter (Temperatur/Regen/Schnee), Feiertage, lokale Events

ONS erwähnt „nassestes Wetter des Jahres“ als Nachfragedämpfer. Das ist kein Smalltalk: Wetter ist einer der stärksten kurzfristigen Treiber in Kategorien wie Fashion, DIY, Food-to-go.

Schritt 3: Modellansatz, der im Handel funktioniert

Antwort zuerst: Für viele Händler ist ein hybrider Ansatz ideal: klassische Zeitreihen + Machine Learning für Einflussfaktoren.

In der Praxis bewähren sich:

• Zeitreihenmodelle für Baseline (Saisonalität, Trend)
• Gradient-Boosting/Random Forests für Features (Rabatte, Wetter, Traffic)
• Hierarchische Forecasts (SKU → Kategorie → Gesamt) zur Plausibilisierung

Wichtig: Forecast Accuracy allein ist nicht das Ziel. Entscheidend ist der Business-Effekt:

• weniger Out-of-Stock
• weniger Abschriften
• bessere Verfügbarkeit bei Topsellern
• stabilere Marge trotz Promo-Druck

Schritt 4: Vom Forecast zur Aktion (das wird oft vergessen)

Antwort zuerst: Eine Prognose ohne automatisierte oder klar getaktete Umsetzung ist nur ein Report.

Setze konkrete Mechanismen auf:

• Forecast-to-Order: Prognose generiert Bestellvorschläge mit Genehmigungsworkflow
• Exception Management: Nur Abweichungen werden manuell geprüft (z. B. >±15%)
• Dynamic Safety Stock: Sicherheitsbestand variiert nach Volatilität und Lieferzeit
• Promo Guardrails: Rabattänderungen nur, wenn Bestand und Deckungsbeitrag es hergeben

Black Friday & Golden Quarter: So würde KI die „kleinen“ 0,6% nutzen

Antwort zuerst: KI macht aus subtilen Nachfragesignalen operative Vorteile, indem sie Promo-Dauer, Bestände und Kanäle zusammen optimiert.

Das ONS-Bild zu längerer Black-Friday-Discounting-Dauer ist ein Klassiker: Viele Händler verlängern, weil sie Volumen „retten“ wollen. Das Problem: Verlängerung kann Marge kaputtmachen, wenn sie nicht datenbasiert erfolgt.

Ein pragmatisches KI-Setup für Black Friday (und die Schweiz kann das 1:1 übernehmen):

• Uplift-Modell pro Kategorie (Elektronik anders als Fashion)
• Kanalmix-Prognose (Filiale vs. Online vs. Click & Collect)
• Lieferzeit-Risiko-Score (wann kippt „kommt rechtzeitig“?)
• Markdown-Optimierung: Nicht pauschal „-30%“, sondern SKU-spezifisch

Konkretes Beispiel aus der Praxislogik:

• Wenn das Modell zeigt, dass ein Artikel bei -20% bereits 85% des möglichen Uplifts erreicht, ist -30% schlicht Geldverbrennung.
• Wenn Wetter und Footfall schwach sind, aber Online-Traffic steigt, sollte Bestand früher in E-Fulfillment oder Click-&-Collect-Puffer.

Das ist kein theoretisches Planspiel. Das ist die tägliche Frage im Dezember: Wo liegt der Bestand, wenn Kund:innen kaufen wollen?

Mini-FAQ für Entscheider:innen (die typischen Fragen im Steering)

„Brauchen wir dafür ein grosses Data-Team?“

Antwort: Nein. Du brauchst eine klare Forecast-Ownership, saubere Datenpipelines und einen iterativen Rollout. Viele Händler starten mit 1–2 Kategorien.

„Wie schnell sehen wir einen Effekt?“

Antwort: Bei Replenishment und Promo-Planung oft innerhalb einer Saison. Ich rechne realistisch mit 8–12 Wochen bis zu ersten belastbaren Forecasts und 1–2 Quartalen bis zur stabilen Operationalisierung.

„Was ist der häufigste Stolperstein?“

Antwort: Forecasts werden gebaut, aber nicht in Prozesse übersetzt. Dann bleibt KI ein Analyseprojekt statt ein Ergebnisprojekt.

Nächster Schritt: Daten nutzen, bevor der Januar-Sale sie überrollt

Die ONS-Zahlen sind kein „Hurra“. Sie sind ein guter Reminder, wie der Handel gerade tickt: leichte Bewegung nach oben, aber sehr abhängig von Kategorien, Wetter, Aktionen und Stimmung. Für Schweizer Retailer ist das eine Chance, weil genau diese Abhängigkeiten mit KI gut modellierbar sind.

Wenn du in 2026 weniger von „wir hätten mehr bestellen sollen“ oder „wir müssen noch stärker reduzieren“ hören willst, dann lohnt sich jetzt ein Fokus auf KI-gestützte Nachfrageprognosen, Bestandsoptimierung und Personalisierung im E-Commerce. Der Dezember ist nicht nur Endspurt – er ist auch die Datengrundlage für die ersten Entscheidungen im neuen Jahr.

Welche Entscheidung in deinem Unternehmen wäre am wertvollsten, wenn sie nächste Woche nicht aus Bauchgefühl, sondern aus einer belastbaren Prognose käme?