KI-Prognosen 2026: 6 Tools für Finanzen, Vertrieb und Bestand

KI-Prognosen nutzen maschinelles Lernen und statistische Modelle, um aus historischen Daten und relevanten Einflussgrößen künftige Geschäftsentwicklungen abzuschätzen.
Diese 6 Tools unterstützen damit die Liquiditäts- und Finanzplanung, die Vertriebspipeline, die Bestands- und Bedarfsplanung oder Prognosen in Microsoft Excel mit Copilot.

Herstellerseiten und veröffentlichte Preise wurden am 28. Oktober 2026 geprüft. Dieser Vergleich beruht auf der Dokumentation; die Prognosegenauigkeit wurde nicht im Praxistest gemessen. Die Empfehlungen zur Teamgröße sind redaktionelle Einschätzungen zu Arbeitsaufwand und Zuständigkeiten, keine Mindestnutzerzahlen der Anbieter.

KI-Prognosen: Die Tools im Überblick

Pigment ist ein guter Ausgangspunkt für flexible Finanzmodelle, Clari für Vertriebsprognosen und Netstock für Bestandsentscheidungen. Excel mit Copilot eignet sich für Prognosen, die ein kleines Team in einer Arbeitsmappe selbst betreuen kann. Anaplan kommt infrage, wenn die Prognose komplexe Teilpläne verschiedener Abteilungen verbinden muss. Planful verdient einen genaueren Blick durch die Finanzabteilung, wenn Prognosen eng mit Berichtswesen und Abschluss zusammengehören.

Entscheidend ist, was nach einer geänderten Prognose passiert: Wird die Personalplanung angepasst, ein Vertriebsabschluss geprüft, eine Bestellung ausgelöst oder eine Tabelle bearbeitet? Diese Folgeentscheidung bestimmt die passende Produktkategorie.

Die angezeigte Microsoft-Aktion endet am 31. Dezember 2026 und gilt für berechtigte Bestandskunden mit einem Business-Tarif. Aus dem Einstiegspreis von Netstock lässt sich nicht ableiten, was sämtliche KI- und Prognosefunktionen kosten. Die benötigten Funktionen sollten im schriftlichen Angebot ausdrücklich bestätigt sein.

Liquidität und FP&A: Finanzprognosen mit KI

Financial Planning and Analysis, kurz FP&A, verknüpft Umsatz, Ausgaben und operative Annahmen. So lässt sich beurteilen, was sich ein Unternehmen leisten kann. Am Anfang sollte ein Modell stehen, dessen Eingaben jemand erklären kann. Eine Prognose kann Umsatzwachstum richtig vorwegnehmen und trotzdem zu einer schlechten Liquiditätsentscheidung führen, wenn sie zugesagte Einstellungen oder verspätete Kundenzahlungen ausblendet.

Für Finanzverantwortliche liegt der Nutzen von KI vor allem darin, eine Basisprognose zu erstellen, ungewöhnliche Muster sichtbar zu machen und wiederkehrende Prognosearbeit zu reduzieren. Veränderungen, die aus Vergangenheitsdaten nicht hervorgehen können, müssen weiterhin ergänzt werden, etwa eine geplante Preiserhöhung oder ein auslaufender Vertrag.

1. Pigment: Erste Anlaufstelle für flexible Finanzmodelle

Pigment ist eine Plattform für Unternehmensplanung. Die Funktion Predictions erstellt Prognosen innerhalb bestehender Modelle. Sie passt, wenn die Finanzabteilung eine Prognose mit operativen Annahmen aus mehreren Abteilungen verbinden muss und jemand die Verantwortung für dieses Modell übernehmen kann. Wer als Gründer nur eine einzelne Liquiditätstabelle führt, sollte zunächst einen wiederholbaren Prognoseprozess etablieren, bevor eine umfassendere Planungsplattform hinzukommt.

Was die KI übernimmt. Laut Pigment erzeugt Predictions aus historischen Werten eine Basisprognose sowie obere und untere Schätzwerte; externe Faktoren können zusätzlich einfließen. Die AutoML-Option vergleicht Prognosemodelle anhand historischer Rücktests und wählt für jede Zeitreihe ein Modell aus, also für jede separat prognostizierte Folge von Werten. Damit erhalten Finanzverantwortliche einen konkreten, prüfbaren Prognoseablauf. Dokumentation zu Predictions, Modellauswahl.

Welche Daten benötigt werden. Als Quelle dient eine numerische Metric, Pigments modellierte Kennzahl, mit einer nativen Kalenderdimension und leeren künftigen Perioden. Für eine Umsatzprognose wären das beispielsweise monatliche Umsätze nach Produkt und Region. Optionale Einflussgrößen wie geplante Preise oder Kampagnen müssen ebenfalls als geeignete Metrics vorliegen. Pigment prüft, ob diese Eingaben vollständig und relevant sind. Eine hinzugefügte Einflussgröße wirkt sich deshalb nicht zwangsläufig auf das Ergebnis aus. Anforderungen an externe Faktoren.

Ein Beispiel ist ein Softwareunternehmen, das seine Personalplanung überarbeitet. Die Finanzabteilung kann zunächst die Basisprognose für wiederkehrende Umsätze prüfen und anschließend eine ausdrückliche Annahme zur anstehenden Änderung der Angebotspakete ergänzen. Diese Ebenen sollten getrennt bleiben. Andernfalls ist nicht erkennbar, ob eine niedrigere Umsatzprognose aus dem Modell oder aus einer geschäftlichen Entscheidung stammt.

Teamgröße und Verantwortung. Am besten passt Pigment zu einer kleinen bis mittelgroßen FP&A-Gruppe, die mehrere Abteilungsverantwortliche koordiniert und einen benannten Modelladministrator hat. Wichtiger als die Beschäftigtenzahl ist, ob Annahmen zu Umsatz, Personalbestand und Ausgaben miteinander verbunden bleiben müssen. Auch größere Unternehmen kommen infrage; ihre Größe allein macht die Daten aber nicht besser prognostizierbar.

Wo die Grenzen liegen. Predictions muss über den Support aktiviert werden und setzt entsprechende Berechtigungen voraus. Pigment warnt außerdem, dass abrupte Strukturveränderungen und unregelmäßige Datenverläufe die Prognose unbrauchbar machen können. Wenn Nachvollziehbarkeit wichtig ist, kommt es auf das konkret ausgewählte Modell an: Laut Dokumentation zu externen Faktoren sind Einflussbewertungen für Prophet verfügbar, für Chronos-2 und AutoML dagegen nicht. Nicht jedes Modell liefert dieselben Erklärungen. Zugang und Einschränkungen, Einschränkung bei Einflussbewertungen.

Besonders geeignet für: Ein von der Finanzabteilung verantwortetes Modell mit Beiträgen mehrerer Abteilungen.
Besonderheit: Modellvergleich und Basisprognosen direkt in der Planungsanwendung.
Preis: Kein öffentlicher Einstiegspreis verifiziert; Kontakt über Pigments Testzugangsseite für die Vertragskonditionen.
Kostenloser Test: Ein privater Workspace für 14 Tage ohne Kreditkarte; Aktivierung und Grenzen von Predictions für den Test klären.

So lässt sich Pigment sinnvoll testen

Für den Test eignet sich eine Umsatz- oder Ausgabenreihe mit bereits klarer Zuständigkeit. Das gesamte Unternehmensmodell ist als Einstieg zu groß: Bei einer überschaubaren, verstandenen Zeitreihe lassen sich überraschende Ergebnisse leichter untersuchen.

1. 1

   Eine geeignete Metric vorbereiten

   Der Administrator bestätigt zunächst den Zugang zu Predictions. Benötigt wird eine numerische Metric mit Kalenderdimension, abgestimmten Vergangenheitswerten und leeren Prognoseperioden. Die für die Bewertung vorgesehenen Istwerte dürfen nicht in die Trainingsdaten einfließen.

2. 2

   Eine Basisprognose erstellen

   Predict öffnen, + New wählen und anschließend Quelle, Predict until und Model festlegen. Die dokumentierte AutoML-Option ist der Einstieg, wenn Pigment die unterstützten Modelle vergleichen soll. Calculate accuracy einschalten, sofern dies zum geplanten Test passt.

3. 3

   Prüfen, speichern und hinterfragen

   Basisprognose und Grenzen prüfen, die Ergebnis-Metric speichern und mit der bisherigen Prognose sowie den zurückgehaltenen Istwerten vergleichen. Laut Pigment verschwindet das vorläufige Ergebnis nach einem Tag, wenn es nicht gespeichert wird. Geschäftlich begründete Korrekturen separat ergänzen, jeweils mit Begründung und verantwortlicher Person.

Fazit: Pigment gehört ganz nach oben auf die Auswahlliste der Finanzabteilung, wenn ein gemeinsames operatives Modell gepflegt werden muss. Der Nutzen hängt davon ab, ob sich dessen Pflege lohnt.

2. Anaplan: Für komplexe, vernetzte Planung

Anaplan ist eine Plattform für Unternehmensplanung. Die Prognosefunktion PlanIQ verbindet statistische Verfahren, KI und maschinelles Lernen. Sie kommt infrage, wenn Finanzabteilung, Vertrieb und operatives Geschäft ihre Prognosen in einen übergeordneten Planungsprozess einbinden müssen. Für einen Gründer, der monatlich eine einzelne Tabelle aktualisiert, lässt sich dieser umfassende Planungsaufbau nur schwer rechtfertigen.

Was die KI übernimmt. Anaplan beschreibt einen Ablauf, der gesammelte Daten validiert, ein Prognosemodell trainiert, Leistungskennzahlen erzeugt und die Ergebnisse in die Planung zurückführt. PlanIQ kann ergänzende Daten und Attribute einbeziehen. Die Produktseite nennt außerdem Erklärungen zu wichtigen Einflussgrößen der Prognose. Das nützliche Versprechen ist ein wiederholbarer Planungsprozess; gute Fehlerkennzahlen müssen sich für das eigene Geschäft erst nachweisen lassen. Anaplan PlanIQ.

Welche Daten benötigt werden. Die historischen Eingaben brauchen eine Kennung für das zu prognostizierende Objekt, eine Zeitdimension und den Zielwert. Ein solches Objekt kann etwa eine Produkt-Standort-Kombination oder ein Geschäftsbereich sein. Ergänzende Eingaben bilden veränderliche Einflussgrößen ab, Attribute beschreiben das Objekt selbst. Das sind unterschiedliche Aufgaben: Eine Verkaufsaktion verändert sich im Zeitverlauf, eine Produktkategorie beschreibt dagegen, um welche Art von Artikel es sich handelt.

Anaplans Validierungsdokumentation enthält konkrete Warnhinweise. Erwartet werden im Durchschnitt mindestens fünf historische Einträge je Objekt. Bei weniger als 300 historischen Werten über alle Zeitreihen hinweg stehen bestimmte fortgeschrittene Algorithmen, darunter Anaplan AutoML, nicht zur Verfügung. Das sind technische Verarbeitungsschwellen, kein Beleg dafür, dass die Datenhistorie für saisonale Prognosen ausreicht. Auch fehlende oder uneinheitliche Datumsangaben spielen eine Rolle. PlanIQ: Datenfehler und Warnungen.

Bei einem Handelsunternehmen, das regionalen Bedarf, Einkauf und Finanzplanung verbinden möchte, liegt das eigentliche Problem womöglich in unterschiedlichen Produkthierarchien der Abteilungen. Wer vorher ein Prognosemodell kauft, erhält konkurrierende Zahlen, die jeweils etwas anderes bedeuten. Anaplan lohnt eine Prüfung, wenn das Unternehmen diese Definitionen vereinheitlichen und dauerhaft pflegen will.

Teamgröße und Verantwortung. Am besten geeignet für Großunternehmen oder operativ komplexe mittelständische Organisationen mit einer Planungsleitung, einem Modelladministrator und Beteiligten aus mehreren Funktionen. Das beschreibt die organisatorischen Voraussetzungen für den Nutzen, keine Mindestzahl an Lizenzen. Eine schlanke Organisation, die Anaplan bereits nutzt, sollte zunächst PlanIQ prüfen, bevor sie Daten in ein separates Prognoseprodukt überträgt.

Wo die Grenzen liegen. Eine automatische Eingabeprüfung kann eine fehlende Spalte erkennen. Sie kann aber nicht beurteilen, ob ein Vertriebsgebiet neu zugeschnitten oder ein Produktcode erneut vergeben wurde. Für solche Änderungen müssen Zuständigkeiten feststehen, bevor die Prognosen übernommen werden. In der Demo sollte der Anbieter zeigen, wie eine geänderte Geschäftseingabe durch die Prognose bis in den tatsächlich genutzten Plan wirkt.

Besonders geeignet für: Vernetzte Prognosen über Funktionen, Regionen oder Geschäftsbereiche hinweg.
Besonderheit: Datenvalidierung, Modellbewertung und Einbindung in den Planungsprozess.
Preis: Kein öffentlicher Einstiegspreis verifiziert; Anaplan verweist Interessenten an sein Kontaktteam.
Kostenloser Test: Eine Demo wird angeboten; auf den geprüften Seiten war kein öffentlich angebotener PlanIQ-Testzugang zur eigenständigen Nutzung angegeben.

Fazit: Anaplan passt, wenn die Abstimmung zwischen Teilplänen das kostspielige Problem ist. Ein anspruchsvoller klingendes Prognosemodell allein ist kein ausreichender Kaufgrund.

3. Planful: Für einen von der Finanzabteilung gesteuerten Prognosezyklus

Planful ist eine Plattform für Finanzsteuerung. AI Projections erstellt aus historischen Geschäftsdaten eine Ausgangsprognose. Das macht Planful interessant, wenn die Finanzabteilung weniger Zeit mit dem erneuten Aufbau einer Basisprognose und mehr Zeit mit der Prüfung ihrer Annahmen verbringen möchte. Besonders klar ist der Einsatzfall, wenn Planung, Berichtswesen, Konsolidierung und Abschluss zusammengehören.

Was die KI übernimmt. Laut Planful erzeugt Projections Basisprognosen für Umsatz, Ausgaben oder Personalbestand anhand historischer Trends und saisonaler Muster. Im ALGO-Modus lässt sich ein Modell gezielt auswählen oder automatisch bestimmen. Beschrieben werden außerdem obere und untere Grenzen, Szenariovergleiche sowie Anpassungen um einen Betrag oder Prozentsatz. Das Ergebnis sollte als Vorschlag für die anschließende Prüfung durch die Finanzabteilung verstanden werden. Planful AI Projections.

Welche Daten benötigt werden. Der Anbieter nennt historische Geschäftsdaten als Grundlage. Für einen Test sollten abgestimmte Istwerte zu den betreffenden Konten und Organisationseinheiten sowie eine Übersicht bekannter Geschäftsveränderungen vorliegen. Die hier geprüfte öffentliche Projections-Seite nennt weder eine allgemein gültige Mindestzahl an Monaten noch ein vollständiges Eingabeschema. Diese Anforderungen sind daher für genau das Modell anzufordern, das der Anbieter vorschlägt.

Für die übergeordnete Plattform beschreibt Planful Anbindungen an ERP-Systeme, in denen operative und finanzielle Daten liegen, an CRM-Systeme für das Kundenbeziehungsmanagement und an Datenwerkzeuge. Eine Integration transportiert Daten; ob diese vergleichbar sind, hängt weiterhin von den Definitionen im Rechnungswesen ab. Planful-Plattform und Integrationen.

Ein Beispiel ist die Finanzleitung, die nach einer Umorganisation die Ausgabenprognose überarbeitet. Eine aus der Vergangenheit plausible Basisprognose könnte Ausgaben unter der alten Abteilungsstruktur fortschreiben. Die veränderten Kostenstellen müssen deshalb zugeordnet und Ausgaben als beendet, verlagert oder fortlaufend gekennzeichnet werden. KI kann die Vorbereitung der Basisprognose erleichtern, ohne die Managemententscheidung hinter der Umorganisation zu kennen.

Teamgröße und Verantwortung. Am besten geeignet für ein schlankes Finanzteam in einem mittelständischen oder großen Unternehmen, mit einem Controller oder einer FP&A-Leitung als Prognoseverantwortlichen. Planful selbst nennt den Mittelstand und Großunternehmen als ideale Zielgruppe. Für die Kaufentscheidung zählt, ob das Team zugleich eine strukturierte Umgebung für Finanzplanung und Berichtswesen benötigt. Positionierung des Anbieters.

Wo die Grenzen liegen. Eine Umsatz- oder Ausgabenprojektion ist nicht automatisch eine Prognose der Zahlungseingänge. Wenn Lieferanten bezahlt werden müssen, bevor Kundenzahlungen eingehen, muss die Demo Ein- und Auszahlungszeitpunkte in der benötigten zeitlichen Auflösung zeigen. Diese Anforderung sollte der Anbieter vorführen; sie ist nicht selbstverständlich in jeder Finanzplanungsfunktion enthalten.

Vor der Auswahl von Planful empfiehlt sich eine Prüfung von Sonderfällen anhand der eigenen Daten. Die finanzverantwortliche Person sollte eine weggefallene Ausgabe, eine ungewöhnliche Umsatzperiode und eine geplante Änderung bei Einstellungen benennen. Ein brauchbares Ergebnis ist eine Basisprognose mit nachvollziehbaren Anpassungen und klarer Verantwortung für jede davon. Eine glatte Kurve allein löst die offenen Fragen in der Prognosebesprechung nicht.

Besonders geeignet für: Prognosen unter Verantwortung der Finanzabteilung, eingebunden in den Finanzplanungszyklus.
Besonderheit: Historische Basisprognosen mit Modellauswahl und Szenarioanpassungen.
Preis: Kein öffentlicher Einstiegspreis verifiziert; Planful beschreibt Abonnements nach Unternehmensgröße, Nutzerzahl und Modulen.
Kostenloser Test: Eine Demo wird angeboten; auf den geprüften Seiten war kein öffentlich angebotener Projections-Testzugang zur eigenständigen Nutzung angegeben.

Fazit: Planful passt, wenn vor allem der Prognosezyklus der Finanzabteilung verbessert werden soll. Liegt die größere Schwierigkeit zwischen den Abteilungen, sollte die Prüfung ein umfassenderes operatives Modell einbeziehen.

Cashflow-Prognose mit KI: Wann geht das Geld tatsächlich ein?

Eine Liquiditätsprognose braucht Ein- und Auszahlungszeitpunkte, nicht nur einen prognostizierten Gesamtumsatz. Ein Auftrag kann vor der Rechnungsstellung gewonnen sein; die Rechnung kann noch offen sein, obwohl der Umsatz bereits erfasst wurde. Auf der Ausgabenseite entsteht dieselbe zeitliche Lücke, wenn eine Kaufverpflichtung vor der Zahlung an den Lieferanten liegt.

Für einen liquiditätsbezogenen Test gehören anfängliche Bankguthaben, Forderungen, Verbindlichkeiten, erwartete Zahlungseingänge, Gehaltszahlungen und bereits zugesagte Zahlungen auf die Vorbereitungsliste. Das ist eine Checkliste für die Produktauswahl, keine Aussage, dass jede oben genannte Plattform diese Felder automatisch übernimmt. In der Demo sollte sichtbar werden, wo die einzelnen Eingaben ins Modell gelangen und wie eine verspätete Zahlung den Saldo verändert.

Die Entscheidungsregel: Kann eine Prognose nicht zeigen, wie sich ein verzögerter Zahlungseingang auf die Liquidität auswirkt, beantwortet sie noch nicht die Frage nach der finanziellen Reichweite des Unternehmens. Ein verlässliches Modell für Ein- und Auszahlungen kann nützlicher sein als eine aufwendigere Umsatzprognose.

Vertriebspipeline: Vertriebsprognosen mit KI

4. Clari: Für Vertriebsteams, die eine belastbare Abschlussprognose brauchen

Clari Forecast ist eine Software für Vertriebsprognosen. Sie richtet sich an Teams, die ein erwartetes Abschlussvolumen festlegen, Risiken in der Pipeline prüfen und bei einzelnen Verkaufschancen handeln müssen. Die aktuelle Herstellerseite liegt bei Salesloft und nennt das Produkt weiterhin Clari Forecast. Es passt, wenn die Prognose davon abhängt, wie Verkaufschancen den Vertriebsprozess durchlaufen.

Was die KI übernimmt. Laut Anbieter lernt Forecast AI aus historischen Daten und prognostiziert Ergebnisse anhand von Auftragsvolumen, Vertriebsphase und Fortschrittsgeschwindigkeit. Der AI Forecast Agent bezieht außerdem laufende Aktivitäten der Vertriebsmitarbeiter ein. Beschrieben werden Prognosen für Einzelpersonen und Teams, Veränderungen in der Pipeline, gefährdete Abschlüsse und empfohlene nächste Schritte. Aktuelle Produktseite von Clari Forecast.

Welche Daten benötigt werden. Benötigt werden historische Abschlussergebnisse, verlässliche Pipeline-Daten und die Aktivitätssignale, die das Unternehmen anbinden will. Bei den genannten Prognoseeingaben sind konsistent verwendete Vertriebsphasen und aussagekräftige Zeitstempel besonders wichtig. Wird die Pipeline erst kurz vor der Prognosebesprechung aktualisiert, bildet sie den tatsächlichen Verlauf der Verkaufschancen nur schlecht ab.

Die geprüfte öffentliche Seite nennt keine Mindestzahl an Monaten für die Einführung im eigenen Unternehmen. Zu klären sind deshalb die mindestens sinnvolle Datenhistorie, verpflichtende und optionale Signale sowie die Folgen eines veränderten Vertriebsprozesses für das Modell. Ein großer CRM-Export bedeutet nicht automatisch, dass die für einen Rücktest benötigten historischen Datenstände noch vorhanden sind.

Ein Beispiel ist eine Vertriebsleitung, deren erwartetes Quartalsergebnis von wenigen großen Verträgen abhängt. Ein Modell kann auf Verkaufschancen hinweisen, die sich anders entwickeln als frühere gewonnene Aufträge. Trotzdem muss eine verantwortliche Person den Stand von Einkauf und Rechtsprüfung sowie den Entscheidungstermin des Kunden bestätigen. Der operative Nutzen liegt in einer gezielteren Prüfung: Welche Verkaufschancen brauchen Aufmerksamkeit, und welche Maßnahme könnte ihren Ausgang beeinflussen?

Teamgröße und Verantwortung. Am besten geeignet für Vertriebsorganisationen mit mehreren Führungskräften und einer zuständigen Person für Revenue Operations, kurz RevOps. Auch ein kleines Vertriebsteam kann ausreichend viele Verkaufschancen haben, um zu profitieren. Wer als Gründer nur wenige, sehr individuelle Verkaufschancen betreut, sollte zunächst prüfen, ob der Vertriebsprozess überhaupt erlernbare Muster erzeugt. Die Zahl der Vertriebsmitarbeiter allein ist kein brauchbarer Kaufmaßstab.

Wo die Grenzen liegen. Auftragseingang ist noch kein Zahlungseingang. Ebenso wenig versteht ein mit dem bisherigen Vertriebsprozess trainiertes Modell automatisch den Wechsel in ein neues Kundensegment. Die Prognose sollte nach Segment und Auftragsart getrennt bewertet werden. Manuelle Anpassungen durch Führungskräfte bleiben mitsamt ihrer Begründung erhalten. So liefern Abweichungen vom Modell verwertbare Hinweise, statt eine Diskussion darüber auszulösen, wessen Zahl besser aussieht.

In der Demo sollten eine Verkaufschance mit verschobenem Abschlussdatum und eine weitere mit unveränderter Vertriebsphase, aber veränderten Aktivitäten gezeigt werden. Entscheidend ist, welche Prognose vor Kenntnis des Ergebnisses entstanden wäre. Eine heutige Pipeline-Ansicht, in der das Endergebnis bereits hinterlegt ist, belegt keine historische Vorhersageleistung.

Besonders geeignet für: Vertriebsleitungen und RevOps-Teams mit einem regelmäßigen Prognoserhythmus.
Besonderheit: Prognosen aus der Abschlusshistorie, verbunden mit aktuellen Aktivitäten und Maßnahmen in der Pipeline.
Preis: Kein öffentlicher Einstiegspreis verifiziert; Anfragen laufen derzeit über Saleslofts Vertriebskontakt.
Kostenloser Test: Eine Demo wird angeboten; auf den geprüften Seiten waren keine öffentlichen Konditionen für einen Test zur eigenständigen Nutzung angegeben.

Fazit: Clari passt, wenn das Unternehmen eine bessere Einschätzung der erwarteten Abschlüsse und einen klareren Umgang mit Pipeline-Risiken braucht. Die Finanzabteilung muss daraus weiterhin Annahmen zu Umsatz und Liquidität ableiten.

Bestand und Bedarf: Bedarfsprognosen mit KI

5. Netstock: Für Bestandsentscheidungen auf Basis von ERP-Daten

Netstock ist eine Software für Bestands- und Lieferkettenplanung. Sie richtet sich an Unternehmen, die aus Prognosen konkrete Nachschubentscheidungen ableiten müssen. Die KI-Seite beschreibt ausdrücklich Prognosen anhand historischer Muster, mit Variablen für Saisonalität, Verkaufsaktionen und Trendwechsel. Geht es unmittelbar um Überbestände, Fehlbestände oder ungünstig terminierte Bestellungen, passt Netstock unter den hier verglichenen Tools am direktesten.

Was die KI übernimmt. Netstock beschreibt eine KI, die Bestandsrisiken erkennt, Handlungsmöglichkeiten priorisiert und Maßnahmen empfiehlt. In der Erläuterung zur Datennutzung heißt es zudem, dass die zugrunde liegenden Planungszahlen aus deterministischen Berechnungen stammen: Gleiche Eingaben liefern dasselbe Ergebnis. Die KI hilft, diese Zahlen zu erklären und zu priorisieren. Diese Unterscheidung ist wichtig, wenn geklärt werden soll, welcher Teil eines Bestellvorschlags berechnet, prognostiziert oder erläutert wurde. KI-Ansatz, Netstocks Datennutzung.

Welche Daten benötigt werden. Netstock nennt Produkt- und Standortdaten, aktuelle Bestände, monatliche Verkäufe oder Entnahmen, offene Bestellungen, Lieferanten und Lieferzeiten. Wo relevant, kommen Stücklisten und Zuordnungen zu Ersatzartikeln hinzu. Nach Anbieterangaben werden ERP-Daten jede Nacht synchronisiert und die Planungsberechnungen täglich aktualisiert. Es handelt sich um einen laufenden operativen Datenfluss. Der Test sollte deshalb auf den Datensätzen beruhen, die der Einkauf tatsächlich pflegt. Dateneingaben und Aktualisierung.

Eine SKU, ausgeschrieben Stock Keeping Unit, kennzeichnet einen eigenständigen Lagerartikel. Für jede SKU und jeden Standort muss zwischen einer Periode ohne Nachfrage und einer Periode ohne verkaufsfähigen Bestand unterschieden werden. Netstock gibt an, historische Daten um Verzerrungen durch Fehlbestände zu bereinigen und Datenqualitätsprobleme sichtbar zu machen. Planungsverantwortliche sollten dennoch prüfen, wie sich diese Korrekturen auf wichtige Artikel auswirken: Ein geschätzter entgangener Verkauf ist keine beobachtete Transaktion.

Ein kleiner Händler bestellt beispielsweise immer wieder einen gut laufenden Artikel nach, während sich an anderer Stelle Ladenhüter ansammeln. Eine Bedarfsschätzung allein löst das nicht. Der Einkauf braucht auch aktuelle Bestände, erwartete Wareneingänge, Umlagerungsmöglichkeiten und Informationen zur Lieferzuverlässigkeit. Deshalb kann ein mit dem ERP verbundenes Planungsverfahren besser passen als ein Tabellenassistent, der nur den Export des Vormonats kennt.

Teamgröße und Verantwortung. Am besten geeignet für ein kleines Einkaufs- oder Planungsteam in einem etablierten kleinen oder mittelständischen Unternehmen mit ERP-System und wiederkehrenden Bestandsentscheidungen. Netstock positioniert seine KI ausdrücklich für die Bestandsplanung kleiner und mittlerer Unternehmen. Die Einkaufs- oder Lieferkettenleitung sollte die Prognose und die Bestellregeln verantworten; die Finanzabteilung wird bei Abwägungen zur Kapitalbindung einbezogen.

Wo die Grenzen liegen. Falsche Lieferzeiten und veraltete offene Bestellungen können eine sinnvolle Bedarfsschätzung zunichtemachen. Laut Netstock behalten Planungsverantwortliche die Kontrolle über Empfehlungen und Freigaben, bevor Bestellungen im ERP ankommen. Diese Prüfung muss inhaltlich wirksam bleiben: Die zuständige Person sollte erklären können, warum sich eine Bestellung geändert hat und ob dahinter Nachfrage, Sicherheitsbestand oder Lieferrisiken stehen. Kontrollen und Datenqualität.

Was eine Netstock-Demo zeigen sollte

Der Anbieter sollte einen saisonalen Artikel, einen nur unregelmäßig gekauften Artikel und einen von Fehlbeständen betroffenen Artikel vorführen. Anschließend zählt der Bestellvorschlag, nicht nur das Prognosediagramm. Maßgeblich ist, ob der Prozess mit den zum jeweiligen Zeitpunkt verfügbaren Informationen zu einer rechtzeitigen Nachschubentscheidung beiträgt.

Die geprüften öffentlichen Seiten nennen keine allgemein gültige Mindesthistorie. Die Anforderungen für das eigene Artikelsortiment, den vorgesehenen Planungshorizont und den Umgang mit neuen Produkten müssen angefordert werden. Ebenso wichtig ist der Paketumfang: Die Preisseite unterscheidet grundlegende Prognosen und AI Opportunities vom umfangreicheren AI Pack und fortgeschrittenen Prognosefunktionen. Netstock-Pakete.

Besonders geeignet für: Einkaufs- und Planungsverantwortliche, die wiederkehrende Bestandsentscheidungen anhand von ERP-Daten treffen.
Besonderheit: Prognosen und Hinweise auf Bestandsrisiken, eingebunden in die Nachschubplanung.
Preis: Ab $900/Monat im Jahresabonnement; Produkt und Paket bestimmen das konkrete Angebot.
Kostenloser Test: Eine Demo wird angeboten; auf den geprüften Seiten war kein öffentlich angebotener Testzugang zur eigenständigen Nutzung angegeben.

Fazit: Netstock passt, wenn die Prognose eine Einkaufsentscheidung verändern soll. Die Prüfung gehört in die Hände der Einkaufsleitung und sollte über eine reine Finanzpräsentation hinausgehen.

Prognosen in der Tabelle: Microsoft Excel mit Copilot

6. Microsoft Excel mit Copilot: Für eine Prognose in eigener Verantwortung

Microsoft Excel mit Copilot verbindet Tabellenprognosen mit einem KI-Assistenten, der bei der Vorbereitung, Bearbeitung und Auswertung der Arbeitsmappe hilft. Für Gründer oder kleine Finanzteams mit einem bereits in Excel geführten Modell und klarer Zuständigkeit ist das ein sinnvoller erster Test. Dabei ist zu beachten: Unterstützung bei der Prognosearbeit und ein spezialisiertes Prognosesystem sind unterschiedliche Angebote.

Was die KI übernimmt. Auf Microsofts Prognoseseite heißt es, Copilot unterstütze den Arbeitsablauf, ersetze aber nicht Forecast Sheet beim Erstellen von Projektionen. Der Assistent kann laut Beschreibung helfen, Formatierungen zu bereinigen, Muster zu untersuchen und Prognoseergebnisse auszuwerten. Die allgemeinere Copilot-Seite nennt zusätzlich Formelvorschläge, die Bearbeitung der Arbeitsmappe und Visualisierungen. Die zugrunde liegende Prognoseberechnung muss geprüft werden, auch wenn der Assistent sie überzeugend erklärt. Prognosen in Excel, Copilot-Funktionen.

Welche Daten benötigt werden. Ausgangspunkt sind datierte historische Werte in gleichmäßigen Zeitabständen. Für eine monatliche Umsatzprognose braucht es eine konsistente Datumsspalte, eine numerische Umsatzspalte und eine klare Definition dessen, was als Umsatz gilt. Microsoft beschreibt folgenden Ablauf: Bereich auswählen, Data und Forecast Sheet aufrufen, Enddatum und Intervalle prüfen und anschließend Copilot zur Auswertung verwenden. Verfügbarkeit und konkrete Bedienelemente hängen von der verwendeten Excel-Umgebung ab. Microsofts Prognoseablauf.

Vor der Prognose kann der Assistent doppelte Datumswerte, uneinheitliche Einheiten und fehlende Perioden suchen. Jeder Korrekturvorschlag muss geprüft werden. Eine leere Zelle könnte auf einen fehlgeschlagenen Import hinweisen. Sie durch null zu ersetzen, würde dagegen behaupten, es habe keine Aktivität gegeben. Aus der Formatierung allein kann das Modell diese geschäftliche Bedeutung nicht ableiten.

Ein Gründer möchte beispielsweise entscheiden, ob die erwarteten Dienstleistungsumsätze des nächsten Quartals eine geplante Einstellung tragen. Eine verständliche Arbeitsmappe kann historische Umsätze, die statistische Basisprognose und eine konkrete Annahme zu bereits beauftragten Leistungen getrennt ausweisen. So lässt sich das Modell auch einem Finanzberater erklären. Das nützliche Ergebnis besteht aus einer bearbeitbaren Berechnung und einer nachvollziehbaren Annahme, nicht allein aus einem Absatz, der Wachstum vorhersagt.

Teamgröße und Verantwortung. Am besten geeignet für einen allein arbeitenden Gründer, einen einzelnen Analysten oder ein kleines Finanzteam mit einer klar verantwortlichen Person für die Arbeitsmappe und einem überschaubaren Prüfprozess. Eine spezialisierte Plattform wird sinnvoll, wenn viele Beteiligte koordiniert, zahlreiche Prognosen aktualisiert oder verbindlich geregelte Planungsprozesse über Abteilungsgrenzen hinweg gepflegt werden müssen.

Wo die Grenzen liegen. Copilot entbindet nicht von der Prüfung von Formeln, Einheiten, Datumsbereichen und Annahmen. Der Assistent sollte zeigen, welche Zellen die historischen Daten liefern und welche Methode die Projektion erzeugt. Microsoft dokumentiert FORECAST.LINEAR für gleichmäßige Trends und FORECAST.ETS für saisonale Muster. KI im Arbeitsablauf bedeutet also nicht, dass jedes Ergebnis durch maschinelles Lernen entstanden ist. Prognosemethoden.

Auch die Lizenzierung beeinflusst den Test. Microsoft nennt auf seiner Copilot-Seite die erforderlichen Abonnementberechtigungen für die Bearbeitung von Arbeitsmappen. Zugang zu einer allgemeinen Chatfunktion belegt nicht, dass die konkret benötigte Excel-Funktion enthalten ist. Der Administrator sollte sie im vorgesehenen Konto vorführen, bevor ein Prozess darauf aufgebaut wird. Voraussetzungen für die Bearbeitung.

Besonders geeignet für: Gründer oder kleine Teams mit einem vorhandenen, verständlichen Excel-Modell.
Besonderheit: KI-gestützte Vorbereitung und Analyse rund um bearbeitbare Tabellenberechnungen.
Preis: Ab $18/Nutzer/Monat für die Zusatzlizenz Copilot Business, jährlich bezahlt im Rahmen einer Aktion für das erste Jahr bis zum 31. Dezember 2026; ein berechtigtes bestehendes Business-Abonnement wird zusätzlich berechnet.
Kostenloser Test: Testzugänge werden mit Kreditkarte und automatischem Übergang in ein kostenpflichtiges Abonnement angeboten; für die Preisaktion gelten gesonderte Teilnahmebedingungen, Testabonnements sind ausgeschlossen.

Fazit: Excel ist der richtige Einstieg, wenn vor allem die Arbeit an der Arbeitsmappe bremst. Eine andere Lösung wird interessant, wenn die Koordination des Prognoseprozesses zur größten Hürde wird. Für die separate, gelegentliche Auswertung eines Datenexports hilft der Vergleich von KI-Tools zur Datenanalyse.

Was KI-Prognosemodelle heute leisten

Ein Prognosemodell schätzt einen künftigen Wert. Ein Assistent hilft dabei, mit den Daten und dieser Schätzung zu arbeiten. Mehrere Produkte verbinden beides. Der Anbieter sollte benennen können, welche Komponente die Zahl erzeugt hat, welche Eingaben sie nutzte und wie die Leistung bewertet wurde.

Maschinelles Lernen kann Muster in historischen Beobachtungen und relevanten Einflussgrößen nutzen. Auch statistische Verfahren können Trends und wiederkehrende saisonale Verläufe abbilden. Keiner der Ansätze weiß automatisch, dass ein wichtiger Kunde abspringen oder ein Lieferant seine Konditionen ändern wird. Diesen Kontext muss das Unternehmen bereitstellen; andernfalls ist eine dokumentierte manuelle Korrektur durch die verantwortliche Person nötig. IBMs Erklärung zu KI-gestützten Bedarfsprognosen.

Der praktische Nutzen kann in schneller erstellten Basisprognosen, konsistenteren Aktualisierungen oder gezielterer Aufmerksamkeit für Ausnahmen liegen. Ob die Genauigkeit steigt, ist eine separate Frage. Ein komplexes Modell kann schlechter abschneiden als die bloße Wiederholung des saisonalen Vorjahresmusters. Das lässt sich nur durch einen fairen Test mit zuvor unbekannten Ergebnissen klären.

Ein häufiger Fehler besteht darin, einem historischen Test Informationen zu geben, die damals noch nicht verfügbar waren. Ein vor dem Prognosestichtag genehmigter Aktionsplan ist eine zulässige Eingabe. Die tatsächlichen Verkäufe während der späteren Aktion sind dagegen genau das Ergebnis, das vorhergesagt werden soll. Diese Grenze muss bei jeder Modellbewertung klar bleiben.

Welche Software für KI-Prognosen passt zum Unternehmen?

Für Gründer gilt: mit dem kleinsten dauerhaft betreubaren Prozess beginnen. Liegt die Prognose in einer verständlichen Arbeitsmappe und wird nur von wenigen Personen geprüft, bietet sich Excel mit Copilot an. Müssen wechselnde Annahmen über mehrere Abteilungen hinweg verbunden werden, gehört Pigment auf die Auswahlliste. Braucht der Finanzzyklus zugleich eine umfassendere Umgebung für Berichtswesen und Konsolidierung, kommt Planful hinzu.

Für komplexe Organisationen gilt: zuerst die Planungsumgebung bewerten, dann das Modell. Anaplan kommt infrage, wenn Finanzabteilung, Vertrieb und operatives Geschäft gemeinsame Planungsdefinitionen benötigen. Wer bereits eine Planungsplattform nutzt, sollte zunächst deren eigene Prognosefunktionen prüfen. Daten umzuziehen und Zuständigkeiten neu aufzubauen kann mehr Aufwand verursachen als ein Wechsel des Algorithmus.

Für Vertriebsleitungen zählt der Pipeline-Prozess. Clari passt, wenn am Ende der Besprechung eine Einschätzung des erwarteten Abschlussvolumens und Maßnahmen für einzelne Verkaufschancen stehen. Für Einkauf und operative Leitung zählt der Nachschubprozess. Netstock passt, wenn das Ergebnis verändern soll, was bestellt, umgelagert oder beschleunigt beschafft wird.

Ausschlaggebend ist, wer die nächste Maßnahme verantwortet. Eine Vertriebsprognose fließt in den Finanzplan ein. Zur Liquiditätsplanung wird sie dadurch allein noch nicht, auch wenn beide Geldbeträge verwenden. Eine Bedarfsprognose informiert den Einkauf; ohne Bestands- und Lieferinformationen bestimmt sie aber noch keine Bestellung.

Vor dem Kauf: Datenhistorie, Verantwortung und ein fairer Test

Verwertbare Historie auf der tatsächlichen Prognoseebene zählen

Für einen Pilottest mit monatlichen saisonalen Daten empfehle ich mindestens 24 Monate bereinigte Trainingsdaten und zusätzliche Historie für die Bewertung. Das ist ein Ziel für die Vorbereitung, keine allgemeine Mindestanforderung der Software. Pigment selbst bezeichnet vier Jahre als ideal und hält Verbesserungen bereits mit zwei Jahren für möglich, also mit 48 beziehungsweise 24 Monaten. Die geprüften öffentlichen Seiten der anderen Tools nennen keine gemeinsame Anforderung. Pigments Empfehlungen zur Datenhistorie.

Gezählt werden die nutzbaren Beobachtungen je prognostiziertem Produkt, Konto oder Geschäftsbereich. Ein seit Langem tätiges Unternehmen kann trotzdem ein neues Produkt mit kaum vorhandener Historie haben. Datumsangaben, Einheiten und Definitionen müssen konsistent sein; fehlende Perioden, Fehlbestände und Strukturveränderungen müssen erkennbar werden. Ein vollständiges Jahr für die Bewertung erfordert zusätzliche Historie: Bei 36 Monaten bleiben 24 für das Training und 12 für den Test.

Zuständigkeiten vor der Datenanbindung festlegen

Die Finanzabteilung verantwortet Finanz- und Liquiditätsprognosen, Vertriebsleitung und RevOps verantworten die Pipeline-Prognose, Einkaufs- oder Planungsleitung die Bedarfsentscheidungen. Die IT unterstützt Anbindungen und Zugriffsrechte. Schriftlich festzuhalten ist, wer manuelle Korrekturen freigibt, Datenfehler behebt und Prognoseabweichungen untersucht. Wer vorher Software kauft, lässt den wichtigsten Teil des Prozesses offen.

Mit den Vorjahreswerten vergleichen, ohne sie dem Modell zu zeigen

Für einen Test anhand von 2025 wird der Informationsstand von Ende 2024 rekonstruiert. Erst wird die Prognose erzeugt, dann mit den Istwerten von 2025 verglichen. Bei einem monatlichen Prognoseprozess rückt der Stichtag jeden Monat weiter; der Prognosehorizont bleibt so, wie er auch in der Praxis verwendet würde. Zur Bewertung werden Beobachtungen benötigt, die nicht zur Anpassung des Modells dienten. Forecasting: Principles and Practice.

Die KI wird mit der üblichen Teamprognose und einer einfachen saisonalen Vergleichsprognose verglichen, etwa dem entsprechenden Vorjahresmonat. Fehler sollten in praktisch sinnvollen Einheiten gemessen werden. Anschließend ist zu prüfen, ob das Modell wiederholt zu hoch oder zu niedrig prognostiziert. Einzubeziehen sind auch Artikel und Perioden, die operative Schwierigkeiten verursacht haben. In einem bloßen Gesamtwert können sich Fehler gegenseitig aufheben.

Ein Rechenbeispiel: Die tatsächliche Nachfrage beträgt 120 Einheiten, die KI prognostiziert 100 und die Vergleichsprognose 110. Die absoluten Fehler liegen damit bei 20 beziehungsweise 10 Einheiten. Für diese Beobachtung gewinnt die einfachere Vergleichsprognose. Das ist eine Rechenillustration, kein gemessenes Ergebnis eines Produkts. Über die zurückgehaltenen Perioden wird der mittlere absolute Fehler berechnet; zusätzlich zählen die geschäftlichen Folgen der Abweichungen. Prozentuale Fehlermaße erfordern Vorsicht, wenn Istwerte null sind. Fehlermaße und ihre Grenzen.

Nach der Auswahl von Modellen und Einstellungen sollte noch ein letzter, bis dahin unberührter Zeitraum bleiben. Wer immer wieder anhand desselben Testjahres nachjustiert, kann die Bewertung unbeabsichtigt zu einem weiteren Training machen.

Wie die Tools ausgewählt wurden

Für jedes aufgenommene Tool ist auf der aktuellen Herstellerseite eine Prognosefunktion belegt. Der Vergleich betrachtet die konkrete KI-Aufgabe, die benötigten Eingabedaten, die verantwortliche Person und die unterstützte operative Entscheidung. Preise stammen ausschließlich von Herstellerseiten; fehlende Preise werden nicht ergänzt.

Die Empfehlungen unterscheiden direkte Prognosemodelle von KI-gestützter Tabellenarbeit. Ebenso wird getrennt zwischen einer beworbenen Plattformfunktion und dem, was im eigenen Konto, mit dem ausgewählten Modell oder im angebotenen Paket tatsächlich enthalten ist. Es gibt weder eine unbelegte Rangliste zur Genauigkeit noch Schätzungen Dritter zu Vertragskosten.

Alle sechs Tools haben eine dokumentierte Rolle im Prognoseprozess; die besondere Rolle der Tabellenunterstützung ist ausdrücklich benannt. Die Arbeit für diesen Vergleich bestand in einer datierten Prüfung der Dokumentation und Vertragskonditionen. Um den passenden Anbieter für das eigene Unternehmen zu bestimmen, fehlen damit weiterhin ein Produkttest, eine Bewertung des Einführungsaufwands und ein Genauigkeitstest mit den eigenen Daten.

Wann von einem Tool abzuraten ist

Anaplan ist für ein einzelnes Tabellenproblem meist die falsche Wahl, sofern eine bestehende Einführung den Test der zusätzlichen Prognosefunktion nicht ohnehin einfach macht. Der Nutzen vernetzter Planung setzt eine entsprechende Planungsaufgabe voraus.

Clari sollte nicht die einzige Liquiditätsprognose sein. Der Verlauf von Verkaufschancen und erwartete Auftragseingänge klären noch nicht, wann Geld ein- und ausgeht.

Netstock sollte erst eingesetzt werden, wenn die Bestandsdaten eine Einkaufsentscheidung tragen. Auch eine anspruchsvolle Prognose macht veraltete offene Bestellungen oder falsche Lieferzeiten nicht unschädlich.

Eine Antwort von Excel Copilot ist noch keine freigegebene Prognose. Berechnung, Datenbereich und Annahmen müssen geprüft werden. Eine Erklärung ist nur dann ein nützlicher Beleg, wenn sie überprüfbare Arbeit beschreibt.

Bei jedem Kandidaten ist eine Demo abzulehnen, die historische Genauigkeit zeigt, nachdem das Modell die Bewertungsergebnisse bereits gesehen hat. Ebenso ungeeignet ist ein Angebot, bei dem nach der Installation niemand für die Prüfung der Prognose zuständig bleibt.

Häufige Fragen

Gibt es kostenlose Tools für KI-Prognosen?

Ein kostenloser Testzugang und ein dauerhaft kostenloser Prognosedienst sind unterschiedliche Angebote. Pigment veröffentlicht einen zeitlich begrenzten Workspace-Test, Microsoft Test- und Abonnementbedingungen für Copilot. Die geprüften Seiten belegen für diese Auswahl keinen dauerhaft kostenlosen Tarif einer spezialisierten Prognoselösung. Entscheidend ist der Zugang zur konkreten Prognosefunktion, nicht nur zum Produkt oder zu einem allgemeinen Chatassistenten.

Welche Unternehmen bieten KI-Prognosesoftware an?

Pigment, Anaplan und Planful bieten Unternehmensplanungsplattformen mit vorausschauenden Prognosefunktionen. Clari Forecast, inzwischen auf einer Salesloft-Produktseite vorgestellt, konzentriert sich auf Verkaufschancen und Pipeline-Ergebnisse. Netstock richtet sich auf Bestands- und Bedarfsentscheidungen. Microsoft bietet Copilot-Unterstützung rund um den Prognoseablauf in Excel. Maßgeblich ist, welcher Anbieter den Prozess unterstützt, in dem die prognoseverantwortliche Person ihre Entscheidung trifft.

Welche KI liefert die besten Vorhersagen?

Es gibt kein einzelnes bestes Modell für jede betriebliche Zeitreihe und jeden Prognosehorizont. Für eine praktische Kaufentscheidung wird das vorgeschlagene Modell mit der bisherigen Prognose und einer einfachen saisonalen Vergleichsprognose geprüft. Grundlage sind historische Ergebnisse, die das Modell noch nicht gesehen hat. In die Auswahl gehören Prognosefehler, deren Folgen und der Aufwand, den Prognoseprozess dauerhaft zu betreuen.

Für Montag steht damit eine konkrete Aufgabe fest: die prognoseverantwortliche Person benennen, eine nützliche Zeitreihe auswählen und die Historie ohne die für die Bewertung zurückgehaltenen Istwerte vorbereiten. Der KI-Tool-Wegweiser für Unternehmer hilft, diesen Prognoseprozess in die übrige Auswahl von KI-Tools einzuordnen.