Akkurate Prognosen sind für Händler von immenser Wichtigkeit, um rechtzeitig erkennen zu können, welche Waren zu welchem Zeitpunkt und in welcher Menge eingekauft werden sollten. Nur so können sie die Warenverfügbarkeit optimieren und gleichzeitig die Kapitalbindungskosten minimieren. Weiterhin hat eine verlässliche Vorhersage den Vorteil, dass nur genau so viele Mitarbeitende in den Lagern und den Filialen eingesetzt, wie momentan benötigt werden.

Solche Vorhersagen sind unter stabilen Bedingungen einfach zu erstellen. Der Einzelhandel ist jedoch ein dynamisches Umfeld, welches von vielen sich kontinuierlich verändernden Faktoren beeinflusst wird. Darunter fallen u. a. folgende Variablen:

• Wiederkehrende Absatzmuster (z. B. Wochentage, Feiertage, Saisonalitäten)
• Interne Geschäftsentscheidungen (z. B. Preisänderungen, Angebote, Filialdisplays, Kampagnen)
• Externe Faktoren (z. B. Wetter, lokale Events)
• unbekannte Faktoren (z. B. Filialeröffnung eines direkten Wettbewerbers in der Nachbarschaft)

Für einen Menschen ist es unmöglich, eine solche Fülle von Faktoren und Daten ausreichend zu berücksichtigen, um eine exakte Prognose zu erstellen. KI Algorithmen (speziell Machine Learning Algorithmen) hingegen sind perfekt für diverse Prognoseanwendungen: Sie lernen automatisch Muster und Zusammenhänge in historischen Daten, welche dann auf neue Daten angewendet werden können, um Vorhersagen zu treffen. Die entsprechenden Daten vorausgesetzt, lassen sich so viele Werte prognostizieren, wie z. B. Absätze im Lebensmittelhandel. So kann z. B. konkret vorhergesagt werden, wie viele Schoko-Osterhasen innerhalb von einem bestimmten Zeitraum in einer bestimmten Filiale verkauft werden. Dabei berücksichtigt die KI u. a. folgenden Faktoren: Anzahl Tage bis Ostern, Anzahl verkaufter Osterhasen in den Vorjahren, Wochentag, generelles Kaufverhalten der Kunden. Diese Prognose kann dann genutzt werden, um genau die richtige Anzahl an Schoko-Osterhasen zum richtigen Zeitpunkt bestellen zu können.