Die Prognose des zukünftigen Bedarfs von Konsumgüterartikeln ist für die Steuerung der Logistikkette im Handel von zentraler Bedeutung. Handelsunternehmen stehen hierbei vor der Herausforderung, den Bedarf für eine sehr große Anzahl von Artikeln auf Basis von Vergangenheitswerten prognostizieren zu müssen. Die in diesem betriebswirtschaftlichen Kontext auftretenden Zeitreihen unterscheiden sich typischerweise im Hinblick auf die Frequenz und die Länge des Beobachtungszeitraumes von klassischen makroökonomischen Zeitreihen. Vor dem Hintergrund dieser spezifischen Charakteristiken und der erforderlichen vollautomatischen Anwendbarkeit der Prognoseverfahren bietet sich die Verwendung nichtparametrischer Splineregressionsmodelle an. Die Prognose von Trend- und Saisonfiguren auf Basis dieser Modelle ist jedoch mit Problemen behaftet, zu deren Behebung verschiedene Lösungsansätze entwickelt werden. Diese umfassen erstens die Verwendung eines neuen, adaptiven Knotenwahlverfahrens, dem ein Algorithmus zur Strukturbrucherkennung zugrunde liegt, zweitens die Nutzung von Splinefunktionen mit Randbedingungen, die in der ökonometrischen Praxis nur selten genutzt werden, sowie drittens die Dämpfung der Prognosefunktion. Die Wirksamkeit dieser Ansätze wird im Rahmen einer empirischen Untersuchung auf Basis eines Massendatensatzes mit Schnelldrehern nachgewiesen. Hierbei wird auch ein neuer, auf robusten Glättern basierender Algorithmus zur Ausreißerbereinigung erfolgreich eingesetzt. Zur Auswertung der empirischen Untersuchung werden neben klassischen deskriptiven Statistiken zwei eigens zu diesem Zweck entwickelte, grafische Auswertungstechniken eingesetzt, die eine differenzierte Beurteilung der Prognoseleistung mehrerer Prognoseverfahren in Zeitreihenmassendaten erlauben.