Die Erstellung von Prognosen zur Bestimmung zukünftiger Absatzmengen stellt in vielen Industriezweigen eine erfolgskritische Aktivität dar. Aufgrund der zunehmenden Komplexität in den betrachteten Zeitreihen stoßen klassische Prognosemethoden oftmals an ihre Leistungsgrenzen, weshalb alternative Ansätze benötigt werden. Im Rahmen dieser Masterarbeit soll die Eignung neuronaler Netze für die Prognose logistischer Zeitreihen evaluiert werden. Den Prognosegegenstand stellt hierbei der Primärbedarf in der Materialbedarfsplanung dar. Die Prognose des Primärbedarfs erfolgt je Produkt und anhand der wöchentlichen Kundenbedarfe. Ziel der Prognose ist die Minimierung des Lagerbestandes unter Berücksichtigung einer durch das betrachtete Unternehmen vorgegebenen Mindestanforderung an die Lieferfähigkeit. Die Problemstellung wird am Beispiel eines Unternehmens der österreichischen Lebensmittelindustrie bearbeitet. Für die Evaluierung werden die Auswirkungen der durch den Einsatz von neuronalen Netzen erstellten Prognosen auf den Gesamtlagerbestand und die Lieferfähigkeit je Produkt analysiert. Diese Ergebnisse werden mit dem Gesamtlagerbestand und den Lieferfähigkeiten basierend auf der aktuellen Dispositionsplanung verglichen. Die Berechnungen werden für das Kalenderjahr 2021 durchgeführt. Für die Ermittlung des Lagerbestandes wird eine Simulation der Materialbedarfsplanung verwendet. Die Ergebnisse der Evaluierung zeigen Potenziale beim Einsatz neuronaler Netze in der Materialbedarfsplanung sowohl zur Reduzierung des Gesamtbestandes als auch in Bezug auf die unterschiedlichen Dispositionsverfahren im betrachteten Unternehmen.