Leitfaden für Führungskräfte: Teil 1 – Warum der Prognoseprozess entscheidend ist

Forecasting ist für viele Führungskräfte in Produktionsunternehmen eine wiederkehrende Herausforderung. Forecast-Meetings gleichen häufig eher Verhandlungen: Der Vertrieb setzt höhere Zahlen an, Finance niedrigere, und Operations steht dazwischen. Das Ergebnis ist oft ein Kompromiss, der stärker von unterschiedlichen Interessen als von einer objektiven Einschätzung der zukünftigen Nachfrage geprägt ist. Wenig überraschend leidet darunter das Vertrauen in den Forecasting-Prozess – und Führungskräfte verlassen sich bei Entscheidungen zunehmend auf ihr Bauchgefühl.

Gleichzeitig hängen zentrale Entscheidungen, von der Produktionsplanung über Kapazitätsinvestitionen bis hin zur Bestandsallokation, davon ab, eine möglichst verlässliche Einschätzung der zukünftigen Entwicklung zu haben. Wie Demand Forecasting for Executives and Professionals von Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen verdeutlicht, geht es nicht allein darum, ob ein Forecast „gut“ oder „schlecht“ ist. Entscheidend ist vielmehr die Qualität des Prozesses, mit dem Forecasts erstellt und genutzt werden.

Oder wie es das Buch formuliert: „Jede Führungskraft, die am Forecasting beteiligt ist, muss akzeptieren, dass es keine guten oder schlechten Forecasts gibt. Es gibt nur gute oder schlechte Wege, Forecasts zu erstellen oder zu nutzen.“

Für Produktionsunternehmen kann dieser Perspektivenwechsel die Grundlage für deutliche Verbesserungen in der Supply-Chain-Planung schaffen.

Zentrale Erkenntnisse aus dem Buch

Forecasting scheitert häufig an fragmentierten Daten, komplexen Modellen und mangelnder bereichsübergreifender Abstimmung. Zu oft werden Forecasts als Zielvorgaben oder Pläne genutzt, anstatt als möglichst objektive Einschätzung der zukünftigen Nachfrage. Das führt zu ausgehandelten Kompromissen und schwächt das Vertrauen der Führungskräfte in den Forecasting-Prozess.

Auf Forecasting zu verzichten, ist jedoch keine Option. Selbst Make-to-Order-Unternehmen sind auf implizite Prognosen angewiesen, um Rohmaterialien, Komponenten und Personalbedarf vorauszuplanen. Da die Vorlaufzeiten in der Supply Chain häufig länger sind als die Lieferzeiten, die Kunden akzeptieren, ist ein reines Make-to-Order-Modell in vielen Fällen kaum realisierbar. Irgendjemand muss weiterhin zukünftige Bedarfe einschätzen und entsprechende Bestände vorhalten. Funktioniert dieser Prozess nicht, sind die Auswirkungen entlang der gesamten Supply Chain spürbar.

Das Buch hebt zwei zentrale Erkenntnisse hervor:

• Der Prozess zählt mehr als das Ergebnis. Ein Forecast kann die tatsächliche Nachfrage verfehlen und dennoch methodisch „gut“ sein, wenn alle zum Zeitpunkt der Erstellung verfügbaren relevanten Informationen berücksichtigt wurden. Umgekehrt kann ein Forecast zufällig genau eintreffen und dennoch auf einem schlechten Prozess beruhen, wenn wichtige Signale ignoriert wurden. Wie die Autoren sinngemäß verdeutlichen: Beim Roulette auf die richtige Zahl zu setzen, macht die Entscheidung nicht gut – man hatte lediglich Glück. Dasselbe gilt für Forecasts.
• Prognostizierbarkeit spielt eine entscheidende Rolle. Manche Nachfragemuster sind aufgrund von Rauschen, Volatilität oder fehlenden Signalen grundsätzlich schwieriger vorherzusagen als andere. Wiederholte Prognosefehler bedeuten daher nicht zwangsläufig, dass der Prozess schlecht ist – möglicherweise ist die zugrunde liegende Nachfrage schlicht schwer prognostizierbar. Entscheidend ist, ob der eingesetzte Prozess gegenüber einfachen Methoden einen messbaren Mehrwert erzielt.

Ein weiterer zentraler Punkt ist die organisatorische Herausforderung. Besseres Forecasting entsteht selten allein durch neue IT-Systeme oder zusätzliche Analysten. Die eigentliche Herausforderung besteht darin, unterschiedliche Stakeholder aufeinander abzustimmen, Silos aufzubrechen und eine klare Kommunikation zwischen den Funktionen sicherzustellen. Ohne diese Voraussetzungen können selbst leistungsfähige Tools ihr Potenzial nicht ausschöpfen.

Schließlich warnt das Buch davor, sich ausschließlich auf Punktprognosen zu verlassen. Ein einzelner Prognosewert kann eine Sicherheit suggerieren, die in der Realität nicht existiert. Gute Forecasting-Prozesse machen Unsicherheit deshalb mithilfe von Bandbreiten oder Wahrscheinlichkeitsverteilungen transparent und unterstützen Führungskräfte dabei, Risiken bei ihren Entscheidungen angemessen zu berücksichtigen.

Quantics Perspektive

In Produktionsunternehmen ist Forecasting keine optionale Aufgabe, sondern eine zentrale Grundlage für die Planung. Die eigentliche Herausforderung liegt dabei im Umgang mit der Komplexität:

• Unterschiedliche Geschäftsanforderungen erfordern unterschiedliche Detailgrade. Geschäftsbereiche, Regionen und Werke benötigen Forecasts häufig auf unterschiedlichen Aggregationsebenen und für verschiedene Zeithorizonte. Finance benötigt möglicherweise Prognosen auf Kategorieebene, während Produktion und Logistik detaillierte SKU-Prognosen in Verbindung mit Werkskapazitäten oder regionaler Nachfrage benötigen. Im B2B-Umfeld führen größere, unregelmäßige Bestellungen zudem zu sporadischen Nachfragemustern, die auf granularer Ebene schwer vorherzusagen sind und die Bewertung der Prognosequalität erschweren.
• Evidenzbasierte statt anekdotischer Verbesserungen. Viele Unternehmen gehen davon aus, dass zusätzliche externe Signale – etwa Marktindikatoren oder Kundeninformationen – ihre Forecasts verbessern könnten. Häufig bleiben solche Annahmen jedoch ungetestet, anstatt ihren tatsächlichen Mehrwert systematisch und datenbasiert zu überprüfen.
• Input aus dem Vertrieb. Vertriebsteams verfügen häufig über wertvolles Markt- und Kundenwissen. Dieses Wissen in großen Organisationen konsistent zu erfassen, zu strukturieren und in den Forecasting-Prozess einzubinden, ist jedoch eine erhebliche Herausforderung.

Hier geht Quantics deutlich über die reine Erstellung des „bestmöglichen Forecasts“ hinaus. Unsere Lösung unterstützt den gesamten Forecasting-Prozess und hilft Führungskräften, Komplexität transparent und strukturiert zu steuern:

• Vergleich jedes Forecasts mit statistischen Baselines, um die Prognosequalität im richtigen Kontext zu bewerten.
• Einbeziehung interner und externer Nachfragesignale sowie Prüfung von Korrelationen, kausalen Zusammenhängen und zeitlichen Verzögerungen.
• Ergänzung von Punktprognosen durch probabilistische Forecasts und Szenarioplanung.
• Abbildung verschiedener Stufen eines Forecasting-Prozesses, um die eigentliche Prognose in mehrstufigen S&OP-Prozessen klar von Zielvorgaben zu trennen.
• Automatisierung kollaborativer Workflows, damit auch große und verteilte Teams effizient Informationen beitragen können und der manuelle Aufwand reduziert wird.
• Schaffung von Transparenz durch die Protokollierung manueller Anpassungen, die Dokumentation ihrer Gründe und die Messung des Mehrwerts jeder Änderung.

Für Führungskräfte bedeutet dies mehr Transparenz, Effizienz und Vertrauen in den Forecasting-Prozess – und vor allem eine klare Verbindung zwischen Forecasts und besseren sowie schnelleren Geschäftsentscheidungen.

Praktische Handelsempfehlungen

Führungskräfte können die Wirksamkeit ihres Forecastings verbessern, indem sie:

• Forecasts klar von Zielen und Budgets trennen. Forecasts sollten möglichst objektive Entscheidungsgrundlagen sein und nicht das Ergebnis von Verhandlungen.
• Die Qualität des Prozesses statt nur die Prognosegenauigkeit betrachten. Forecasts sollten danach bewertet werden, wie gut sie die zum jeweiligen Zeitpunkt verfügbaren Informationen nutzen – nicht ausschließlich danach, wie genau sie im Nachhinein die tatsächliche Nachfrage getroffen haben.
• Grenzen der Prognostizierbarkeit berücksichtigen. Nicht jede Zeitreihe lässt sich gleich gut vorhersagen. Statt nach 100 % Prognosegenauigkeit zu streben, sollte daher bewertet werden, welchen messbaren Mehrwert eine Forecasting-Methode gegenüber geeigneten Benchmarks erzielt. Ein Rennwagen kann auf einer Rennstrecke Höchstgeschwindigkeit erreichen, auf unwegsamem Gelände sind seine Möglichkeiten jedoch begrenzt. Ähnlich verhält es sich mit Nachfragedaten: Bei hoher Volatilität, starkem Rauschen oder wenigen erkennbaren Mustern ist die erreichbare Prognosegenauigkeit naturgemäß begrenzt. Forecast-Performance sollte deshalb immer im Kontext der Prognostizierbarkeit der Daten bewertet werden.
• Unsicherheit transparent kommunizieren. Punktprognosen sollten dort, wo Risiken für Entscheidungen relevant sind, um Prognoseintervalle oder Wahrscheinlichkeitsverteilungen ergänzt werden.
• Bereichsübergreifende Teams aufeinander abstimmen. Forecasting sollte als organisatorischer Prozess verstanden werden, der Silos überwindet und Transparenz zwischen den beteiligten Funktionen schafft.
• Den Prozess vor der Technologie verbessern. Ein besser strukturierter Prozess erzielt häufig schneller einen Mehrwert als die alleinige Einführung neuer Systeme.
• Spezialisierte Software für Produktionsunternehmen nutzen. Plattformen wie Quantics gehen über die Erstellung möglichst guter Punktprognosen und probabilistischer Forecasts hinaus. Sie stärken den Prozess, schaffen Konsistenz und ermöglichen es, Bedarfsprognose und Planung auch in komplexen Organisationen zu skalieren.

Fazit

Forecasting in Produktionsunternehmen wird immer mit Herausforderungen verbunden sein – manche Zeitreihen werden sich nie einfach prognostizieren lassen. Indem Führungskräfte jedoch die Qualität des Prozesses in den Mittelpunkt stellen, die Grenzen der Prognostizierbarkeit berücksichtigen und die bereichsübergreifende Zusammenarbeit verbessern, kann die Absatzplanung von einer Quelle interner Konflikte zu einer verlässlichen Grundlage für mehr Effizienz und Resilienz werden.

Bei Quantics sind wir überzeugt, dass die Zukunft des Forecastings nicht allein in besseren Algorithmen liegt, sondern in besseren Prozessen, intelligenter Zusammenarbeit und transparenten Entscheidungen. Im nächsten Beitrag betrachten wir den Forecasting-Workflow im Detail und zeigen, wie Unternehmen Daten und Expertenwissen systematisch zusammenführen und in einen strukturierten, effizienten Planungsprozess überführen können.

Disclaimer

In diesem Beitrag teilen wir ausgewählte Kernaussagen aus dem Buch "Demand Forecasting for Executives and Professionals" von Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen, ergänzt um unsere eigenen Überlegungen dazu, wie sich diese Ideen auf die Supply Chains der heutigen Fertigungsindustrie übertragen lassen. Dieser Beitrag ersetzt das Buch nicht, sondern soll als Denkanstoß und Diskussionsgrundlage dienen. Für eine vertiefte Auseinandersetzung empfehlen wir, das Buch selbst zu lesen - hier erhältlich.

FAQ

1. Kann ein Forecast „gut“ sein, auch wenn er sich im Nachhinein als völlig falsch herausstellt?

Ja. Ein Forecast kann trotz einer großen Abweichung von der tatsächlichen Nachfrage methodisch gut gewesen sein – vorausgesetzt, er hat die zum Zeitpunkt der Erstellung verfügbaren relevanten Informationen angemessen berücksichtigt. Die Qualität eines Forecasts bemisst sich daher nicht nur daran, wie nah er am tatsächlichen Ergebnis liegt, sondern auch an der Qualität des zugrunde liegenden Prozesses. Ein Forecast, der bekannte Signale ignoriert und nur zufällig richtig liegt, ist dagegen kein Zeichen für einen guten Forecasting-Prozess.

2. Wie lässt sich messen, ob der Forecasting-Prozess tatsächlich funktioniert?

Vergleichen Sie die Prognosegenauigkeit mit einer einfachen Baseline, beispielsweise einer naiven Prognose oder einem historischen Durchschnitt, anstatt den Forecast isoliert zu bewerten. Übertrifft der Prozess diese Baseline konsistent, schafft er einen messbaren Mehrwert. Ist das nicht der Fall, zahlt sich die zusätzliche Komplexität möglicherweise nicht aus. Ein solcher Benchmark berücksichtigt zugleich, dass sich manche Nachfragemuster grundsätzlich schwieriger prognostizieren lassen als andere.

3. Was ist der Unterschied zwischen einem Forecast und einer Zielvorgabe?

Ein Forecast ist eine möglichst objektive Einschätzung der zu erwartenden Nachfrage. Eine Zielvorgabe hingegen wird vom Unternehmen festgelegt, um die gewünschte Leistung zu definieren – beispielsweise als Vertriebsziel oder Budgetvorgabe. Probleme entstehen, wenn beides miteinander vermischt wird, etwa wenn ein Forecast angepasst wird, damit ein Ziel realistischer erscheint. Die klare Trennung von Forecast und Zielvorgabe ist daher eine wichtige Voraussetzung für eine hohe Prognosequalität.

4. Können Make-to-Order-Unternehmen auf eine formale Bedarfsprognose verzichten?

Nein. Auch reine Make-to-Order-Unternehmen sind auf Prognosen angewiesen, selbst wenn diese nicht immer explizit als solche bezeichnet werden. Rohmaterialien, Komponenten und Personalkapazitäten müssen häufig geplant werden, bevor konkrete Kundenaufträge vorliegen, da Beschaffungs- und Produktionsvorlaufzeiten länger sein können als die vom Kunden akzeptierte Lieferzeit. Die Nachfrage nach diesen Ressourcen wird also bereits implizit prognostiziert. Ein strukturierter Forecasting-Prozess macht diese Annahmen transparent und verlässlicher.

5. Sollte ein Unternehmen in neue Forecasting-Software investieren, bevor der Forecasting-Prozess optimiert wurde?

In der Regel sollte zunächst Klarheit über den Prozess geschaffen werden. Probleme beim Forecasting entstehen häufig durch unklare Verantwortlichkeiten, Datensilos oder unterschiedliche Zielsetzungen – und nicht allein durch fehlende Technologie. Eine spezialisierte Software kann anschließend helfen, einen guten Prozess zu standardisieren, zu automatisieren und über viele Produkte, Standorte und Teams hinweg zu skalieren. Einen unklaren oder schlecht aufgesetzten Prozess kann sie jedoch nicht allein beheben.

6. Warum werden Forecast-Meetings häufig zu Verhandlungen zwischen Vertrieb und Finance?

Das passiert vor allem dann, wenn Forecasts nicht als möglichst objektive Prognosen, sondern als Zielvorgaben oder Verhandlungsgrößen behandelt werden. Unterschiedliche Funktionen können dann Anreize haben, die Zahlen in eine bestimmte Richtung zu beeinflussen. Das Ergebnis ist weniger eine Prognose als ein ausgehandelter Kompromiss. Eine klare Trennung zwischen Forecast und Zielvorgabe sowie gemeinsam definierte Regeln für den Forecasting-Prozess können solche Interessenkonflikte deutlich reduzieren.