Leitfaden für Führungskräfte: Teil 2 – Den Prognoseprozess erfolgreich gestalten

Viele Führungskräfte erleben Forecasting als „Black Box“: Daten fließen hinein, Modelle erzeugen Prognosen und Reports werden verteilt – doch der Prozess ist häufig nicht konsequent auf die Geschäftsentscheidungen ausgerichtet, die er unterstützen soll. Ohne einen klaren Rahmen besteht die Gefahr, dass Bedarfsprognosen auf der falschen Detailebene, in der falschen Frequenz oder für den falschen Zweck erstellt werden.

In Demand Forecasting for Executives and Professionals betonen Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen, dass Forecasting nicht bei Daten oder Algorithmen beginnen sollte, sondern bei den Entscheidungen, die einen Forecast erfordern. Darauf aufbauend sorgt ein strukturierter Workflow dafür, dass Prognosen relevant, nachvollziehbar und auf den jeweiligen Entscheidungsbedarf zugeschnitten sind.

Zentrale Erkenntnisse aus dem Buch

Die Autoren verstehen Forecasting als iterativen Prozess und nicht als einmalige Berechnung. Die einzelnen Schritte bauen aufeinander auf und stellen sicher, dass Prognosen gezielt die relevanten Geschäftsentscheidungen unterstützen:

1. Entscheidung identifizieren. Forecasts schaffen keinen Wert für sich allein. Ihr Nutzen entsteht dadurch, dass sie strategische, taktische oder operative Entscheidungen unterstützen.
2. Anforderungen definieren. Prognosehorizont, Aktualisierungsfrequenz und Detaillierungsgrad sollten sich an der jeweiligen Entscheidung orientieren. Für die Gestaltung eines Produktionsnetzwerks kann beispielsweise ein Marktforecast über fünf Jahre erforderlich sein, während die Nachschubplanung tägliche Prognosen auf SKU-Ebene benötigt.
3. Relevante Daten zusammenführen. Neben historischen Nachfragedaten können externe und interne Einflussfaktoren einbezogen werden – von bekannten Größen wie Promotionen oder Feiertagen bis zu unsicheren Faktoren wie dem Wetter. Auch Expertenwissen kann wertvollen zusätzlichen Kontext liefern.
4. Daten aufbereiten. Daten bereinigen und strukturieren, Fehler korrigieren, fehlende Werte behandeln und eine konsistente Datengrundlage schaffen.
5. Daten visualisieren und verstehen. Grafische Analysen helfen dabei, Trends, Saisonalitäten, Ausreißer und andere Muster zu erkennen, die für die Modellwahl und Interpretation relevant sind.
6. Modelle auswählen und trainieren. Geeignete Methoden für die jeweilige Prognoseaufgabe auswählen, verschiedene Modelle vergleichen und dabei Prognosegenauigkeit und Interpretierbarkeit berücksichtigen.
7. Forecasts erstellen. Prognosen für den benötigten Horizont erzeugen – als Punktprognosen, Prognoseintervalle oder vollständige Wahrscheinlichkeitsverteilungen. Kausale Modelle können zusätzlich relevante Einflussfaktoren mit bekannten oder selbst prognostizierten zukünftigen Werten berücksichtigen.
8. Prognosequalität bewerten. Nicht nur die Genauigkeit messen, sondern auch prüfen, wie relevant, zeitnah und nutzbar die Prognosen für die jeweilige Entscheidung sind.
9. Ergebnisse verständlich kommunizieren. Nicht nur einzelne Prognosewerte präsentieren, sondern auch die damit verbundene Unsicherheit sichtbar machen – beispielsweise durch Prognoseintervalle, Wahrscheinlichkeitsverteilungen oder Szenarien.
10. Expertenwissen gezielt einbeziehen. Forecasts können angepasst werden, wenn relevante neue Informationen vorliegen. Solche Eingriffe sollten jedoch dokumentiert und ihre Auswirkungen gemessen werden, um zu erkennen, welche Anpassungen tatsächlich einen Mehrwert schaffen.

Eine zentrale Botschaft des Buchs lautet: Ein konsequent angewandter Forecasting-Prozess ist wichtiger als die Komplexität einzelner Methoden. Ohne einen klaren Workflow besteht die Gefahr, dass selbst gute Prognosemodelle Ergebnisse liefern, die nicht zu den Entscheidungen passen, die sie eigentlich unterstützen sollen.

Die Perspektive von Quantics

Forecasting ist ein iterativer Prozess und keine einmalige Berechnung. Aus unserer Sicht bei Quantics sind dabei zwei Aspekte besonders entscheidend: ein fundiertes initiales Setup und ein strukturierter Prozess zur kontinuierlichen Verbesserung.

1. Das richtige Forecast-Setup schaffen

Am Anfang steht nicht das Prognosemodell, sondern die geschäftliche Entscheidung, die der Forecast unterstützen soll. Daraus leiten sich zentrale Anforderungen ab: Welcher Prognosehorizont wird benötigt? Auf welcher Aggregationsebene? In welchen Zeitintervallen und Mengeneinheiten? Wie häufig muss der Forecast aktualisiert werden?

Gerade in Produktionsunternehmen ist diese Abstimmung entscheidend. Demand Forecasts bilden die Grundlage für zahlreiche Entscheidungen und werden von unterschiedlichen Funktionen genutzt – von Produktions- und Bestandsplanung über Einkauf und Logistik bis hin zu Finance. Ein guter Forecast muss daher die Anforderungen der relevanten Stakeholder berücksichtigen und gleichzeitig eine gemeinsame Planungsgrundlage schaffen.

Auf dieser Basis gilt es, die verfügbaren Daten systematisch zu prüfen: Welche historischen Daten stehen zur Verfügung? Welche zusätzlichen internen oder externen Einflussfaktoren können einen Mehrwert liefern? Wie müssen die Daten bereinigt, strukturiert und visualisiert werden? Erst danach sollten geeignete Prognosemethoden ausgewählt, trainiert und auf die konkrete Aufgabenstellung abgestimmt werden.

Auch die Bewertung der Prognosequalität sollte nicht auf einer einzelnen Kennzahl beruhen. Ein Modell kann beispielsweise einen niedrigeren WMAPE erzielen und gleichzeitig einen starken systematischen negativen Bias aufweisen. Deshalb sollten Bias und relevante Fehlermetriken wie WMAPE gemeinsam betrachtet werden – über unterschiedliche Prognosehorizonte, Zeitintervalle und Aggregationsebenen hinweg.

Ebenso wichtig ist ein aussagekräftiger Benchmark. Fortgeschrittene Methoden sollten zeigen, welchen Forecast Value Added sie gegenüber einer einfachen Baseline tatsächlich liefern. Idealerweise wird dies nicht anhand eines einzelnen Testzeitraums beurteilt, sondern über mehrere rollierende Forecasts hinweg. So lässt sich prüfen, ob ein Ansatz Benchmarks konsistent übertrifft und auch bei schwer prognostizierbaren Nachfragemustern robuste Ergebnisse liefert – eine besonders relevante Anforderung im B2B-Umfeld der produzierenden Industrie.

2. Einen Prozess für kontinuierliche Verbesserung etablieren

Ein gutes initiales Setup allein reicht nicht aus. Forecasting muss als kontinuierlicher, kollaborativer Prozess etabliert werden, in dem neue Informationen aufgenommen, Annahmen überprüft und Ergebnisse laufend verbessert werden.

Idealerweise erstellt das System zunächst einen statistischen Baseline-Forecast. Planungsteams können diesen anschließend um relevante Informationen und Geschäftskontext ergänzen, Risiken bewerten und unterschiedliche Szenarien betrachten. Manuelle Anpassungen sollten dabei transparent dokumentiert und ihre Auswirkungen messbar gemacht werden. So lässt sich nachvollziehen, welche Prozessschritte und zusätzlichen Informationen tatsächlich einen Mehrwert für den Forecast schaffen.

Ebenso wichtig ist die Möglichkeit, Prognosen und ihre Auswirkungen auf unterschiedlichen Ebenen zu betrachten – von einzelnen Demand Forecasting Units (DFUs) über Werke und Produktgruppen bis hin zur Gesamtunternehmensebene. Geeignete Visualisierungen und Reports helfen dabei, Zusammenhänge und Unsicherheiten besser zu verstehen und daraus fundierte Planungsentscheidungen abzuleiten.

Gerade in großen Produktionsunternehmen mit verteilten Teams wird Forecasting damit auch zu einer Frage der Prozesskoordination und Governance. Forecast-Updates müssen abgestimmt, zusätzliche Informationen strukturiert eingebracht und Verantwortlichkeiten klar definiert werden.

Forecasting als kontinuierlicher Planungsprozess

Quantics ist insbesondere auf die Anforderungen großer Produktionsunternehmen ausgerichtet, die teilweise oder vollständig im B2B-Umfeld tätig sind. Die Lösung unterstützt dabei nicht nur die Erstellung von Forecasts, sondern den gesamten Prozess: Forecast-Updates über verteilte Teams koordinieren, zusätzliche Informationen und Szenarien einbeziehen, den Value Added einzelner Prozessschritte messen und Forecasts über unterschiedliche Planungsebenen hinweg transparent machen.

So entsteht ein kontinuierlicher Verbesserungsprozess, der eine klare Prozessdisziplin unterstützt und gleichzeitig Raum für relevantes Expertenwissen schafft. Entscheidend ist letztlich nicht nur, einen möglichst guten Forecast zu erstellen, sondern einen Forecasting-Prozess aufzubauen, der dauerhaft bessere Planungsentscheidungen ermöglicht.

Praktische Handlungsempfehlungen

Führungskräfte können die Wirksamkeit ihrer Bedarfsprognose verbessern, indem sie:

• Mit Entscheidungen beginnen. Definieren, welche Entscheidung der Forecast informieren soll, bevor Modelle oder Daten gewählt werden.
• Auf die Entscheidungsebene zuschneiden. Horizont und Granularität an strategische, taktische oder operative Bedürfnisse anpassen.
• Vielfältige Inputs integrieren. Historische Daten mit Prädiktoren und Experteneinschätzung verbinden.
• Unsicherheit kommunizieren. Bandbreiten und Szenarien darstellen, nicht nur einzelne Zahlen.
• Anpassungen dokumentieren. Manuelle Overrides nachverfolgen, um zu erkennen, was wirklich Mehrwert schafft.
• Funktionen in einem Workflow ausrichten. Sicherstellen, dass Vertrieb, Operations und Finance mit einem gemeinsamen Prozess arbeiten.
• Dedizierte Software nutzen. Spezielle Plattformen wie Quantics erzwingen Workflow-Disziplin, automatisieren manuelle Schritte und skalieren Demand Planning über komplexe Organisationen hinweg.

Fazit

Forecasts entfalten ihren Wert erst dann, wenn sie in einen klaren Prozess eingebettet sind und konkrete Entscheidungen unterstützen. Ein strukturierter Forecasting-Prozess stellt sicher, dass Prognosen direkt mit Planungsentscheidungen verknüpft sind, für alle beteiligten Teams nachvollziehbar bleiben und kontinuierlich verbessert werden. Für Produktionsunternehmen reduziert dies interne Abstimmungskonflikte, schafft Vertrauen in die Planung und stärkt die Resilienz entlang der gesamten Supply Chain.

Im nächsten Beitrag beschäftigen wir uns damit, wie Unternehmen mit Unsicherheit umgehen und bessere Entscheidungen unter Risiko treffen können – und wie Forecasts dabei helfen, Kosten, Servicelevel und Resilienz gezielt auszubalancieren.

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. Müssen alle Forecasts den gleichen Detaillierungsgrad haben?

Nein. Der richtige Detaillierungsgrad hängt davon ab, welche Entscheidung der Forecast unterstützen soll. Alle Prognosen auf derselben granularen Ebene zu erstellen, verursacht unnötigen Aufwand, wenn diese Detailtiefe nicht benötigt wird, und kann zu ungenauen Ergebnissen führen. Prognosehorizont und Detaillierungsgrad sollten sich daher an der jeweiligen Entscheidung orientieren – nicht umgekehrt.

2. Was ist der Unterschied zwischen strategischen, taktischen und operativen Forecasts?

Strategische Absatzprognosen unterstützen langfristige Entscheidungen wie Netzwerkgestaltung oder Kapazitätsinvestitionen und betrachten typischerweise mehrere Jahre auf einer aggregierten Ebene. Taktische Forecasts dienen mittelfristigen Entscheidungen, etwa der Personal- und Kapazitätsplanung, meist über mehrere Monate und auf Produktgruppenebene. Operative Forecasts unterstützen tägliche oder wöchentliche Entscheidungen wie Nachschub und Produktionsplanung auf granularer SKU- oder Standortebene. Jede Ebene erfordert einen passenden Prognosehorizont, eine geeignete Aktualisierungsfrequenz und entsprechende Daten.

3. Wer sollte für den Forecasting-Prozess verantwortlich sein: Vertrieb, Supply Chain oder Finance?

Keine einzelne Funktion sollte den Prozess allein verantworten. Forecasting funktioniert am besten als bereichsübergreifender Prozess mit klar definierten Verantwortlichkeiten, häufig koordiniert durch Supply Chain oder Demand Planning. Der Vertrieb bringt Markt- und Kundenwissen ein, Finance den Budget- und Umsatzkontext und Operations Informationen zu Kapazitäten und Restriktionen. Ohne einen gemeinsamen Prozess entstehen schnell unterschiedliche Forecasts in den einzelnen Bereichen – genau diese fehlende Abstimmung soll ein strukturierter Forecasting-Prozess vermeiden.

4. Lässt sich ein strukturierter Forecasting-Prozess in Excel abbilden oder braucht man eine spezielle Software?

Ja. Für eine begrenzte Anzahl von Produkten oder einen einzelnen Geschäftsbereich kann Excel einen strukturierten Forecasting-Prozess unterstützen. Bei vielen SKUs, Standorten oder Geschäftsbereichen sowie beim Vergleich verschiedener Prognosemethoden und der Abstimmung von Forecasts über mehrere Ebenen hinweg stößt der manuelle Ansatz jedoch schnell an Grenzen. In dieser Größenordnung können spezialisierte Forecasting-Lösungen den Prozess standardisieren und automatisieren, ohne ihn in jedem Planungszyklus manuell neu aufsetzen zu müssen.

‍