Leitfaden für Führungskräfte: Teil 3 – Entscheidungen unter Unsicherheit treffen

Absatzprognosen dienen nicht nur dazu, die zukünftige Nachfrage vorherzusagen – sie schaffen vor allem eine Grundlage für fundierte Entscheidungen unter Unsicherheit. Produktionsunternehmen stehen täglich vor der Frage, wie viel produziert und bevorratet werden soll und wann dafür Ressourcen und Kapazitäten gebunden werden müssen.

In Demand Forecasting for Executives and Professionals zeigen Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen, wie Unternehmen mithilfe von probabilistischem Denken und Prognoseverteilungen fundiert mit Unsicherheit umgehen können. Ziel ist es nicht, Unsicherheit zu eliminieren, sondern sie besser zu verstehen, zu quantifizieren und gezielt in Entscheidungen einzubeziehen.

Erkenntnisse aus dem Buch

Die Botschaft der Autoren ist einfach: Ein Forecast ist kein Plan. Er ist ein Input, der Entscheidungen unter Unsicherheit unterstützt, sie aber nicht ersetzt. Diese Unterscheidung ist besonders für Führungskräfte in der produzierenden Industrie relevant, die Effizienz und Resilienz in ein ausgewogenes Verhältnis bringen müssen.

(Wer tiefer in die technischen und statistischen Grundlagen einsteigen möchte – etwa in die Berechnung von Prognoseintervallen und Servicegraden – findet in Kapitel 3 des Buchs eine ausführliche und verständliche Erläuterung.)

1. Forecasts unterstützen Entscheidungen, sie ersetzen sie nicht. Eine Absatzprognose ist eine fundierte Einschätzung der zukünftigen Nachfrage. Sie dient als Grundlage für Entscheidungen über Produktionsmengen, Bestandsziele oder Kapazitäten, gibt diese jedoch nicht vor. Werden Forecasts mit Zielvorgaben oder Budgets vermischt, können Fehlanreize entstehen und Planungsentscheidungen verzerrt werden.
2. Unsicherheit ist messbar, nicht vermeidbar. Statt vorzugeben, eine einzelne Zahl könne die Zukunft abbilden, sollten Führungskräfte Unsicherheit explizit kommunizieren - über Prognoseintervalle oder Wahrscheinlichkeitsverteilungen. Diese Werkzeuge quantifizieren die Bandbreite wahrscheinlicher Ergebnisse und ermöglichen eine bessere Vorbereitung auf Risiken.
3. Urteilsvermögen und Algorithmen ergänzen sich. Nur wenige Unternehmen verlassen sich ausschließlich auf Modelle oder allein auf Intuition. In der Praxis verbindet Forecasting beides: strukturierte statistische Methoden mit menschlichen Einsichten aus Vertrieb, Operations und Finance. Die Herausforderung liegt darin, zu bestimmen, wo menschliches Urteilsvermögen Mehrwert schafft und wo es Bias einbringt.
4. Die eigentliche Entscheidungsvariable: der Servicegrad. Das "Bagel-Bäcker"-Beispiel des Buchs veranschaulicht den Kern operativer Entscheidungen unter Unsicherheit. Ein Punkt-Forecast (sagen wir 500 Bagels) gibt eine 50-prozentige Chance, die Nachfrage zu decken - das ist oft nicht akzeptabel. Führungskräfte müssen ihren Ziel-Servicegrad festlegen und dabei die Kosten von Fehlmengen gegen die Kosten von Überbestand abwägen. Der optimale Servicegrad liegt dort, wo sich diese Kosten die Waage halten.
5. Forecast-Qualität ist eine empirische Frage. Ob eine Forecasting-Methode "gut" oder "schlecht" ist, ist keine Frage der Meinung, sondern des empirischen Vergleichs. Schneidet eine Methode durchgehend schlechter ab als Alternativen, funktioniert sie nicht. Dasselbe Prinzip gilt für Management-Entscheidungen: messen, vergleichen, anpassen.

Letztlich ermutigen die Autoren dazu, Forecasting als strukturiertes Gespräch über Unsicherheit zu verstehen - nicht als Wettstreit um die "richtige Zahl".

Die Perspektive von Quantics

In der Fertigungsindustrie ist Unsicherheit der ständige Begleiter jeder Planungsentscheidung. Von Schwankungen bei Lieferzeiten bis zu volatiler Kundennachfrage: Kein Forecast kann perfekt sein - aber Unternehmen können trotz Unsicherheit bessere Entscheidungen treffen.

In der Praxis liegt die Herausforderung nicht in fehlenden Daten. Sie liegt darin, wie Unternehmen Forecasts innerhalb ihrer bestehenden Entscheidungsstrukturen nutzen. Viele Teams planen weiterhin mit Punkt-Forecasts - nicht weil sie Unsicherheit ablehnen, sondern weil ihre Prozesse, Systeme und KPIs auf Erwartungen mit einer einzelnen Zahl aufgebaut sind. Das ist vertraut, messbar und fest im Tagesgeschäft der Planung verankert.

Bei Quantics sind wir uns dieser Realität bewusst. Während die akademische Literatur oft dafür plädiert, Punkt-Forecasts vollständig durch Vorhersageverteilungen zu ersetzen, bewegt sich die operative Praxis anders. Entscheidend ist vor allem, wie Unternehmen Unsicherheit interpretieren und darauf reagieren - nicht allein das Format.

Unsere Rolle ist es, Unternehmen zu helfen, diese beiden Welten zu verbinden. Quantics unterstützt sowohl Punkt- als auch probabilistische Forecasts und ermöglicht so eine schrittweise Weiterentwicklung statt eines abrupten Umbruchs. Für manche Kunden besteht der Ausgangspunkt darin, die Bewertung und Interpretation der Prognosegenauigkeit zu verbessern. Für andere bedeutet es, Bandbreiten und Wahrscheinlichkeitsverteilungen in bestehende Planungsprozesse einzuführen.

Ein Wandel der Planungsprozesse braucht Zeit. Für Teams, die an einen Forecast mit einer einzelnen Zahl gewöhnt sind, kann probabilistisches Denken zunächst abstrakt wirken. Entscheidend ist, Bandbreiten in praktische Entscheidungssignale zu übersetzen.

Zum Beispiel: Ein Vertriebsmitarbeiter passt die Absatzprognose manuell an. Liegt der neue Wert außerhalb des erwarteten Prognoseintervalls, sollte dies für das Planungsteam ein Warnsignal sein und eine gezielte Prüfung auslösen: Basiert die Anpassung auf relevanten neuen Informationen oder handelt es sich lediglich um zusätzliches Rauschen?

Quantics Lösung ermöglicht diese Weiterentwicklung, indem sie Unsicherheit in jede Stufe von Forecasting und Planung einbettet:

• Punkt- und probabilistische Forecasts gemeinsam. Probabilistische Forecasts erweitern klassische Punkt-Forecasts, statt sie zu ersetzen. Fertigungsunternehmen können beide Ansätze nutzen - abhängig von der Reife ihrer Planungsprozesse und davon, wie sie Unsicherheit in Entscheidungen einbeziehen. Diese Flexibilität erlaubt es Teams, weiterhin mit vertrauten Planungs-Frameworks zu arbeiten, während sie schrittweise reichhaltigere Informationen zur Nachfragevariabilität einführen.
• Mehr Kontext für Nachfragesignale. Gutes Forecasting verbindet unterschiedliche Informationsquellen – von Kundenforecasts und Rahmenverträgen über Kapazitätsgrenzen bis hin zu externen Faktoren wie Feiertagen, Marktentwicklungen, Rohstoffpreisen oder Wetterdaten. Zusammen liefern diese Signale ein umfassenderes Bild der Nachfrage und der damit verbundenen Unsicherheit.
• Szenariobasierte Planung. Neben der Betrachtung verschiedener Szenarien können Planer das Risiko der prognostizierten Nachfrage gezielt bewerten – etwa als niedrig, mittel oder hoch. So lassen sich Prognosebandbreiten leichter in konkrete Planungsentscheidungen übersetzen und Situationen priorisieren, die besondere Aufmerksamkeit oder Gegenmaßnahmen erfordern.
• Transparente Overrides und Nachvollziehbarkeit. Passen Planer Forecasts an, werden diese Overrides gemeinsam mit ihrer Begründung protokolliert. Mit der Zeit entsteht so eine wertvolle Feedback-Schleife, die zeigt, welche menschlichen Eingriffe die Forecast-Ergebnisse verbessern und welche Rauschen erzeugen.
• Funktionsübergreifende Abstimmung. Finance-, Vertriebs- und Supply-Chain-Teams arbeiten mit derselben konsistenten Sicht auf die Nachfrage. Diese gemeinsame Perspektive macht aus Forecasting statt einer isolierten Silo-Übung einen koordinierten Entscheidungsrahmen für das gesamte Unternehmen.
• Ergebnis-Tracking und kontinuierliches Lernen. Der Forecast Value Added lässt sich in jeder Stufe des Forecasting-Prozesses nachverfolgen. So können Unternehmen laufend bewerten, welche Modelle, Anpassungen oder Inputs die Entscheidungsqualität verbessern - und welche Schritte nur Komplexität hinzufügen, ohne die Ergebnisse zu verbessern.

Für Führungskräfte in der produzierenden Industrie liegt der eigentliche Vorteil nicht darin, Unsicherheit zu eliminieren, sondern sie zu operationalisieren - statistische Erkenntnisse in disziplinierte, evidenzbasierte Geschäftsentscheidungen zu verwandeln.

Praktische Handlungsempfehlungen

Führungskräfte können Entscheidungen unter Unsicherheit verbessern, indem sie:

• Forecasts von Entscheidungen trennen. Behandeln Sie den Forecast als Input, nicht als letztes Wort.
• Unsicherheit kommunizieren. Nutzen Sie wo möglich Szenarien und Bandbreiten, um Punkt-Forecasts mit Kontext zu versehen und Teams zu helfen, Risiko zu interpretieren und fundierter zu entscheiden.
• Kosten und Servicegrad ausbalancieren. Definieren Sie Servicegrade explizit anhand der Kostenlogik von Überbestand und Fehlmengen.
• Urteilsvermögen verantwortungsvoll einbinden. Ermöglichen Sie Experten-Overrides, aber dokumentieren und analysieren Sie diese.
• Den Mehrwert von Forecasting-Methoden messen. Prüfen Sie kontinuierlich, welchen zusätzlichen Prognosewert einzelne Methoden  liefern, und setzen Sie gezielt auf Ansätze mit nachweisbarem Value Added.
• Forecasting-Workflows an Entscheidungen ausrichten. Stellen Sie Forecasts so bereit, dass sie konkrete Planungsentscheidungen unterstützen – statt lediglich dem Reporting zu dienen.

Fazit

Jede Entscheidung in Produktionsunternehmen ist mit Unsicherheit verbunden - von der Produktion über den Bestand bis zum Kundenservice. Das Ziel von Forecasting ist nicht, Unsicherheit zu eliminieren, sondern sie sichtbar und steuerbar zu machen.

Das Buch zeigt, warum es sinnvoll ist, über reine Punktprognosen hinauszugehen und die damit verbundene Unsicherheit systematisch zu berücksichtigen. In der Praxis arbeiten viele Produktionsunternehmen jedoch weiterhin überwiegend mit Punktprognosen. Das ist ein etablierter Ausgangspunkt – entscheidend ist, die dahinterliegende Unsicherheit nicht zu ignorieren. Idealerweise werden Punktprognosen schrittweise um probabilistische Prognosen ergänzt, um Risiken besser abzubilden und fundiertere Planungsentscheidungen zu ermöglichen.

Entscheidend für den Reifegrad von Prognose- und Planungsprozessen ist aus unserer Sicht nicht die algorithmische Komplexität, sondern wie wirkungsvoll Unternehmen Prognosen und die damit verbundene Unsicherheit für ihre Planungsentscheidungen nutzen.

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. Was ist der Unterschied zwischen einer Punktprognose und einer probabilistischen Prognose?

Eine Punktprognose liefert einen einzelnen erwarteten Wert, beispielsweise „500 Einheiten im nächsten Monat“. Eine probabilistische Prognose hingegen bildet eine Bandbreite möglicher Ergebnisse und deren Wahrscheinlichkeiten ab, etwa in Form eines Prognoseintervalls oder einer vollständigen Wahrscheinlichkeitsverteilung. Punktprognosen sind einfacher und vertrauter, verbergen jedoch die Unsicherheit hinter dem prognostizierten Wert. Probabilistische Prognosen machen diese Unsicherheit explizit sichtbar – besonders relevant für Entscheidungen über Sicherheitsbestände oder Servicelevel.

2. Sollten Unternehmen Punktprognosen vollständig durch probabilistische Prognosen ersetzen?

Nein, die meisten Produktionsunternehmen müssen Punktprognosen nicht vollständig ersetzen. Viele Planungssysteme, KPIs und Prozesse basieren auf einzelnen Prognosewerten. Ein pragmatischer Ansatz besteht darin, Punktprognosen weiterhin dort einzusetzen, wo sie benötigt werden, und sie schrittweise um Prognoseintervalle und Wahrscheinlichkeitsschwellen für Entscheidungen zu ergänzen, bei denen Unsicherheit und Risiko eine wichtige Rolle spielen.

3. Wie bestimmt man das richtige Servicelevel für die Bestandsplanung?

Das richtige Servicelevel hängt von der Abwägung zwischen den Kosten eines Fehlbestands und den Kosten überschüssiger Bestände ab – statt von einem pauschalen Ziel wie „95 % für alle Produkte“. Bei Produkten mit hohen Fehlbestandskosten kann ein höheres Servicelevel sinnvoll sein, während bei hohen Kosten für überschüssige Bestände ein niedrigeres Servicelevel angemessen sein kann. Servicelevel auf Basis der relevanten Kostenabwägungen und geschäftlichen Anforderungen festzulegen, führt zu aussagekräftigeren Zielwerten als ein einheitlicher Wert für das gesamte Unternehmen.

4. Ist es problematisch, wenn eine manuelle Prognoseanpassung außerhalb des prognostizierten Bereichs liegt?

Nein, nicht automatisch. Liegt eine manuelle Anpassung außerhalb des Prognoseintervalls, ist dies zunächst ein Signal, die Änderung genauer zu prüfen – kein Beweis dafür, dass sie falsch ist. Es sollte überprüft werden, ob die Anpassung auf tatsächlich neuen Informationen basiert, beispielsweise einem bestätigten Auftrag, oder lediglich zusätzliches Rauschen in den Forecast einbringt. Wird die Abweichung als Anlass zur Überprüfung statt als automatisches Ausschlusskriterium genutzt, bleibt wertvolles Expertenwissen im Prozess erhalten, ohne mögliche Verzerrungen unkontrolliert zu übernehmen.

5. Kann Szenarioplanung probabilistische Prognosen ersetzen?

Nein, beide Ansätze erfüllen unterschiedliche Aufgaben und können sich sinnvoll ergänzen. Bei der Szenarioplanung werden einige klar definierte mögliche Zukunftsszenarien betrachtet, beispielsweise eine Lieferunterbrechung oder ein starker Nachfrageanstieg, damit Teams konkrete Reaktionen vorbereiten können. Probabilistische Prognosen quantifizieren dagegen die Unsicherheit möglicher Ergebnisse und unterstützen damit beispielsweise Entscheidungen über Bestandsziele. Szenarien helfen Teams, sich auf bestimmte Risiken vorzubereiten, während probabilistische Prognosen die Unsicherheit in der laufenden Planung messbar machen.

6. Kann ein Unternehmen Punktprognosen und probabilistische Prognosen gleichzeitig einsetzen?

Ja. Punktprognosen können weiterhin bestehende Planungsprozesse und Berichte unterstützen, während probabilistische Prognosebereiche ergänzend für bestimmte Entscheidungen eingesetzt werden – etwa zur Festlegung von Sicherheitsbeständen oder zur Identifikation ungewöhnlicher manueller Anpassungen. Die Bedarfsprognose von Quantics unterstützt beide Formate parallel. So können Teams probabilistisches Denken schrittweise in ihre Planung integrieren, anstatt ihre bestehenden Prozesse auf einmal umzustellen.