Leitfaden für Führungskräfte: Teil 4 – Die eigenen Daten verstehen

Forecast-Genauigkeit beginnt nicht mit Algorithmen, sie beginnt damit, die eigenen Daten zu verstehen.

Supply Chain Manager in Produktionsunternehmen suchen kontinuierlich nach leistungsfähigeren Prognosemodellen, um Nachfrage genauer vorherzusagen und die Planung zu verbessern. Doch wie uns Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen in Demand Forecasting for Executives and Professionals in Erinnerung rufen, ist die Grundlage jedes verlässlichen Forecasts nicht mathematische Komplexität, sondern Data Literacy - zu wissen, was die eigenen Zahlen wirklich abbilden.

Bevor wir die Zukunft prognostizieren können, müssen wir die Vergangenheit verstehen. Das bedeutet, Zeitreihendaten zu verstehen: was sie sind, was sie uns sagen und wo sie in die Irre führen können.

Zentrale Erkenntnisse aus dem Buch

1. Kennen Sie Ihre Zeitreihen‍

Eine Zeitreihe sind schlicht Daten, die über die Zeit gemessen werden: monatliche Verkäufe, tägliche Produktionsmenge oder stündliche Maschinenauslastung. Doch nicht alle Zeitreihen sind gleich. Führungskräfte sollten zuerst fragen:

• Was genau wird gemessen: Lieferungen, Verkäufe oder Nachfrage?
• Gibt es fehlende Perioden, Stockouts oder Anomalien?
• Wie weit reicht die Historie zurück, und wie relevant ist sie heute?

Ein wichtiger Praxistipp aus dem Buch ist die Unterscheidung zwischen dem, was tatsächlich verkauft wurde (Sales), und dem, was Kunden eigentlich haben wollten (Demand). Verkäufe bilden ab, was gekauft wurde; Nachfrage bildet ab, was Kunden kaufen wollen. Treten Fehlbestände oder Einschränkungen auf, unterschätzen die Verkäufe die tatsächliche Nachfrage, was Prognosen verfälscht und Produktionspläne aus dem Gleichgewicht bringt.

2. Mehr Daten sind meist besser ... sofern sie aussagekräftig sind

Führungskräfte verwerfen ältere Daten manchmal in der Annahme, sie seien nicht mehr relevant. Doch lange Zeitreihen erfassen wertvollen Kontext (von Marktzyklen bis zu außergewöhnlichen Störungen), der die Robustheit des Forecasts erhöhen kann. Modelle wie die Exponentielle Glättung können sich an aktuelle Veränderungen anpassen, ohne den Vorteil der langfristigen Perspektive zu verlieren. Historische Daten bilden nicht nur vergangene Entwicklungen ab, sondern liefern auch wichtige Erkenntnisse über Schwankungen und wiederkehrende Muster. Solange sich das Geschäft nicht grundlegend verändert hat, können sie dabei helfen, Dynamiken zu erkennen, die auch in Zukunft erneut auftreten können.

3. Muster erkennen: Level, Trend und Saisonalität‍

Jede Zeitreihe enthält drei strukturelle Komponenten:

• Level: die Basislinie, um die die Nachfrage schwankt
• Trend: ein langfristiger Anstieg oder Rückgang
• Saisonalität: wiederkehrende Zyklen, die an Zeit oder Ereignisse gebunden sind

Führungskräfte müssen die mathematischen Hintergründe nicht im Detail kennen, sollten aber sicherstellen, dass ihre Planungssoftware diese drei Komponenten aktiv berücksichtigt. Wer diese Muster ignoriert, macht aus eigentlich vorhersehbaren Zyklen unnötige Überraschungen. 

4. Dekomposition: erkennen, was Veränderungen wirklich treibt

Eine nützliche Management-Technik ist die Zeitreihen-Dekomposition: die Zerlegung eines Datensatzes in Trend, Saisonalität und Rest (Remainder). So lässt sich erkennen, welcher Teil der Nachfrageschwankung strukturell und welcher zufällig ist, und die Erkenntnisse lassen sich klar über alle Funktionen hinweg kommunizieren. In der Fertigung kann die Dekomposition offenlegen, ob Schwankungen marktgetrieben oder prozessbedingt sind - etwa indem sie echte Kundensaisonalität von internen Scheduling-Effekten trennt. Sobald die zugrunde liegenden Strukturen erkennbar sind, können Teams gezielt dort ansetzen, wo Volatilität den größten Einfluss hat.

5. Prognostizierbarkeit und Skalierung

Nicht jede Nachfrage ist gleich gut vorhersagbar. Produkte mit geringem Volumen oder stark sporadischer Nachfrage - typisch bei Ersatzteilen, kundenspezifischer Fertigung oder B2B mit Batchlieferungen - sind von Natur aus noisy. Aggregierte Daten sind dagegen tendenziell stabiler. Eine breitere Aggregation bedeutet oft höhere Zuverlässigkeit. Supply Chains können das nutzen, indem sie auf höheren Ebenen prognostizieren (Produktfamilien, Regionen, Komponenten) und die Differenzierung auf spätere Stufen verschieben. Ein klassisches Beispiel ist das Postponement im Produktdesign: die Fertigung standardisierter Baugruppen und die Individualisierung erst näher an der Nachfrage. Diese Strategie verlagert die Planung auf Ebenen, auf denen Forecasts stabiler sind, und balanciert so Genauigkeit und Flexibilität aus.

Die Perspektive von Quantics

Aus Sicht der Fertigungsindustrie gelten die im Buch dargelegten Prinzipien, ihre Anwendung ist in der Praxis jedoch oft vielschichtiger.

Erst das Ziel definieren, dann die Daten wählen

Es beginnt damit, den Informationsbedarf des Unternehmens zu klären. Was genau soll der Forecast unterstützen? Wenn das Ziel etwa darin besteht, die Outbound-Logistik zu planen, sind Lieferdaten möglicherweise der relevanteste Input.
Idealerweise würden Unternehmen jedoch die tatsächliche Nachfrage prognostizieren (das, was Kunden wirklich wollen) - doch diese kann oft nicht direkt oder zuverlässig erfasst werden, weshalb Verkaufsdaten häufig als Basis verwendet werden.

Zugleich ist es wichtig zu erkennen, dass weder Verkäufe noch Lieferungen ein reines Abbild der Nachfrage sind. Sie werden maßgeblich durch interne Prozesse beeinflusst, etwa Auftragsannahmeregeln, Lieferterminzusagen sowie Produktions- oder Kapazitätsbeschränkungen. Dadurch fließen vergangene operative Entscheidungen bereits in die Datengrundlage ein und können so auch zukünftige Forecasts beeinflussen. Unternehmen prognostizieren deshalb nicht nur die Nachfrage aus dem Markt - sie prognostizieren das Ergebnis ihrer eigenen Entscheidungen.

Die Herausforderung unregelmäßiger Nachfragemuster verstehen

Besonders deutlich wird diese Herausforderung in B2B-Produktionsunternehmen, in denen die Nachfrage häufig unregelmäßigen Mustern folgt. Kunden bestellen oftmals größere Mengen auf einmal, sodass sich auf SKU-Ebene längere Phasen ohne Nachfrage mit plötzlichen Nachfragespitzen abwechseln. Damit müssen Prognosen zwei Unsicherheiten berücksichtigen: wie viel nachgefragt wird und wann diese Nachfrage auftritt. Auf diesen granularen Ebenen, sind wiederkehrende Muster und aussagekräftige Signale zudem häufig nur schwach ausgeprägt. Dies erschwert eine zuverlässige Prognose und kann die Wirksamkeit klassischer Forecasting-Ansätze begrenzen.

Einige praktische Implikationen, die wir immer wieder beobachten:

• Die Datenauswahl ist kontextabhängig. Nachfrage, Verkäufe und Lieferungen erzählen jeweils eine andere Geschichte - seien Sie sich bewusst, welche Geschichte sie erzählen.
• Interne Prozesse prägen die Daten. Lieferterminzusagen, Zwischenwerksverkehr, Kapazitätsbeschränkungen und Planungsregeln beeinflussen direkt, was als "Verkauf" beobachtet wird.
• Sporadische Nachfrage ist die Norm, nicht die Ausnahme. Besonders im B2B Bereich erfordert Forecasting den Umgang mit Unsicherheit sowohl bei Menge als auch bei Zeitpunkt.
• Granulare Daten sind oft stark verrauscht (Noisy). Auf SKU-Ebene sind die Signale schwach, was es ohne zusätzliche Struktur schwierig macht, verlässliche Muster zu extrahieren.

Struktur nutzen: über Ebenen hinweg prognostizieren

Um das zu adressieren, setzt Quantics hierarchische Forecasting-Ansätze ein und nutzt Informationen über mehrere Aggregationsebenen hinweg, von Produktgruppen bis hinunter zu einzelnen SKUs. Indem man von stabileren Mustern auf höheren Ebenen lernt und sie mit granularen Daten abgleicht, lässt sich die Genauigkeit über die gesamte Hierarchie hinweg verbessern.

Genauigkeit neu denken: von Zielwert zum Value Added

In großen Produktionsunternehmen kann sich die Variabilität zwischen Geschäftsbereichen, Produktportfolios und Märkten erheblich unterscheiden. Wie gut sich Nachfrage prognostizieren lässt, hängt zudem stark von der gewählten Aggregationsebene und den Eigenschaften der zugrunde liegenden Daten ab. Einheitliche Zielwerte für die Prognosegenauigkeit über alle Bereiche und Produkte hinweg sind daher wenig zielführend.

Eine Prognosegenauigkeit, die für eine absatzstarke Produktlinie mit stabiler Nachfrage realistisch ist, kann bei Produkten mit geringem Absatzvolumen oder hohem Individualisierungsgrad unerreichbar sein. Sinnvoller ist es, Forecasts mit Baseline-Modellen zu vergleichen und zu messen, welchen zusätzlichen Wert – den Forecast Value Added – die eingesetzten Methoden tatsächlich liefern.

In der Praxis bedeutet das:

• Einheitliche Genauigkeitsziele vermeiden. Die Prognostizierbarkeit unterscheidet sich strukturell über Produkte und Geschäftsbereiche hinweg.
• Immer gegen eine Baseline benchmarken. Die Verbesserung zählt mehr als die absolute Genauigkeit.
• Value Added konsistent nachverfolgen. Das gilt nicht nur für Prognosemodelle, sondern auch für manuelle Anpassungen an der Prognose.
• Robustheit vor Komplexität priorisieren. Methoden müssen mit Rauschen, Strukturbrüchen und prozessbedingten Verzerrungen umgehen können.

Bei Quantics bringen wir Data Scientists und Supply-Chain-Experten zusammen, um Fertigungsunternehmen dabei zu helfen, diese Komplexität zu meistern. Unser Fokus liegt nicht nur auf der Automatisierung von Prozessen, sondern darauf, bessere Entscheidungen zu ermöglichen - indem wir Teams helfen, ihre Daten zu verstehen, Annahmen zu hinterfragen und zu quantifizieren, was wirklich einen Mehrwert schafft. So machen wir aus Forecasting statt einer technischen Übung einen praktischen Treiber für bessere Planung und widerstandsfähigere Supply Chains.

Praktische Handlungsempfehlungen

Führungskräfte können ihre Forecasting-Ergebnisse verbessern, indem sie:

• Mit der Business-Frage beginnen. Definieren Sie, ob Sie Nachfrage, Verkäufe oder Lieferungen prognostizieren müssen - und wählen Sie die Daten entsprechend.

• Nachfrage und tatsächliche Verkäufe unterscheiden. Stellen Sie sicher, dass klar ist, ob Ihre Daten die tatsächliche Kundennachfrage widerspiegeln oder realisierte Verkäufe, die durch Bestandsverfügbarkeit, Kapazitäten oder interne Prozesse begrenzt wurden.
• Verstehen, wie Prozesse die Daten prägen. Auftragsannahme, Kapazitätsbeschränkungen und Planungsregeln beeinflussen direkt, was Sie als Verkäufe erfassen und worauf die Prognose basiert.
• Historische Daten bewahren und nutzen. Lange Zeitreihen erhöhen die Robustheit und erfassen oft seltene, aber relevante Ereignisse.
• Datenqualität routinemäßig prüfen. Visualisieren und plausibilisieren Sie zentrale Zeitreihen, bevor Sie sich für Entscheidungen auf sie verlassen.
• Struktur in den Daten erkennen. Identifizieren Sie Level, Trend, Saisonalität und Rest (Remainder), um Forecasts korrekt zu interpretieren.
• Sporadische Nachfrage berücksichtigen. Rechnen Sie besonders im B2B Geschäft mit unregelmäßigen Nachfragemustern und Unsicherheit bei Zeitpunkt und Menge.
• Auf der richtigen Ebene prognostizieren. Nutzen Sie Aggregation, hierarchisches Forecasting oder Postponement, wo granulare Daten zu volatil sind.
• Value Added messen, nicht nur Genauigkeit. Benchmarken Sie gegen Baseline-Forecasts und vermeiden Sie einheitliche Ziele über sehr unterschiedliche Geschäftskontexte hinweg.
• Robustheit vor Komplexität priorisieren. Nutzen Sie Methoden, die zuverlässig mit Rauschen, Strukturbrüchen und prozessbedingten Verzerrungen umgehen.

Fazit

Gute Absatzprognosen entstehen nicht allein durch bessere Algorithmen, sondern vor allem durch ein fundiertes Verständnis der zugrunde liegenden Daten. Indem Führungskräfte in der produzierenden Industrie den Fokus auf Datenqualität, Datenstruktur und ein fundiertes Verständnis der Daten legen, wird Forecasting zu einer wertvollen Grundlage für bessere Entscheidungen.

In einer Welt voller Volatilität und Komplexität beginnt der Weg zu besseren Prognosen nicht mit mehr Algorithmen, sondern mit einem fundierten Verständnis der eigenen Daten. Bei Quantics verbinden wir umfassende Data-Science-Expertise mit langjähriger Erfahrung in der produzierenden Industrie. So unterstützen wir Teams dabei, Daten zu verstehen, zu harmonisieren und aufzubereiten – über komplexe ERP-Landschaften und unterschiedliche Systeme hinweg. Aus fragmentierten Daten entsteht so eine verlässliche Grundlage für präzisere Absatzprognosen und bessere Planungsentscheidungen.

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 bei der Bedarfsprognose der Unterschied zwischen Absatzdaten und Nachfragedaten?

Absatzdaten zeigen, was Kunden tatsächlich gekauft haben. Nachfragedaten zeigen, was sie kaufen wollten. Beide weichen voneinander ab, wenn beispielsweise ein Fehlbestand oder eine Kapazitätsgrenze verhindert, dass die tatsächliche Nachfrage vollständig bedient werden kann. Absatzdaten können die tatsächliche Nachfrage daher unterschätzen. Wer ausschließlich auf Basis historischer Absätze prognostiziert, läuft Gefahr, vergangene Lieferengpässe als normale Nachfrage abzubilden. Zu verstehen, welche Art von Nachfrage die eigenen Daten tatsächlich widerspiegeln, ist daher ein zentraler Bestandteil der Datenaufbereitung für die Bedarfsprognose.

2. Sollte man ältere historische Daten vor der Prognose löschen?

Nein, in den meisten Fällen lohnt es sich, ältere Daten aufzubewahren. Lange Zeitreihen können Marktzyklen und seltene Störungen abbilden, während Methoden wie die exponentielle Glättung aktuelleren Daten ein höheres Gewicht geben können. Eine Ausnahme besteht, wenn sich das Geschäft grundlegend verändert hat, beispielsweise nach der Veräußerung einer Produktlinie. In solchen Fällen bildet die ältere Historie das heutige Nachfrageverhalten möglicherweise nicht mehr sinnvoll ab.

3. Warum ist Forecasting speziell für B2B-Produktionsunternehmen so schwierig?

B2B-Nachfrage kann besonders schwierig zu prognostizieren sein, da Kunden häufig in größeren Mengen und unregelmäßigen Abständen bestellen. Dadurch können sich Perioden ohne Nachfrage mit plötzlichen Nachfragespitzen abwechseln, sodass sowohl die Bestellmenge als auch der Zeitpunkt unsicher sind. Auf SKU- oder Kunden-Produktebene können aussagekräftige Signale deshalb schwach ausgeprägt sein oder ganz fehlen. Prognosen über mehrere Aggregationsebenen hinweg mithilfe hierarchischer Methoden können dabei helfen, Muster zu erkennen, die bei einer isolierten Prognose einzelner Artikel möglicherweise nicht sichtbar werden.

4. Ist es sinnvoll, für alle Produkte dasselbe Ziel für die Prognosegenauigkeit festzulegen?

Nein. Einheitliche Zielwerte für die Prognosegenauigkeit können irreführend sein, da sich Produkte strukturell in ihrer Prognostizierbarkeit unterscheiden. Ein absatzstarkes Produkt mit stabiler Nachfrage kann eine Prognosegenauigkeit erreichen, die bei einem Produkt mit geringem Absatz oder stark kundenspezifischer Nachfrage unabhängig von der Methode nicht realistisch wäre. Sinnvoller ist es, jeden Forecast mit einer einfachen Basisprognose zu vergleichen und den dadurch erzielten Mehrwert zu messen, anstatt für alle Produkte denselben Zielwert vorzugeben.

5. Was ist die Zerlegung von Zeitreihen und warum ist sie für die Planung wichtig?

Bei der Zerlegung einer Zeitreihe werden Nachfragedaten in Komponenten wie Trend, Saisonalität und eine Restkomponente aufgeteilt, die nicht durch diese Muster erklärte Schwankungen umfasst. Dadurch lassen sich strukturelle Muster besser von nicht erklärten Schwankungen unterscheiden und Planungsteams können vermeiden, auf zufällige Veränderungen überzureagieren. In Produktionsunternehmen kann die Zeitreihenzerlegung zudem helfen, saisonale Nachfragemuster von Kunden und andere wiederkehrende Strukturen in historischen Daten zu erkennen.

6. Lässt sich die Prognosegenauigkeit verbessern, ohne das Prognosemodell zu ändern?

Ja. Häufig entstehen erhebliche Verbesserungen durch bessere Daten und nicht durch komplexere Modelle. Eine saubere Erfassung der Nachfrage, die Unterscheidung zwischen tatsächlicher Nachfrage und durch Verfügbarkeits- oder Kapazitätsengpässe begrenztem Absatz, der Erhalt relevanter historischer Daten und die Wahl der richtigen Aggregationsebene können die Prognosegenauigkeit verbessern, ohne das Modell selbst zu verändern. Wie der Artikel verdeutlicht: Die eigenen Daten richtig zu verstehen, bringt häufig mehr als zusätzliche Algorithmen.

‍

‍