Leitfaden für Führungskräfte: Teil 5 – Methoden der Absatzprognose

Früher oder später stellt sich jedem Fertigungsunternehmen dieselbe Frage:

Welche Forecasting-Methode sollten wir verwenden?

Sollten wir auf den einfachen Durchschnitt vertrauen, statistische Modelle einsetzen oder KI nutzen? Die Suche nach der "richtigen" Technik überschattet oft eine praktischere Wahrheit: Die beste Methode hängt vom jeweiligen geschäftlichen Kontext ab.

In Buch Demand Forecasting for Executives and Professionals widmen Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen dieser Frage mehrere Kapitel. Sie zeichnen die Entwicklung der Forecasting-Methoden nach - von einfachen Faustregeln bis zu formalen statistischen Modellen wie der Exponentiellen Glättung und ARIMA.

Daraus ergibt sich kein Wettstreit zwischen den Methoden, sondern ein Kontinuum an Leistungsfähigkeit. Jeder Ansatz hat seinen Zweck: Einfache Methoden schaffen Klarheit, statistische Modelle bringen Präzision, und KI sorgt für Anpassungsfähigkeit. Die eigentliche Kunst liegt darin, zu wissen, wann welche Methode im eigenen Planungsprozess ihren Platz hat.

Zentrale Erkenntnisse aus dem Buch

• Einfache Methoden bleiben wirkungsvolle Baselines für Genauigkeit und Vertrauen.
• Exponentielle Glättung verbindet Anpassungsfähigkeit mit Stabilität und liefert dabei hohe Genauigkeit.
• ARIMA bringt Struktur und analytische Tiefe in Zeitreihendaten.
• Fortschritt im Forecasting entsteht durch das Schichten von Methoden, nicht durch deren Ersetzen.
• Forecasting-Reife entsteht durch Weiterentwicklung, nicht durch Ablösung. Jede Methode fügt eine weitere Ebene an Raffinesse hinzu, ohne die Einfachheit zu verlieren, die gutes Urteilsvermögen erst ermöglicht.

Einfache Forecasts: unkompliziert und oft effizient

Das Buch beginnt mit den einfachsten Forecasting-Ideen: dem historischen Mittelwert, dem naiven Forecast und dem saisonalen naiven Forecast. Jede dieser Methoden nutzt aktuelle Daten ohne Parameter oder Training: Sie mitteln die vergangene Nachfrage, wiederholen die letzte Beobachtung oder übernehmen den Wert aus derselben Periode des Vorzyklus.

Die Autoren argumentieren, dass diese Methoden immer der Ausgangspunkt sein sollten. Sie merken an, dass etwa die Hälfte aller Forecasts schlechter abschneiden als ein einfaches No-Change-Modell (Morlidge, 2014b).

Für Fertigungsunternehmen liefern einfache Methoden Referenz-Forecasts, um komplexere Modelle zu benchmarken und realistische Erwartungen an die erreichbare Genauigkeit zu setzen.

Exponentielle Glättung: Anpassungsfähigkeit ohne Komplexität

Exponentielle Glättung (Exponential Smoothing, ES) wird als eine der zuverlässigsten und skalierbarsten Forecasting-Techniken vorgestellt. Sie aktualisiert Forecasts, indem sie aktuellere Beobachtungen stärker gewichtet, ältere Daten aber weiterhin berücksichtigt.

Wesentliche Stärken:

• Erfasst allmähliche Veränderungen, ohne auf Rauschen überzureagieren.
• Skaliert effizient über große Produktportfolios.
• Bleibt für Planer und Führungskräfte nachvollziehbar.

Für Planer in der Fertigungsindustrie bietet sie einen verlässlichen Mittelweg: robust genug für große Produktportfolios und dennoch nachvollziehbar genug für operative Review-Meetings.

ARIMA-Modelle - Struktur und statistische Disziplin

ARIMA (AutoRegressive Integrated Moving Average) ist eine weitere zentrale Familie statistischer Forecasting-Modelle. ARIMA-Modelle beschreiben die Nachfrage als Funktion ihrer vergangenen Werte und vergangenen Fehler, wobei Trends durch Differenzenbildung entfernt werden.

Sie eignen sich am besten für:

• Zeitreihen mit kurzfristigen Korrelationen und begrenzter Saisonalität.
• Situationen, in denen das Verständnis der zugrunde liegenden Nachfragestruktur wichtiger ist als automatisierte Skalierbarkeit.

In großen Forecasting-Vergleichsstudien schneidet die Exponentielle Glättung im Allgemeinen besser ab, ARIMA bleibt aber nützlich, um zu diagnostizieren, wie sich Muster über die Zeit entwickeln.

Künstliche Intelligenz und Maschinelles Lernen: Leistungsfähigkeit und Komplexität

In späteren Kapiteln wenden sich die Autoren von klassischen statistischen Ansätzen Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) zu - einer vielfältigen Gruppe von Verfahren, die verändert hat, wie viele Unternehmen an Forecasting herangehen.

Dazu zählen:

• Neuronale Netze und Deep Learning, bei denen Modelle komplexe Muster und Zusammenhänge in Daten mithilfe miteinander verbundener künstlicher Neuronen erlernen.
• Rekurrente neuronale Netze (RNNs) und LSTM-Netze, die sequenzielle Daten verarbeiten und Abhängigkeiten über längere Zeiträume hinweg erfassen können.
• Baumbasierte Verfahren und Random Forests, die Entscheidungsbäume nutzen, um Muster und Zusammenhänge in den Daten abzubilden. Random Forests kombinieren dabei die Ergebnisse vieler einzelner Entscheidungsbäume.
• Boosting-Verfahren wie LightGBM und XGBoost, bei denen Modelle schrittweise aufeinander aufbauen und Fehler vorheriger Modelle gezielt reduzieren.

KI- und ML-Methoden sind besonders gut darin, nichtlineare Zusammenhänge und komplexe Wechselwirkungen zu erkennen, die traditionelle Modelle nicht erfassen können. Sie können außerdem eine breite Palette externer Prädiktoren einbinden - Wetter, Preise, Promotionen, makroökonomische Signale - und eignen sich damit besonders für datenreiche Umgebungen mit hohem Datenvolumen.

Die Autoren dämpfen die Erwartungen jedoch bewusst. Diese Modelle sind daten- und ressourcenintensiv. Sie benötigen große Datensätze, umfangreiche Rechenleistung und sorgfältige Governance, um Overfitting zu vermeiden.

Zusammengefasst ist die Position des Buchs ausgewogen: KI und ML können traditionelle Methoden übertreffen, besonders wenn Nachfragetreiber nichtlinear sind oder große Datenmengen verfügbar sind. Ihr Wert hängt jedoch vom Fit ab. Werden sie ohne klaren Datenbedarf oder operative Abstimmung eingesetzt, können sie zu teuren Antworten auf einfache Probleme werden.

Für gereifte Organisationen lautet die Lehre daraus nicht, KI abzulehnen oder zu romantisieren, sondern sie dort einzusetzen, wo Daten und Business Case die Investition rechtfertigen - und dabei sicherzustellen, dass Modelle nachvollziehbar, skalierbar und letztlich entscheidungsrelevant bleiben.

Die Perspektive von Quantics

In der Fertigungsindustrie ist die Frage "Welche Forecasting-Methode einsetzen" selten einfach zu beantworten. Nachfragemuster sind schwer vorhersagbar: Kunden bestellen in Losgrößen, Portfolios erstrecken sich über mehrere Geschäftsbereiche und Kanäle, und die beobachteten Daten sind häufig durch interne Prozesse wie Lieferterminzusagen oder Kapazitätsbeschränkungen beeinflusst.

Dadurch ist das, was wie Nachfrage aussieht, oft eine Mischung aus Marktsignalen und operativen Entscheidungen - was das Forecasting zusätzlich verkompliziert.

Keine einzelne Methode passt für alles

In diesem Umfeld sind Robustheit und Genauigkeit entscheidend. Keine einzelne Methode ist über alle Anwendungsfälle hinweg durchgehend allen anderen überlegen. Jede hat ihre Stärken:

• Einfache Methoden bieten Transparenz und starke Baselines
• Statistische Modelle bieten Stabilität und Skalierbarkeit
• KI-/ML-Methoden bringen Flexibilität, benötigen aber mehr Daten und Governance

Bei Quantics setzen wir auf einen Ensemble-Ansatz und kombinieren Forecasts aus mehr als 60 Methoden - aus den Bereichen Statistik, Machine Learning und Deep Learning.

• Nutzt komplementäre Stärken
• Reduziert die Abhängigkeit von einem einzelnen Modell
• Verbessert die Robustheit bei sich verändernden Nachfragemustern

Struktur über Ebenen hinweg nutzen

Statt ausschließlich auf der granularsten Ebene zu prognostizieren, setzt Quantics auf hierarchisches Forecasting: Vorhersagen werden auf mehreren Ebenen erstellt und anschließend abgeglichen.

Dieser Ansatz:

• nutzt stabile Muster auf aggregierten Ebenen
• bewahrt lokale Signale auf SKU-Ebene
• verbessert die Genauigkeit und reduziert gleichzeitig Bias

Anpassung an Veränderung

Fertigungsumgebungen sind dynamisch. Marktbedingungen, Produktlebenszyklen und interne Prozesse verändern sich fortlaufend.

KI-gestützte Ansätze helfen dabei,

• aktuelle Daten einzubeziehen
• zusätzliche Signale zu integrieren
• sich dynamisch an strukturelle Veränderungen anzupassen

Backtesting: Messen, was wirklich funktioniert

Eine robuste Modellauswahl erfordert systematisches Backtesting - nicht nur eine einzelne historische Anpassung.

Über die Zeit bewerten

• Mehrere rollierende Forecasts nutzen, um die Stabilität über verschiedene Perioden zu bewerten

Über mehrere Ebenen bewerten

• Genauigkeit und Bias auch über die SKU-Ebene hinaus messen, um operative Entscheidungen zu unterstützen

Über verschiedene Horizonte testen

• Kurzfristig (bis zu 3 Monate): Produktion und Bestand
• Längerfristig (bis zu 18 Monate): taktische Planung
  ‍

Bei Quantics geht es beim Forecasting nicht darum, eine einzelne "beste" Methode auszuwählen, sondern ein robustes System aufzubauen: Methoden kombinieren, über Ebenen hinweg lernen und sich fortlaufend an Veränderungen anpassen. Das ermöglicht eine widerstandsfähigere, datengetriebene Planung.

Praktische Handlungsempfehlungen

• Einfach starten und alles benchmarken. Nutzen Sie naive und einfache Modelle als Baseline - viele fortgeschrittene Methoden übertreffen diese nicht durchgehend.
• Die Methode zum Anwendungsfall passend wählen. Es gibt kein einzelnes bestes Modell. Wählen Sie Methoden anhand der Datencharakteristik, des geschäftlichen Kontexts und des Entscheidungsbedarfs.
• Methoden für mehr Robustheit kombinieren. Ensemble-Ansätze übertreffen einzelne Modelle oft, indem sie Stärken ausbalancieren und Risiko reduzieren.
• Hierarchisches Forecasting nutzen. Erstellen Sie Forecasts über mehrere Aggregationsebenen hinweg, um Stabilität auf höheren Ebenen mit Detailgrad auf SKU-Ebene auszubalancieren.
• KI gezielt und mit klarem Zweck einsetzen. Nutzen Sie Machine Learning dort, wo Datenvolumen und Komplexität es rechtfertigen - nicht als Ersatz für einfachere Methoden.
• Komplexität realer Daten berücksichtigen. Nachfragesignale werden häufig durch interne Prozesse geprägt und spiegeln nicht immer die reine Marktnachfrage wider.
• Rigoros backtesten. Bewerten Sie Modelle anhand rollierender Forecasts, um die Performance über die Zeit zu verstehen - nicht nur zu einem einzelnen Zeitpunkt.
• Performance über Ebenen und Horizonte hinweg messen. Bewerten Sie Genauigkeit und Bias auf unterschiedlichen Aggregationsebenen sowie über kurz- und langfristige Horizonte.
• Auf den Mehrwert fokussieren, nicht nur auf Genauigkeit. Benchmarken Sie gegen einfache Modelle und verfolgen Sie Verbesserungen, um sicherzustellen, dass Ihre Forecasting-Methoden tatsächlich einen Unterschied machen.

Fazit

Es gibt nicht nur eine "beste" Forecasting-Methode, sondern nur die richtige Kombination von Ansätzen, abgestimmt auf Ihre Daten, Ihren geschäftlichen Kontext und Ihren Entscheidungsbedarf. Erfolgreiche Unternehmen konzentrieren sich nicht darauf, Methoden zu ersetzen, sondern robuste, anpassungsfähige Forecasting-Systeme aufzubauen.

In der Fertigungsindustrie ist die Wahl der richtigen Forecasting-Methode oft nur der erste Schritt. Die wahre Herausforderung liegt darin, den gewählten Ansatz in die komplexen Systemlandschaften zu integrieren und im operativen Planungsalltag nachhaltig zu verankern. Genau hier setzt Quantics an: Als spezialisierter Boutique-Dienstleister für die Fertigungsindustrie verbinden wir tiefgreifende Data-Science-Expertise mit umfassendem Supply-Chain-Wissen. Wir unterstützen unsere Kunden ganzheitlich - von der initialen Implementierung bis hin zur kontinuierlichen Optimierung ihrer Forecasting-Prozesse.

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. Können einfache Prognosemethoden besser abschneiden als fortgeschrittene Modelle?

Ja, und zwar überraschend häufig. Die im Buch hinter dieser Reihe zitierte Forschung zeigt, dass etwa die Hälfte aller Forecasts ein einfaches No-Change-Modell nicht übertrifft (Morlidge, 2014). Naive Prognosen und historische Durchschnittswerte sind daher nicht nur Ausweichlösungen, sondern wichtige Benchmarks, an denen sich jedes fortgeschrittene Modell messen lassen muss. Wenn ein komplexes Modell diese Basisprognose nicht konsistent übertrifft, schafft die zusätzliche Komplexität keinen echten Mehrwert.

2. Ist Machine Learning immer besser als statistische Prognosemethoden?

Nein. Machine Learning ist nicht automatisch genauer als traditionelle Prognosemethoden. Die Leistungsfähigkeit hängt von den Eigenschaften der Daten, der konkreten Prognoseaufgabe und der Implementierung des Modells ab. In vielen Fällen können statistische Verfahren wie Exponentielle Glättung oder ARIMA genauso gut oder besser abschneiden als komplexere Machine-Learning-Modelle. Entscheidend ist, welcher Ansatz für die jeweilige Prognoseaufgabe die beste Out-of-Sample-Genauigkeit erzielt.

3. Was ist der Unterschied zwischen exponentieller Glättung und ARIMA?

Bei der exponentiellen Glättung erhalten jüngere Beobachtungen ein höheres Gewicht. Je nach Modell können dabei Komponenten wie Trend und Saisonalität explizit berücksichtigt werden. ARIMA modelliert dagegen die Beziehungen zwischen aktuellen und vergangenen Werten sowie Prognosefehlern; durch Differenzierung können zudem nicht-stationäre Zeitreihen berücksichtigt werden. Keine der beiden Methoden ist grundsätzlich genauer. Ihre Leistungsfähigkeit hängt von den Eigenschaften der jeweiligen Zeitreihe ab und sollte anhand der Out-of-Sample-Prognosegenauigkeit verglichen werden.

4. Wie viele historische Daten werden benötigt, damit Machine Learning für Forecasting sinnvoll ist?

Dafür gibt es keine feste Mindestmenge. Grundsätzlich benötigen Machine-Learning-Methoden ausreichend Daten, um Muster zu erkennen, die einfachere Modelle nicht bereits erfassen. Wie viel Historie erforderlich ist, hängt stark von Faktoren wie Datenfrequenz, Anzahl und Ähnlichkeit der Zeitreihen, Saisonalität und Modelltyp ab. Die Prognoselösung von Quantics kombiniert mehr als 60 statistische und Machine-Learning-Methoden, sodass für jedes Produkt ein Ansatz gewählt werden kann, der zu den verfügbaren Daten passt.

5. Kann ein Unternehmen für unterschiedliche Produkte verschiedene Prognosemethoden einsetzen?

Ja. Gerade für Hersteller mit heterogenen Produktportfolios kann dies sinnvoll sein. Produkte mit hohem Absatz und stabilen Nachfragemustern lassen sich häufig gut mit einfachen oder klassischen statistischen Verfahren prognostizieren, während komplexe, aktionsgetriebene oder nichtlineare Nachfragemuster von Machine-Learning-Methoden profitieren können. Statt eine einzige Methode auf das gesamte Portfolio anzuwenden, können verschiedene Modelle je nach Produkt verglichen oder im Rahmen eines Ensemble-Ansatzes miteinander kombiniert werden.

6. Wie häufig sollte ein Unternehmen seine Prognosemethoden überprüfen?

Die bisherige Prognoseleistung sollte idealerweise regelmäßig im Rahmen des rollierenden Forecasting-Prozesses überprüft werden. Eine Forecast-Value-Added-Analyse (FVA) kann dabei zeigen, ob einzelne Prozessschritte oder Anpassungen den Forecast tatsächlich verbessern. So entsteht ein kontinuierlicher Feedbackprozess. Zusätzlich können Ereignisse wie Produkteinführungen, strukturelle Nachfrageänderungen oder veränderte Marktbedingungen Anlass geben, die eingesetzten Prognosemethoden neu zu bewerten.