Leitfaden für Führungskräfte: Teil 6 – Kausale Modelle und Einflussfaktoren

Kausale Modellierung ergänzt historische Daten um Prädiktoren (auch Treiber, Features oder Indikatoren, Vorhersagefaktoren genannt), die Schwankungen in der Zielgröße des Forecasts (meist der Nachfrage) erklären.

Das Versprechen ist verlockend: Wenn ein Prädiktor im Voraus bekannt ist (oder sich zuverlässig prognostizieren lässt) und neue Information über Trend und Saisonalität hinaus liefert, kann er die Genauigkeit spürbar verbessern.

Es gibt jedoch auch Fallen. Korrelation ist keine Kausalität. Eine starke Korrelation garantiert keine stabile Beziehung. Nichtlineare Muster können einfache Koeffiziententests in die Irre führen. Nützliche Signale, die zum falschen Planungshorizont vorliegen, sind wertlos. Und Modelle mit "interessanten" Treibern zu überladen kann das Rauschen erhöhen, die Varianz aufblähen und die Genauigkeit letztlich verringern.

In ihrem Buch Demand Forecasting for Executives and Professionals bieten Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen einen pragmatischen Leitfaden, um echtes Signal von bloßen Annahmen zu unterscheiden.

Zentrale Erkenntnisse aus dem Buch

1. Zusammenhang vs. Korrelation. Korrelation erfasst nur lineare Zusammenhänge. Viele geschäftliche Effekte sind jedoch nichtlinear oder U-förmig. Ein Pearson-r nahe null bedeutet nicht, dass ein Prädiktor irrelevant ist - es bedeutet nur, dass das Muster nicht linear ist. Schauen Sie sich immer zuerst den Scatterplot an, bevor Sie einer Kennzahl vertrauen. Wie im Beispiel unten zu sehen, zeigt der Prädiktor aus Grafik 4) keine Korrelation, weist aber trotzdem einen Zusammenhang mit der Nachfrage auf und kann sinnvoll einbezogen werden.

2. Ein Prädiktor muss neue Informationen über die Zeitreihe selbst hinaus liefern. Wenn ein Treiber und Ihre Nachfrage beide einfach nur saisonal sind, erfasst ein gutes saisonales Modell dieses Muster möglicherweise bereits. Die entscheidende Frage ist nicht "sind sie korreliert?", sondern: "Verbessert die Aufnahme des Treibers die Out-of-Sample-Genauigkeit gegenüber der besten Baseline?"
   ‍
3. Verfügbarkeit und Zeithorizont sind genauso wichtig wie Relevanz. Deterministische Treiber (Promotions, Feiertage, Listenpreis, geplante Werbeausgaben) sind im Voraus bekannt und daher ideale Ausgangspunkte. Stochastische Treiber (Wetter, Makroindikatoren) benötigen einen eigenen Forecast; ihre Unsicherheit überträgt sich auf den Demand Forecast und sollte bei dessen Bewertung entsprechend berücksichtigt werden.
   ‍
4. Vor- und Nachlaufeffekte sind häufig und oft asymmetrisch. Promotionen können die Nachfrage jetzt steigern und sie in der folgenden Woche senken. "Vorab angekündigte" Promotions können die Nachfrage schon heute senken. Untersuchen Sie Lead-Lag-Strukturen, anstatt einen unmittelbaren Effekt anzunehmen.
   ‍
5. Kausalität ist wünschenswert, aber für das Forecasting nicht zwingend erforderlich. Forecasting ist pragmatisch: Wenn eine Beziehung gut vorhersagt und sich als stabil erweist, können Sie sie nutzen. Trotzdem verbessert das Verständnis der kausalen Struktur Vertrauen und Robustheit. Wo möglich, sollten Experimente oder quasi-experimentelle Methoden genutzt werden, um zentrale Effekte zu validieren.
   ‍
6. Komplexität kann die Genauigkeit verschlechtern. Mehr Treiber ≠ bessere Forecasts. Irreführende Korrelationen kommen in umfangreichen Datensätzen häufig vor. Jeder zusätzliche Prädiktor kann die Modellvarianz erhöhen und die Performance verschlechtern. Die richtige Komplexität ist jene, die den Gesamtfehler minimiert (Bias-Varianz-Trade-off), nicht die, welche die Vergangenheit am Detailliertesten erklärt.

Die Perspektive von Quantics

Unserer Erfahrung nach versuchen viele Industrieunternehmen, Unsicherheit durch zusätzliche externe Faktoren in ihren Forecasting-Modellen auszugleichen. Die Intuition dahinter ist nachvollziehbar: Wenn die Nachfrage von vielen Faktoren beeinflusst wird, sollten mehr Treiber die Genauigkeit verbessern.

In der Praxis ist das jedoch oft nicht der Fall.

Jeder zusätzliche Prädiktor bringt sein eigenes Rauschen, seine eigene Lag-Struktur und eigene Herausforderungen bei der Datenqualität mit. Was auf den ersten Blick nach einer sinnvollen geschäftlichen Idee aussieht, kann die Forecast-Qualität leicht verschlechtern statt verbessern.

Beispiel: Inflation als Nachfrage-Prädiktor

Stellen wir uns folgende Situation vor: Ein Fertigungsunternehmen möchte die Forecast-Genauigkeit verbessern und Bias auf der Ebene Region - Werk - Produktgruppe - Produktvariante reduzieren, um fundierte Bestands- und Produktionsentscheidungen zu ermöglichen.

Ein möglicher Prädiktor ist die Inflationsrate. Das Unternehmen stellt fest, dass Inflation die Geschäftstätigkeit beeinflusst - über Produktionskosten, Preisstrategien, die Kaufkraft der Konsumenten, Investitionsentscheidungen und das gesamte Nachfragemuster. Auf den ersten Blick erscheint es sinnvoll, regionale Inflationsraten in den Demand Forecast einzubeziehen.

Nehmen wir an, Inflation ist in diesem konkreten Fall tatsächlich ein relevanter Prädiktor. Selbst dann ergeben sich bei der Integration in ein Forecasting-Modell mehrere praktische Herausforderungen.

Herausforderung 1 - Inflationsprognosen und Forecast-Horizont

Demand Forecasts benötigen zukünftige Werte des Prädiktors. Das bedeutet, dass die Inflationsrate selbst prognostiziert werden muss. Unternehmen können sich auf veröffentlichte makroökonomische Prognosen stützen oder versuchen, die Inflation intern zu prognostizieren.

Inflationsprognosen werden jedoch häufig revidiert und verpassen oft Wendepunkte. Bei längeren Planungshorizonten verschärft sich dieses Problem noch, da die Prognosefehler dort typischerweise zunehmen. Eine ungenaue Inflationsprognose kann dem Demand Forecast dadurch schlicht zusätzliches Rauschen hinzufügen.

Herausforderung 2 - Zeitverzögerung

Wirtschaftliche Effekte treten selten unmittelbar ein. Steigt die Inflation in einem Monat stark an, sinken die Verkäufe in der Regel nicht sofort. Das Kaufverhalten der Konsumenten und Investitionsentscheidungen reagieren häufig mit Verzögerung.

Das bedeutet, dass das Modell mögliche Lead-Lag-Beziehungen zwischen Inflation und Nachfrage berücksichtigen muss. Wer diese Dynamik ignoriert, schwächt den Vorhersagewert des Treibers.

Herausforderung 3 - Aggregationsebene

Inflation kann helfen, Nachfrageveränderungen auf regionaler oder makroökonomischer Ebene zu erklären, was für die strategische Planung oder Finanzprognosen nützlich sein kann.

Die operative Frage vieler Fertigungsunternehmen ist jedoch deutlich granularer: Welches Werk verkauft welche Produktvariante in welcher Periode? Auf dieser Detailebene wird der Einfluss der Inflation deutlich diffuser und verbessert den kurzfristig operativen Forecasts oft nicht spürbar.

Herausforderung 4 - Unterschiedliche Wirkung je Produkt

Unterschiedliche Produkte reagieren unterschiedlich auf wirtschaftliche Rahmenbedingungen. Manche Produktgruppen reagieren stark auf inflationären Druck, andere zeigen kaum oder gar keinen Effekt.

Ein Prädiktor, der für manche Produkte nützlich, für andere aber irrelevant ist, kann das Modelldesign verkomplizieren und die Gesamt-Performance des Forecasts verschlechtern, wenn er nicht sorgfältig gehandhabt wird.

Ein strukturierter Ansatz zur Prädiktorauswahl

Aus diesen Gründen setzen wir bei Quantics auf die sorgfältige und gezielte Auswahl von Prädiktoren, statt einfach die Zahl der Inputs zu erhöhen.

Wir unterstützen unsere Kunden aus der Fertigungsindustrie mit Tools und Prozessen, die die Bewertung potenzieller Treiber erleichtern:

• Integration externer Daten. Unser Data Hub bietet Zugang zu Signalen wie Feiertagen, makroökonomischen Indikatoren, Energie- und Materialpreisen sowie Wetterdaten. Kunden können außerdem Indikatoren einbinden, die bereits in ihrer eigenen Organisation vorliegen.
• Statistische Diagnostik. Wir analysieren potenzielle Prädiktoren mit statistischen Verfahren wie Korrelationsanalysen und Granger-Kausalitätstests, unterstützt durch flexible Visualisierungstools.
• Zusammenarbeit mit dem Business & KI-Forecasting. Gemeinsam mit Fachexperten aus der Kundenorganisation identifizieren wir Indikatoren, die sowohl statistisch aussagekräftig als auch operativ relevant sind. Unterschiedliche Prädiktoren können auf unterschiedlichen Aggregationsebenen eingesetzt werden, und unsere KI-gestützte Forecasting-Engine berücksichtigt die korrekte Zeitverzögerung.
• Empirische Validierung. Potenzielle Treiber werden mittels rollierender Out-of-Sample-Forecasts getestet, um ihre tatsächliche Wirkung auf die Forecast Genauigkeit über verschiedene Aggregationsebenen hinweg zu messen.

So wird sichergestellt, dass Prädiktoren nur dann beibehalten werden, wenn sie die Performance nachweislich verbessern. Das Ziel ist nicht, mehr Daten zu nutzen, sondern die richtigen Daten.

Ein Hinweis zu Auftragsdaten

In der Fertigungsindustrie sind die Auftragsdaten oft ein sehr relevanter Input, besonders für die kurzfristige Planung. Er schafft Transparenz über bereits zugesagte Nachfrage und kann kurzfristige Forecasts deutlich verbessern.

Aus Modellierungssicht sind die Auftragsdaten jedoch kein wirklich externer (exogener) Faktor. Er wird von derselben zugrunde liegenden Nachfrage beeinflusst wie der Absatz und häufig durch interne Prozesse geprägt, etwa Auftragsannahme, Allokationsregeln und Lieferterminzusagen. Dadurch spiegelt er sowohl Marktsignale als auch operative Entscheidungen wider.

Bei Quantics behandeln wir die Auftragsdaten deshalb nicht als externe Variable im Forecasting-Modell. Stattdessen integrieren wir ihn über einen dedizierten Blending-Ansatz: Der Systemforecast wird nach seiner Erstellung anhand der Auftragsbestandsdaten angepasst. Dieses Blending berücksichtigt Zuverlässigkeit, Timing und Dynamik von Forecast und Auftragsbestand gleichermaßen und stellt sicher, dass Anpassungen nachvollziehbar sind und bessere Entscheidungen unterstützen.

Praktische Handlungsempfehlungen

• Mit zuverlässigen, bekannten Inputs beginnen. Priorisieren Sie Prädiktoren, die im Voraus geplant und bestätigt sind, etwa Promotions, Feiertage, Preisänderungen, Messen oder Werksschließungen. Diese verbessern die Genauigkeit in der Regel, ohne zusätzliche Unsicherheit einzubringen.
• Wirkung validieren, nicht nur Korrelation. Nehmen Sie einen Treiber nur auf, wenn er die Forecast-Performance im Vergleich zu einer starken Baseline nachweislich verbessert - geprüft mittels Out-of-Sample-Tests.
• Prädiktoren am Planungshorizont ausrichten. Verwenden Sie nur Variablen, die zum Zeitpunkt der Entscheidung bekannt sind oder zuverlässig prognostiziert werden können.
• Vor- und Nachlaufeffekte berücksichtigen. Die Nachfrage reagiert häufig vor oder nach einem Ereignis. Testen Sie realistische Lead-Lag-Beziehungen, statt einen unmittelbaren Effekt anzunehmen.
• Modellkomplexität begrenzen. Mehr Prädiktoren garantieren keine besseren Forecasts. Jede zusätzliche Variable muss ihre Aufnahme durch einen messbaren Mehrwert rechtfertigen.
• Unter realistischen Datenbedingungen testen. Benötigt ein Prädiktor einen eigenen Forecast (zum Beispiel Wetter oder Makroindikatoren), sollten Sie ihn anhand prognostizierter Werte bewerten - nicht anhand perfekter Rückschaudaten.
• Nutzbarkeit und Vertrauen sicherstellen. Bei ähnlicher Performance sollten einfachere, besser interpretierbare Modelle bevorzugt werden, die vom Business verstanden und akzeptiert werden.

Fazit

Kausale Modelle können Forecasting von der "Fortschreibung der Vergangenheit" zum Antizipieren der Zukunft machen - aber nur, wenn die Treiber real, zeitnah verfügbar sind und Information über die Baseline hinaus liefern. Das Buch betont einen disziplinierten Ansatz: zuerst die Daten visualisieren, Modelle Out-of-Sample validieren, sie am Planungshorizont ausrichten und Modelle einfach halten.

Indem wir uns auf Prädiktoren konzentrieren, die sowohl erklärbar als auch entscheidungsrelevant sind, helfen wir bei Quantics Fertigungsunternehmen, die Forecast-Performance zu verbessern, ohne Robustheit oder Interpretierbarkeit zu opfern. Selbst wenn bestimmte Prädiktoren die Genauigkeit nicht erhöhen, können sie wertvollen Kontext für Planungs- und operative Entscheidungen liefern. Deshalb macht es unsere Lösung leicht, diese Treiber zu visualisieren und zu untersuchen.

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 Wetterdaten einen Demand Forecast tatsächlich verbessern?
Ja, aber nur bei Produkten, deren Nachfrage tatsächlich wetterabhängig ist, und nur dann, wenn sich das Wetter für den relevanten Planungshorizont ausreichend zuverlässig prognostizieren lässt. Das Wetter ist ein stochastischer Einflussfaktor: Seine eigene Prognose ist mit Unsicherheit verbunden, die sich auf den Demand Forecast überträgt. Bei vielen SKUs können Wetterdaten mehr Rauschen als relevante Signale hinzufügen. Daher sollte ihr Nutzen zunächst gegenüber einer belastbaren Basisprognose getestet werden, bevor sie breit eingesetzt werden.

2. Können zu viele Einflussfaktoren einen Forecast verschlechtern?
Ja. Mehr Einflussfaktoren führen nicht automatisch zu einer höheren Prognosegenauigkeit. Jede zusätzliche Variable bringt eigenes Rauschen und potenzielle Datenqualitätsprobleme mit sich und kann die Modellvarianz erhöhen – selbst wenn sie für sich genommen statistisch relevant erscheint. Entscheidend ist nicht, mit möglichst vielen Faktoren die historische Nachfrage detailliert zu erklären, sondern den gesamten Prognosefehler zu minimieren. Wenige sorgfältig validierte Einflussfaktoren sind daher häufig besser als eine lange Liste vermeintlich relevanter Variablen.

3. Ist die Inflation ein sinnvoller Einflussfaktor für kurzfristige Bedarfsprognosen?
Für kurzfristige, granulare Bedarfsprognosen ist die Inflation häufig nur begrenzt hilfreich. Sie kann Nachfrageverschiebungen auf regionaler oder makroökonomischer Ebene erklären, doch auf der detaillierten Planungsebene – etwa nach Werk, Produkt und Periode – ist ihr Einfluss oft weniger direkt und kann zeitverzögert auftreten. Zudem werden Inflationsprognosen regelmäßig revidiert, wodurch zusätzliche Unsicherheit in den Forecast einfließen kann.

4. Was ist der Unterschied zwischen deterministischen und stochastischen Einflussfaktoren?
Deterministische Einflussfaktoren, etwa geplante Werbeaktionen, Feiertage oder Preisänderungen, sind im Voraus bekannt und können daher vergleichsweise zuverlässig in den Forecast einbezogen werden. Stochastische Einflussfaktoren wie Wetter oder makroökonomische Kennzahlen sind dagegen für die Zukunft nicht mit Sicherheit bekannt und müssen selbst prognostiziert werden. Dadurch entsteht eine zusätzliche Unsicherheitsebene. Deterministische Faktoren sind deshalb häufig ein sinnvoller Ausgangspunkt, während stochastische Faktoren vor ihrem Einsatz sorgfältiger validiert werden sollten.

5. Wie lässt sich testen, ob ein neuer Einflussfaktor die Prognosegenauigkeit tatsächlich verbessert?
Eine geeignete Methode ist ein Out-of-Sample-Test: Dabei wird für einen vergangenen Zeitraum jeweils ein Forecast mit und ohne den neuen Einflussfaktor erstellt und anschließend mit den tatsächlich eingetretenen Werten verglichen, die dem Modell bei der Prognose nicht bekannt waren. Verbessert der zusätzliche Faktor die Genauigkeit gegenüber einer belastbaren Basisprognose deutlich, spricht das für seinen Einsatz. Eine reine Korrelationsanalyse reicht dagegen nicht aus, da sie beispielsweise nichtlineare oder zeitverzögerte Zusammenhänge übersehen kann.