Leitfaden für Führungskräfte: Teil 7 – Absatzprognosen auf allen Planungsebenen (Prognose Hierarchie)

Jeder Planer kennt dieses Gespräch: Das Finance-Team will einen Jahresforecast, Operations braucht wöchentliche Nachfragedaten, und der Vertrieb besteht auf Sichtbarkeit auf SKU-Kunden-Ebene. Alle haben "recht", und alle sind auf hierarchisches Forecasting angewiesen: die Erstellung konsistenter Nachfragesichten über Organisationsebenen und Zeitgranularitäten hinweg.

Hierarchische Strukturen sind überall zu finden: nach Produkt, Region, Kunde oder Zeit (täglich, monatlich, quartalsweise). Die Herausforderung besteht darin, dass die Forecasts der einzelnen Ebenen selten zusammenpassen, was zu Verwirrung und Nacharbeit führt.

Als Teil unserer Beitragsserie zum Buch Demand Forecasting for Executives and Professionals von Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen beleuchten wir, warum diese Inkonsistenzen entstehen, wie Unternehmen typischerweise damit umgehen, und worauf Führungskräfte achten sollten, wenn sie Forecasts über verschiedene Ebenen hinweg abstimmen.

Zentrale Erkenntnisse aus dem Buch

Im Folgenden einige der zentralen Erkenntnisse aus dem Buch:

Unterschiedliche Hierarchien, unterschiedliche Anforderungen

Forecasting ist selten eindimensional. Ein Händler benötigt möglicherweise Store-SKU-Forecasts für den Nachschub und Marken-Forecasts für das Marketing. Ein Hersteller plant Materialien anhand der Stückliste, nicht nach SKU. Das Erkennen gekreuzter Hierarchien (Produkt × Region, Kunde × Marke) ist der erste Schritt zu einem konsistenten Gesamtbild.

Trade-off zwischen Detailgrad und Genauigkeit - und wie man damit umgeht

Im Forecasting besteht ein inhärenter Trade-off zwischen Detailgrad und Zuverlässigkeit. Hoch detaillierte Forecasts liefern mehr operative Einblicke, etwa auf Ebene einzelner Produkte oder Standorte, sind aber oft ungenauer und weniger stabil. Forecasts auf aggregierterer Ebene sind glatter und leichter vorhersagbar, es fehlt ihnen aber oft die Granularität, die für operative Entscheidungen nötig ist.

Unternehmen gehen mit dieser Herausforderung typischerweise auf verschiedene Weise um. Ein Bottom-up-Ansatz erstellt Forecasts auf der detailliertesten Ebene (etwa Produktvariante nach Werk und Kunde) und aggregiert die Ergebnisse anschließend. Er ist intuitiv, aber anfällig für verrauschte (noisy) Daten. Ein Top-down-Ansatz prognostiziert zunächst die Gesamtnachfrage und verteilt sie anschließend auf Produkte oder Regionen - das funktioniert gut, wenn Nachfragemuster stabil sind, wird aber schwierig, wenn sie sich verändern. Ein Middle-out-Ansatz erstellt Forecasts auf einer mittleren Ebene, etwa Produktgruppe nach Region, und bietet damit einen praktikablen Kompromiss zwischen Detailgrad und Stabilität.

Eine fortgeschrittenere Methode ist die optimale Reconciliation: Dabei werden Forecasts auf mehreren Ebenen erstellt und anschließend abgeglichen, um Konsistenz über die gesamte Hierarchie sicherzustellen. Das kann die Genauigkeit verbessern, ist aber rechenintensiver und in komplexen Organisationen schwerer zu steuern.

Konsistenz ist nicht immer erwünscht

Bei risikobezogenen Entscheidungen, etwa zur Festlegung von Sicherheitsbeständen, kann es irreführend sein, Prognosewerte über alle Planungsebenen hinweg zwingend aufeinander abzustimmen. Schwankt die Nachfrage bei einzelnen Produkten oder Standorten, gleicht sich dieses Rauschen auf höheren Ebenen oft aus. Dadurch ist der benötigte Puffer auf Lager- oder Regionsebene meist geringer als die Summe der Puffer, die für einzelne Filialen oder Produkte geplant würden.

Die Perspektive von Quantics

In großen Fertigungsunternehmen sind Forecast-Hierarchien nicht nur eine technische, sondern auch eine organisatorische Fragestellung. Führungskräfte fragen oft:

‍Warum passen die Zahlen aus Finance nicht zu denen aus Operations?

Die Antwort liegt meist darin, wie die Forecasts strukturiert sind. Ein Bedarfsplan, der Bottom-up aus SKUs aufgebaut ist, und ein Finanzplan, der Top-down aus Unternehmensbereichen abgeleitet ist, passen selten zusammen. Um diese Perspektiven zu verbinden, braucht es ein klares hierarchisches Rückgrat, das alle Planungsebenen miteinander verknüpft.

Unsere Erfahrung zeigt: Konsistenz schafft Vertrauen. Wenn Forecasts über Produkte, Regionen und Zeithorizonte hinweg konsistent sind, verbringen Teams weniger Zeit mit Diskussionen über Zahlen und mehr Zeit mit der Planung von Produktion, Bestand und Kapazität auf Basis einer gemeinsamen Baseline.

Kurz gesagt: Hierarchisches Forecasting sorgt dafür, dass Planer, Supply-Chain-Verantwortliche und Führungskräfte von derselben Sicht auf die zukünftige Nachfrage ausgehen.

Hierarchisches Forecasting für komplexe Fertigungsumgebungen

Die Forecasting-Lösung von Quantics ist für große und komplexe Fertigungsumgebungen konzipiert. Forecasts werden auf allen relevanten Hierarchieebenen erstellt, anschließend sorgen Reconciliation-Verfahren für Konsistenz zwischen ihnen. Unsere Plattform unterstützt modernstes hierarchisches Forecasting mit optimaler Reconciliation, was sich als wirksam erwiesen hat, um die Genauigkeit zu verbessern und Bias über alle Aggregationsebenen hinweg zu reduzieren. Gleichzeitig können auch andere Reconciliation-Ansätze angewendet werden, wenn sie besser zur Datenstruktur oder zum Planungsprozess eines Unternehmens passen.

Die Wahl der richtigen Hierarchie erfordert sowohl Datenanalyse als auch Business-Verständnis. Gemeinsam mit Fachexperten aus der Kundenorganisation bewerten die Experten von Quantics die Forecast-Performance über verschiedene Aggregationsebenen und testen unterschiedliche Reconciliation-Strategien, um die Struktur zu finden, die Produktionsplanung und Supply-Chain-Entscheidungen am besten unterstützt.

Da die Anforderungen an das Forecasting je Hierarchieebene variieren, verlässt sich unsere KI-gestützte Forecasting-Engine nicht auf einen einzigen Ansatz. Sie kann Bottom-up-Forecasting einsetzen, wo operativer Detailgrad zählt, Top-down-Methoden, wo Stabilität entscheidend ist, und Reconciliation-Verfahren, um eine konsistente unternehmensweite Sicht sicherzustellen.

Praktische Handlungsempfehlungen

Zuerst Forecasts mit Entscheidungen verknüpfen, dann die passende Ebene wählen

• Oberste Ebene: Budgets, Umsatzziele, Cashflow
• Mittlere Ebene: Kapazitätsplanung, Personalplanung, Kampagnen
• Detailebene: Bestellwesen, Nachschub, tägliche Ausführung

Festlegen, wo Zahlen übereinstimmen müssen

• Konsistenz dort verbindlich machen, wo Teams sich einig sein müssen (zum Beispiel Budget vs. Supply-Plan).
• Flexibilität zulassen, wo lokaler Kontext eine Rolle spielt (zum Beispiel bei einzelnen Filialen oder Kunden).

Vorsicht beim Herunterbrechen von Gesamtwerten in Teile

• Die Verwendung historischer Verkaufsanteile funktioniert, wenn sich das Kaufverhalten der Kunden nicht verändert.
• Gewinnen oder verlieren Produkte, Kanäle oder Regionen an Bedeutung, kann das Verwenden alter Prozentsätze Bias einführen.

Stark unregelmäßige Nachfrage mit Vorsicht behandeln

• Enthalten die Detaildaten viele Perioden ohne Verkäufe, kann ein Forecast direkt auf dieser Ebene unzuverlässig sein.
• Oft funktioniert es besser, auf einer etwas höheren Ebene zu prognostizieren (zum Beispiel wöchentlich statt täglich) und die Werte anschließend herunterzubrechen.

In Forecasting-Hierarchien denken, nicht nur in Organisationshierarchien

• Reporting-Strukturen sind nicht immer der beste Weg, um Nachfragemuster abzubilden.
• Eine Neugruppierung von Produkten oder Standorten für das Forecasting kann die Ergebnisse verbessern, ohne dass sich dadurch das Performance-Reporting ändern muss.

Fazit

Forecast-Hierarchien schließen die Lücke zwischen strategischer Abstimmung und operativer Präzision. Wie Kolassa und seine Co-Autoren betonen, ist Konsistenz keine Einschränkung, sondern ein Hebel. Wer versteht, wie sich Daten über Produkte, Regionen und Zeit aggregieren, kann aus fragmentierten Forecasts ein einheitliches Planungssystem erstellen. Der richtige Ansatz hängt von den eigenen Daten, der organisatorischen Komplexität und vor allem von den Entscheidungen ab, die damit unterstützt werden sollen.

Bei Quantics unterstützen wir produzierende Unternehmen dabei, hierarchische Forecasting-Frameworks umzusetzen, die Forecasts über alle Ebenen hinweg konsistent machen, die Genauigkeit verbessern, Bias reduzieren und die Planung von der Produktionshalle bis zur Führungsebene aufeinander abstimmen.

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. Wann ist hierarchisches Forecasting für produzierende Unternehmen sinnvoll?
Hierarchisches Forecasting ist vor allem dann sinnvoll, wenn Prognosen auf unterschiedlichen Aggregationsebenen benötigt werden – beispielsweise für einzelne Artikel, Produktgruppen, Standorte oder Regionen. Dabei ist weniger die Unternehmensgröße entscheidend als die Struktur der Planungsentscheidungen. Wenn verschiedene Bereiche mit unterschiedlichen Aggregationsebenen arbeiten, können hierarchische Methoden dabei helfen, die Prognosen sinnvoll aufeinander abzustimmen. Bei einfachen Strukturen und wenigen Produkten kann der zusätzliche Aufwand dagegen geringeren Nutzen bringen.

2. Was ist Forecast Reconciliation und warum ist sie wichtig?
Forecast Reconciliation bezeichnet die Abstimmung von Prognosen auf unterschiedlichen Ebenen – beispielsweise nach Produkt, Region oder Zeitraum –, sodass sie innerhalb einer Prognosehierarchie konsistent zusammenpassen. Ohne eine solche Abstimmung können auf verschiedenen Ebenen widersprüchliche Prognosewerte entstehen. Planungsteams müssen dann zunächst klären, welche Zahlen maßgeblich sind, anstatt mit einer gemeinsamen Planungsgrundlage zu arbeiten. Die Forecasting- und Planungslösung von Quantics nutzt Optimal Reconciliation, um diese Abstimmung automatisiert vorzunehmen.

3. Wie entscheidet man, auf welcher Ebene eine Prognose erstellt werden sollte?
Die Prognoseebene sollte sich an der jeweiligen Entscheidung orientieren und nicht allein daran, wie das Unternehmen seine Ergebnisse berichtet. Budget- und Umsatzentscheidungen benötigen typischerweise stärker aggregierte Prognosen, während Kapazitäts- und Personalplanung häufig auf mittleren Ebenen stattfinden. Für Bestellungen und Nachschubplanung werden dagegen meist detailliertere Prognosen auf Artikel- oder SKU-Ebene benötigt. Die Wahl der richtigen Prognoseebene ist damit auch eine Frage der Forecast Governance, die in Teil 8 dieser Reihe behandelt wird.

4. Sollte der Sicherheitsbestand immer auf derselben Ebene wie die Bedarfsprognose berechnet werden?
Nein. Die geeignete Aggregationsebene für den Sicherheitsbestand muss nicht mit der Ebene der Bedarfsprognose übereinstimmen. Nachfrage auf Artikel- oder Standortebene weist häufig eine höhere relative Schwankung auf als aggregierte Nachfrage, da sich Schwankungen bei der Aggregation teilweise ausgleichen können. Sicherheitsbestände einzelner Artikel oder Standorte einfach zu addieren, kann daher den tatsächlich benötigten Puffer auf einer übergeordneten Ebene überschätzen. Entscheidend sind jedoch auch Faktoren wie Abhängigkeiten zwischen den Nachfrageströmen, Lieferzeiten und die Struktur des Bestandsnetzwerks.

5. Verbessert eine detailliertere Prognose automatisch die Prognosegenauigkeit?
Nein. Mehr Detail führt nicht automatisch zu einer höheren Prognosegenauigkeit. Sehr granulare Zeitreihen, beispielsweise tägliche Prognosen für einzelne SKU-Standort-Kombinationen, enthalten häufig mehr Rauschen und sind schwieriger vorherzusagen als stärker aggregierte Daten.