Leitfaden für Führungskräfte: Teil 8 – Expertenwissen und Prognoseanpassungen

Die meisten Forecasts in Unternehmen starten mit statistischen Modellen. Moderne Planungssysteme erzeugen Baseline-Forecasts auf Basis historischer Daten, Machine Learning oder anderer quantitativer Verfahren. In der Praxis werden diese Baseline-Forecasts jedoch selten unverändert übernommen. Planer, Vertriebsteams und Supply-Chain-Manager prüfen und passen sie in der Regel an, bevor sie zum finalen Forecast für Geschäftsentscheidungen werden.

In ihrem Buch Demand Forecasting for Executives and Professionals beleuchten Stephan Kolassa, Bahman Rostami-Tabar und Enno Siemsen genau diese Realität. Algorithmische Forecasts liefern eine solide Ausgangsbasis, während menschliche Experten oft über Kontextwissen zu Märkten, Kunden oder anstehenden Ereignissen verfügen, die Modelle nicht erfassen können.

Gleichzeitig sind manuelle Anpassungen nicht automatisch von Vorteil. Sie können Bias oder organisatorische Einflüsse einbringen, die die Genauigkeit verringern. Die eigentliche Herausforderung ist daher nicht, ob menschliches Urteilsvermögen ins Forecasting einfließen soll, sondern wie es diszipliniert und messbar eingebunden wird.

‍

Erkenntnisse aus dem Buch

Menschliches Urteilsvermögen spielt in der Praxis eine zentrale Rolle im Forecasting: Es ergänzt statistische Modelle um Kontextwissen, bringt aber auch potenzielle Verzerrungen mit sich, die sorgfältig gesteuert werden müssen.

‍

Menschliches Urteilsvermögen ist im realen Forecasting unvermeidlich‍

In der Praxis sind Forecasts selten vollständig automatisiert. Die meisten Unternehmen starten mit einem statistischen Forecast und verfeinern ihn anschließend mit menschlicher Expertise. Planer interpretieren die Modellergebnisse, beziehen Kontextinformationen ein, die in den Daten nicht erfasst sind, und passen Forecasts an, wenn neue Ereignisse oder Veränderungen eintreten. Der statistische Forecast ist damit eher als Ausgangspunkt zu verstehen als als endgültige Antwort.

‍

Menschliche Expertise bringt wertvolles Fachwissen ein‍

Planer haben oft Zugang zu Informationen, die Modelle nur schwer erfassen können, etwa anstehende Promotionen, Kundenverhandlungen, Wettbewerberaktivitäten oder frühe Signale aus Marktinteraktionen. Manche dieser Faktoren lassen sich in statistische Modelle einbeziehen, andere bleiben schwer quantifizierbar, insbesondere Erkenntnisse aus dem direkten Kundenkontakt. Menschliches Urteilsvermögen hilft außerdem, bedeutsame Zusammenhänge zwischen Nachfragetreibern zu erkennen, die sich statistisch nur schwer nachweisen lassen. Es ersetzt die statistischen Modelle also nicht, sondern ergänzt sie um relevanten Kontext.

‍

Kognitive Verzerrungen können Forecasts verzerren‍

Trotz des Werts von Expertenwissen unterliegt menschliches Urteilsvermögen auch systematischen Verzerrungen. Die Verhaltensökonomie hat mehrere Bias-Effekte dokumentiert, die im Forecasting-Kontext häufig auftreten. Die wichtigsten davon:

• Recency Bias: Planer gewichten aktuelle Ereignisse zu stark und reagieren überproportional auf kurzfristige Schwankungen.‍
• Illusorische Mustererkennung: Menschen erkennen auch in Zufallsdaten scheinbare Muster, besonders wenn sie Diagramme oder visualisierte Zeitreihen betrachten.‍
• Trenddämpfung: Bestehen echte Trends, gehen Planer oft davon aus, dass diese sich schneller abschwächen, als es tatsächlich der Fall ist.‍
• Repräsentativitäts-Bias: Man erwartet, dass Forecasts historischen Nachfragemustern ähneln, und führt dadurch unnötige Schwankungen in die Prognose ein.‍
• Übertriebene Präzision (Overprecision): Planer unterschätzen die Unsicherheit und erstellen Prognoseintervalle, die zu eng gefasst sind.‍
• Rückschaufehler (Hindsight Bias): Im Nachhinein glauben Entscheider oft, ihre Forecasts seien treffsicherer gewesen, als sie es tatsächlich waren.‍
• Servicegrad-Verankerung: In der Supply-Chain-Planung verankern sich Planer unbewusst an hohen Servicegrad-Zielen, was zu dauerhafter Überprognose führt.

Diese Verzerrungen zeigen, warum menschliches Urteilsvermögen im Forecasting-Prozess mit Bedacht eingesetzt werden muss.

‍

Anreize und interne Politik verzerren Forecasts häufig‍

Forecasts stehen im Spannungsfeld unterschiedlicher Ziele zwischen Vertrieb, Operations und Finanzbereich. Dadurch wird das Urteilsvermögen häufig beeinflusst durch:

• Von der Geschäftsführung durchgesetzte Zielvorgaben
• Hedging, um Kapazitäten oder Bestände abzusichern
• Sandbagging, um Vertriebsziele niedriger anzusetzen
• Pauschales Infragestellen algorithmischer Ergebnisse
• Zurückhalten von Informationen zwischen Abteilungen

Werden Forecasts zu Verhandlungsinstrumenten, verlieren sie ihre Funktion als objektives Bild der erwarteten Nachfrage.

‍

Urteilsvermögen mit Forecast Value Added (FVA) messen‍

Eine zentrale Botschaft des Kapitels lautet, dass der Wert menschlicher Eingriffe gemessen und nicht einfach angenommen werden sollte. Eine Methode dafür ist die Forecast-Value-Added-(FVA)-Analyse. Sie vergleicht die Prognosegenauigkeit vor und nach manuellen Anpassungen.

Untersuchungen zeigen dabei ein interessantes Muster:

• Große, selten vorgenommene Anpassungen verbessern die Prognosegenauigkeit meist, weil sie in der Regel auf echten neuen Informationen beruhen.
• Kleine, häufige Anpassungen verringern die Genauigkeit meist, weil sie eher auf Bias, Rauschen oder organisatorischen Reibungsverlusten beruhen.

Das legt nahe, dass menschliches Urteilsvermögen idealerweise gezielt und mit klarer Begründung eingesetzt werden sollte.

Die Perspektive von Quantics

Bei Quantics sind wir überzeugt, dass Fachwissen zählt. Ein Forecast sollte nicht ignorieren, was Vertriebsteams, Planer und marktnahe Experten wissen. Viele relevante Nachfragesignale lassen sich allein aus historischen Daten nicht erkennen, weshalb menschlicher Input im modernen Forecasting eine wichtige Rolle spielt.

Gleichzeitig zeigt sich in der Praxis immer wieder, dass menschlicher Input den größten Mehrwert schafft, wenn er strukturiert, transparent und messbar ist.

‍

Balance zwischen System und Expertise

Wir verstehen Forecasting als Zusammenspiel von Algorithmen und menschlicher Expertise, in dem:

• das System eine robuste und skalierbare Baseline liefert
• Experten relevanten geschäftlichen Kontext einbringen
• alle Anpassungen nachverfolgt und bewertet werden
• die Performance überwacht wird, um sicherzustellen, dass Eingriffe den Forecast über die Zeit tatsächlich verbessern

‍

Governance macht aus Urteilsvermögen echten Mehrwert

Ohne geeignete Messung kann menschlicher Input eher Bias erzeugen, als die Ergebnisse zu verbessern. Wird er über Kennzahlen zur Prognosegenauigkeit, Override-Tracking und Value-Added-Messung überwacht, wird er zu einer kontrollierten Quelle der Verbesserung.

Ziel ist nicht, menschliche Beteiligung zu reduzieren, sondern sie dort zu fokussieren, wo sie Mehrwert schafft, und Feedback-Loops zu etablieren, welche Performanceverbesserungen ermöglichen.

‍

Effektive Zusammenarbeit in der Praxis ermöglichen

Um das in der Praxis zu unterstützen, bietet Quantics einzigartige Funktionen, die speziell auf Enterprise-Manufacturing zugeschnitten sind.

Unsere Lösung ermöglicht:

• effiziente Forecast-Overrides auf allen Ebenen
• strukturierten Input über Kommentare und Reason Codes
• vollständige Transparenz durch die Protokollierung aller Anpassungen
• klare Sichtbarkeit durch Forecast-Value-Added-Analysen

Darüber hinaus helfen Funktionen wie Szenarioplanung, Risikostufen und von Kunden bereitgestellte Forecasts dabei, zukunftsgerichtete Informationen in den Planungsprozess einzubeziehen.

Unser Ziel ist es, produzierende Unternehmen dabei zu unterstützen, einen kontrollierten, transparenten Forecasting-Prozess aufzubauen, der Planning Excellence vorantreibt.

Praktische Handlungsempfehlungen

Für Führungskräfte ist die Botschaft klar: Menschliches Urteilsvermögen spielt beim Forecasting eine wichtige Rolle, sollte jedoch nicht ungesteuert eingesetzt werden.

Die erfolgreichsten Unternehmen:

• nutzen den statistischen Forecast als Ausgangsbasis
• ermöglichen Anpassungen durch Experten, wenn neue Informationen vorliegen
• messen die Auswirkungen dieser Anpassungen
• stellen sicher, dass Anreizsysteme den Forecast nicht verzerren
• schaffen klare Regeln und Verantwortlichkeiten für manuelle Eingriffe in den Forecast

Forecasting sollte kein Wettbewerb zwischen Intuition und Algorithmen sein. Vielmehr sollte es ein strukturierter Prozess sein, der die Stärken beider Ansätze miteinander verbindet.

Fazit

Forecasting ist sowohl eine technische als auch eine menschliche Aufgabe. Statistische Modelle liefern leistungsstarke Werkzeuge, um Muster in Daten zu erkennen, können aber nicht alles erfassen, was in Märkten und Supply Chains geschieht. Menschliche Expertise bleibt wertvoll, wenn sie neue Informationen einbringt, die den Modellen nicht zugänglich sind. Gleichzeitig unterliegt menschliches Urteilsvermögen Bias und organisatorischem Druck, die Forecasts verschlechtern können, wenn sie nicht kontrolliert werden.

Die effektivsten Forecasting-Prozesse verbinden daher beide Elemente: eine solide statistische Grundlage, ergänzt durch strukturierten menschlichen Input und eine kontinuierliche Messung der Performance. Gelingt Unternehmen diese Balance, wird menschliches Urteilsvermögen nicht zur Quelle von Rauschen, sondern zu einer starken Ergänzung des datengetriebenen Forecastings.

Bei Quantics unterstützen wir produzierende Unternehmen genau dabei, diese Balance zu schaffen. Durch die Kombination fortschrittlicher Forecasting-Methoden, strukturierter Workflows für menschlichen Input und voller Transparenz bei Anpassungen helfen wir Teams, Forecasting in einen kontrollierten, skalierbaren Prozess zu verwandeln, der die Entscheidungsfindung in Planung, Produktion und Supply-Chain-Operations verbessert.

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. Woher weiß man wirklich, ob ein manueller Eingriff den Forecast verbessert oder verschlechtert hat?
Eine verlässliche Methode ist die Forecast-Value-Added-Analyse (FVA): Sie vergleicht die Prognosegenauigkeit vor und nach einer manuellen Anpassung. Verbessert sich die Genauigkeit, hat der Override einen Mehrwert geschaffen – andernfalls hat er wahrscheinlich Bias oder Rauschen in den Forecast gebracht. Wertet man die FVA nach Planer, Produkt oder Anpassungsart aus, wird aus der Annahme „Wir verbessern den Forecast immer“ ein messbarer Fakt.

2. Was ist der Unterschied zwischen einer Bedarfsprognose und einem Umsatzziel?
Eine Bedarfsprognose schätzt, was Kunden tatsächlich kaufen werden; ein Umsatzziel ist eine von der Geschäftsführung vorgegebene Zielgröße zur Leistungssteuerung. Probleme entstehen, wenn beides vermischt wird – etwa wenn ein Forecast künstlich erhöht wird, um ein Budget zu rechtfertigen, oder gesenkt wird, um ein Ziel leichter erreichbar zu machen. Beides strikt zu trennen, ist die Grundlage für eine verlässliche Planung.

3. Sollten Vertriebsmitarbeiter den systemgenerierten Forecast überschreiben dürfen?
Ja, aber nur im Rahmen eines strukturierten Prozesses, nicht durch unkontrollierte und undokumentierte Änderungen. Vertriebsteams kennen oft anstehende Aufträge, laufende Verhandlungen oder Abwanderungsrisiken, die das Modell nicht erkennen kann – ihr Input ist also durchaus wertvoll. Entscheidend ist, dass für jeden überschriebenen Wert verpflichtend ein Grund angegeben wird, damit sich die Auswirkungen im Nachhinein nachvollziehen lassen. Im System muss immer klar ersichtlich sein, wer was wann und aus welchem Grund geändert hat.

4. Wie oft sollte man einen statistischen Forecast manuell anpassen?
Seltener, als die meisten Planungsteams glauben. Punktuelle, aber bedeutsame Eingriffe können die Genauigkeit verbessern, wenn sie auf echten neuen Erkenntnissen basieren. Kleine, häufige Korrekturen hingegen schaden oft mehr, als sie nützen, da sie den Forecast durch zusätzliches Rauschen oder Bias verzerren können. Die goldene Regel lautet daher: Greifen Sie nur bei einem konkreten, nachvollziehbaren Grund ein – keinesfalls routinemäßig.

5. Macht KI-gestütztes Forecasting menschliches Urteilsvermögen überflüssig?
KI macht menschliches Urteilsvermögen nicht überflüssig, sondern reduziert den routinemäßigen manuellen Aufwand. Während KI-Modelle Muster und Saisonalitäten erkennen und eine solide Basisprognose erstellen können, gewinnen Planer wertvolle Zeit für Aufgaben, bei denen menschliche Expertise gefragt ist – etwa bei Verhandlungen, Werbeaktionen oder Marktveränderungen. Das Ziel ist es nicht, den Menschen zu ersetzen, sondern den Fokus von Routineaufgaben hin zu gezielten, strategisch wertvollen Eingriffen zu verlagern.