Die Ermittlung der Prognosegenauigkeit: Der vollständige Leitfaden Inhaltsverzeichnis

Einleitung: Welche Genauigkeit sollte eine verlässliche Prognose haben?

Die am häufigsten gestellte Frage von Kunden, Beratern und anderen Geschäftsexperten ist: „Was würden Sie als ein gutes Maß an Prognosegenauigkeit in unserem Unternehmen ansehen?“ Wir sind jedoch der Meinung, dass dies nicht die richtige Frage ist. Erstens, weil Prognosen in jedem Einzelhandels- oder Supply-Chain-Planungskontext immer ein Mittel zum Zweck sind und nicht das eigentliche Ziel darstellen. Wir müssen bedenken, dass eine Prognose nur in ihrer Fähigkeit relevant ist, uns zu ermöglichen, andere Ziele zu erreichen, wie z.B. eine verbesserte Verfügbarkeit im Regal, reduzierte Lebensmittelverschwendung oder effektivere Sortimente.

Zweitens, obwohl Prognosen ein wichtiger Teil jeder Planungsaktivität sind, stellen sie immer noch nur ein Zahnrad im Planungsmechanismus dar, was bedeutet, dass es andere Faktoren gibt, die einen signifikanten Einfluss auf das Ergebnis haben können. Oft ist die Bedeutung genauer Prognosen entscheidend, aber von Zeit zu Zeit sind andere Faktoren wichtiger, um die gewünschten Ergebnisse zu erzielen. 

Natürlich sagen wir nicht, dass Sie aufhören sollten, die Prognosegenauigkeit insgesamt zu messen. Es ist ein wichtiges Werkzeug für die Ursachenanalyse und zur frühzeitigen Erkennung systematischer Veränderungen in der Prognosegenauigkeit. Um jedoch wertvolle Einblicke aus der Messung der Prognosegenauigkeit zu gewinnen, müssen Sie Folgendes verstehen: 

1. Die Bedeutung der Absatzprognose für den Geschäftserfolg. Die Prognosegenauigkeit ist entscheidend bei der Abwicklung von Produkten mit kurzer Haltbarkeit, wie z.B. frischen Lebensmitteln. Bei anderen Produkten, z. B. Langsamdrehern mit langer Haltbarkeitsdauer, können jedoch andere Teile Ihres Planungsprozesses einen größeren Einfluss auf Ihre Geschäftsergebnisse haben. Wissen Sie, bei welchen Produkten und in welchen Situationen die Prognosegenauigkeit ein entscheidender Faktor für die Geschäftsergebnisse ist? 
2. Welche Faktoren beeinflussen die Prognosegenauigkeit? Nachfrageprognosen sind von Natur aus unsicher; deshalb nennen wir sie Prognosen und nicht Pläne. Unter manchen. Umständen ist die Vorhersage der Nachfrage jedoch einfacher als in anderen. Wissen Sie, wann Sie sich stärker auf Prognosen verlassen können und wann Sie im Gegenteil eine höhere Toleranz gegenüber Prognosefehlern haben müssen? 
3. Wie man die Qualität von Prognosen bewertet. Prognosekennzahlen können zur Überwachung der Leistung und zur Erkennung von Anomalien herangezogen werden, aber wie können Sie feststellen, ob Ihre Prognosen bereits eine hohe Qualität aufweisen oder ob die Prognosegenauigkeit noch erheblich verbessert werden kann? 
4. Wie die Hauptwerte der Prognosegenauigkeit funktionieren. Bei der Messung der Vorhersagegenauigkeit kann ein und derselbe Datensatz gute oder schlechte Ergebnisse liefern, je nach der gewählten Kennzahl und der Art und Weise, wie Sie die Berechnungen durchführen. Verstehen Sie, warum? 
5. Wie man die Prognosegenauigkeit überwacht. Keine Prognosekennzahl ist generell besser als die andere. Wissen Sie, welche Prognosegenauigkeitskennzahlen Sie verwenden sollten und wie? 

In den kommenden Kapiteln werden wir diese Aspekte der Prognosen vertiefen und erläutern, weshalb die Prognosegenauigkeit zwar ein nützliches Werkzeug, jedoch kein alleiniges Kriterium ist.

1. Die Bedeutung der Absatzprognose für den Geschäftserfolg

Wenn Sie nicht in der Wettervorhersage tätig sind, liegt der Wert einer Vorhersage in ihrer Anwendung als Teil eines Planungsprozesses.  

Gute Absatzprognosen verringern die Unsicherheit. Im Einzelhandel und bei der Disposition in den Filialen bieten gute Prognosen u. a. die Möglichkeit, eine hervorragende Produktverfügbarkeit mit reduzierten Sicherheitsbeständen zu erreichen, den Abfall zu minimieren und die Gewinnspannen zu verbessern. Weiter oben in der Lieferkette ermöglicht eine gute Vorhersage den Herstellern, die Verfügbarkeit relevanter Roh- und Verpackungsmaterialien sicherzustellen und ihre Produktion mit geringeren Kapazitäts-, Zeit- und Bestandspuffern zu betreiben. 

Vorhersagen sind natürlich wichtig. Wenn sich bei der Nachfrageprognose leicht erreichbare Chancen bieten, ist es ratsam, diese zu nutzen. Wenn Einzelhändler beispielsweise noch nicht die Vorteile moderner Tools nutzen, die es ihnen ermöglichen, automatisch die effektivste Kombination aus verschiedenen Zeitreihenprognoseansätzen und Machine Learning auszuwählen und einzusetzen, wird sich die Investition auszahlen. Andererseits ist auch klar, dass Nachfrageprognosen immer bis zu einem gewissen Grad ungenau sein werden und dass der Planungsprozess dies berücksichtigen muss.  

In manchen Fällen kann es einfach kosteneffizienter sein, die Auswirkungen von Prognosefehlern abzuschwächen, anstatt weiter zu investieren und die Prognosegenauigkeit zu erhöhen. In der Bestandsverwaltung können die Kosten einer moderaten Erhöhung des Sicherheitsbestandes für ein Produkt mit langer Lebensdauer und langem Haltbarkeitsdatum durchaus vertretbar sein, verglichen damit, dass die Bedarfsplaner viel Zeit für die Feinabstimmung der Prognosemodelle aufwenden oder manuelle Änderungen an der Bedarfsprognose vornehmen, um die Prognosegenauigkeit weiter zu erhöhen.

Darüber hinaus kann es andere Faktoren geben, die einen größeren Einfluss auf das Geschäftsergebnis haben als die Perfektionierung der Nachfrageprognose. In Abbildung 1 sehen Sie ein Beispiel für die Verwendung von Prognosen für die für die Disposition von Lebensmitteleinzelhandel. Obwohl die Prognosegenauigkeit für das Beispielprodukt und die Filiale recht gut ist, gibt es immer noch systematische Verschwendung aufgrund von Warenverderb. Bei näherer Betrachtung wird deutlich, dass der Hauptgrund für die übermäßige Verschwendung der Präsentationbestand des Produktes ist, d. h. die Menge an Bestand, die benötigt wird, um die Regalfläche ausreichend zu füllen und eine attraktive Präsentation zu gewährleisten. Indem man dem betreffenden Produkt weniger Platz zuweist (Abbildung 2), kann man den Lagerbestand senken und so eine 100 prozentige Verfügbarkeit ohne Verschwendung erreichen und ohne die Prognose zu ändern.

Die Schlussfolgerung, die aus den obigen Beispielen gezogen werden kann, ist, dass selbst nahezu perfekte Prognosen keine hervorragenden Geschäftsergebnisse liefern, wenn die anderen Teile des Planungsprozesses nicht genauso gut sind. 

In manchen Situationen, wie z. B. im Lebensmitteleinzelhandel, sind Prognosen von entscheidender Bedeutung. Es ist wirtschaftlich sinnvoll, in die Prognosegenauigkeit zu investieren, indem man sicherstellt, dass durch Wochentage bedingte Umsatzschwankungen effektiv erfasst werden man fortschrittliche Prognosemodelle wie Regressionsanalyse und Machine Learning einsetzt, um die Auswirkungen von Werbeaktionen, Kannibalisierung durch Ersatzartikel und die Berücksichtigung von Wettervorhersagen vorherzusagen. (Erfahren Sie mehr in unserem Guide über die Vorhersage und Disposition von frischen Lebensmitteln).  

All diese Arbeit wird sich jedoch nicht auszahlen, wenn die Chargengrößen zu groß sind oder ein übermäßiger Präsentationsbestand vorhanden ist. Wenn die Verkäufe an den einzelnen Wochentagen stark schwanken, müssen Sie außerdem in der Lage sein, Ihren Sicherheitsbestand pro Wochentag dynamisch anzupassen, um die Verfügbarkeit und den Ausschuss zu optimieren.  

Dies gilt für jeden Planungsprozess. Wenn Sie sich nur auf die Prognosen konzentrieren und keine Zeit auf die Optimierung der anderen Elemente verwenden, die sich auf Ihre Geschäftsergebnisse auswirken, wie Sicherheitsbestände, Durchlaufzeiten, Losgrößen oder Planungszyklen, werden Sie einen Punkt erreichen, an dem zusätzliche Verbesserungen der Prognosegenauigkeit die tatsächlichen Geschäftsergebnisse nur noch geringfügig verbessern.

Schaubild 1: Die Gefahr, sich auf die Genauigkeit von Prognosen zu konzentrieren statt auf die Geschäftsergebnisse 

In den letzten Jahren haben wir bei den Einzelhändlern eine zunehmende Tendenz beobachtet, bei der Wahl zwischen Anbietern von Planungssoftware Prognosewettbewerbe durchzuführen. Im Wesentlichen bedeutet dies, dass alle Anbieter die gleichen Daten von den Einzelhändlern erhalten, die sie dann in ihre Planungstools einfügen, um zu zeigen, welche Prognosegenauigkeit sie bieten können. Möge die beste Prognose gewinnen! Wir begrüßen jegliche Vorgehensweise beim Kauf von Software, bei der die Kunden die Möglichkeit haben, die Software in der Praxis zu testen, bevor sie eine Kaufentscheidung treffen.  

Es gibt jedoch auch Grund zur Vorsicht bei der Durchführung von Prognosewettbewerben. In einigen Fällen waren wir gezwungen, uns zwischen der Vorhersage, die uns die beste Punktzahl für die gewählten Werte der Vorhersagegenauigkeit einbrachte und der Vorhersage zu entscheiden, von der wir wussten, dass sie für den beabsichtigten Verwendungszweck am besten geeignet war. Wie kann das sein? 

Lassen Sie uns dies anhand von zwei einfachen, aber realen Beispielen aus dem Einzelhandel veranschaulichen.

Unser erstes Beispielprodukt ist ein typischer Langsamdreher (siehe Abbildung 3). Die Vorhersagegenauigkeit auf Tagesebene, gemessen als 1-MAD/Mittelwert (siehe Abschnitt 4 für weitere Informationen zu den wichtigsten Vorhersagewerten), erscheint mit 2 % erschreckend niedrig. In der Praxis hätte jedoch selbst eine perfekte Vorhersage keine Auswirkungen auf die Geschäftsergebnisse; die Verfügbarkeit im Regal ist bereits perfekt, und die Lagerbestände werden durch die Anforderungen an den Präsentationsbestand und die Chargengrößen dieses Produktes bestimmt (siehe Abbildung 4). 

Da die Prognose nahezu unvoreingenommen ist, eignet sie sich auch gut als Grundlage für die Berechnung der voraussichtlichen Filialbestellungen, um die Prognosen im Lieferlager zu steuern. Interessanterweise kann die Prognosegenauigkeit auf Tagesebene für unser Beispielprodukt erheblich gesteigert werden, indem das Prognosemodell so manipuliert wird, dass die Nachfrage durchweg unterschätzt wird. Gleichzeitig würde dies jedoch zu einer erheblichen Verzerrung der Prognose führen, was die Angebotsplanung in einer Situation, in der die Filialprognosen die Grundlage für die Prognose des Distributionszentrums bilden, erheblich beeinträchtigen könnte. Außerdem hätte dies keine positiven Auswirkungen auf die Disposition in den Filialen. 

Für unser Beispielprodukt mit geringer Umschlagshäufigkeit ist die Prognose, die eine bessere Bewertung für die gewählte Prognosegenauigkeit liefert, für ihren Zweck, die Disposition in den Filialen und Distributionszentren zu steuern, also weniger geeignet als die Prognose, die eine schlechtere Bewertung für die Prognosegenauigkeit erreicht. 

Unser zweites Beispiel, ein typisches Schnelldreher-Produkt, verzeichnet sehr viel mehr Verkäufe, sodass sich ein systematisches wochentagsbezogenes Umsatzmuster erkennen lässt (siehe Abbildung 5). Aufgrund des hohen Verkaufsvolumens wird die Nachfrage nach diesem Produkt viel weniger durch zufällige Schwankungen beeinflusst, was recht genaue Prognosen auf Tagesebene ermöglicht. Aufgrund des beträchtlichen Verkaufsvolumens und der häufigen Lieferungen steuert die Vorhersage auch tatsächlich die Auffüllung der Lagerbestände und stellt sicher, dass das Lager kurz vor den Nachfragespitzen gut gefüllt ist (siehe Abbildung 5). 

Für das Produkt mit hoher Umschlagshäufigkeit spiegelt die gleiche Prognosegenauigkeit, die für das Produkt mit geringer Umschlagshäufigkeit problematisch war, die Zweckmäßigkeit der Prognose wider. 

Vielleicht interessiert es Sie, was wir getan haben, als wir vor dem ethischen Dilemma standen, unserem potenziellen Kunden entweder eine bessere Bewertung oder eine zweckmäßigere Prognose zu präsentieren. Wir haben uns nicht damit abgefunden, einfach das zu liefern, was der Kunde wollte, sondern das, was er brauchte. Wir haben beide Prognosen vorgelegt und anhand detaillierter Bestandssimulationen erläutert, warum die von uns empfohlene Variante besser geeignet war. Ohne diese Analyse wäre die Schlussfolgerung des Prognosewettbewerbs falsch gewesen. Daher empfehlen wir den Unternehmen ausdrücklich, die Wirksamkeit von Prognosen in dem Kontext zu überprüfen, in dem sie verwendet werden sollen, z. B. durch Simulationen.

2. Welche Faktoren beeinflussen die erreichbare Vorhersagegenauigkeit?

Es gibt mehrere Faktoren, die sich darauf auswirken, welcher Grad an Prognosegenauigkeit realistischerweise erreicht werden kann. Dies ist einer der Gründe, warum es so schwierig ist, die Prognosegenauigkeit zwischen Unternehmen oder sogar zwischen Produkten innerhalb desselben Unternehmens zu vergleichen. Es gibt ein paar grundlegende Faustregeln: 

Die Prognosen sind genauer, wenn die Verkaufsmengen hoch sind: 

Im Allgemeinen ist es einfacher, eine gute Prognosegenauigkeit für große Absatzmengen zu erreichen. Wenn ein Geschäft nur eine oder zwei Einheiten eines Artikels pro Tag verkauft, führt selbst eine zufällige Schwankung von einer Einheit zu einem großen prozentualen Prognosefehler. Umgekehrt eignen sich große Mengen dazu, zufällige Schwankungen auszugleichen. Wenn z. B. täglich Hunderte von Menschen das gleiche Produkt, z. B. eine 12-oz-Cola-Dose, kaufen, hat selbst eine Busladung Touristen, die in dem Geschäft vorbeikommt und jeweils eine Dose abholt, keine nennenswerten Auswirkungen auf die Prognosegenauigkeit. Wenn jedoch dieselben Touristen eine verlockende Empfehlung für einen sehr leckeren Senf mit Biergeschmack erhalten haben, den das Geschäft vorrätig hat, werden ihre Käufe einem Monatsumsatz entsprechen und höchstwahrscheinlich dazu führen, dass die Regale leergefegt sind.

Dies bedeutet, dass die Nachfrage für SB-Warenhäuser und Großmärkte leichter zu prognostizieren ist als für Verbrauchermärkte oder kleine Baumarktketten. Ebenso ist es einfacher, Prognosen für Discounter zu erstellen als für Supermärkte ähnlicher Größe, da reguläre Supermärkte ein zehnmal größeres Sortiment in Bezug auf die Artikelnummern haben können, was bedeutet, dass der durchschnittliche Umsatz pro Artikel viel niedriger ist. 

Die Vorhersagegenauigkeit nimmt mit dem Grad der Aggregation zu: 

Bei der Aggregation von Daten über Artikelnummern oder über die Zeit ist derselbe Effekt zu beobachten, dass größere Mengen die Auswirkungen zufälliger Schwankungen dämpfen. Das bedeutet, dass die Vorhersagegenauigkeit auf Produktgruppenebene oder für eine Ladenkette höher ist als bei der Betrachtung einzelner Artikelnummern in bestimmten Geschäften. Ebenso ist die Vorhersagegenauigkeit auf monatlicher oder wöchentlicher statt auf täglicher Basis in der Regel deutlich höher. 

Kurzfristige Prognosen sind genauer als langfristige Prognosen: 

Ein längerer Prognosehorizont erhöht die Wahrscheinlichkeit erheblich, dass sich noch nicht bekannte Veränderungen auf die künftige Nachfrage auswirken. Ein einfaches Beispiel ist die wetterabhängige Nachfrage. Wenn wir ein halbes Jahr oder noch länger im Voraus entscheiden müssen, welche Mengen an Sommerkleidung gekauft oder produziert werden sollen, können wir derzeit nicht wissen, wie das Wetter im Sommer sein wird. Wenn wir hingegen die Lieferung von Speiseeis an Lebensmittelgeschäfte verwalten, können wir kurzfristige Wettervorhersagen nutzen, um zu planen, wie viel Speiseeis an jedes Geschäft geliefert werden soll. 

In stabilen Unternehmen ist die Vorhersage einfacher: 

Es versteht sich von selbst, dass es bei etablierten Produkten mit stabiler Nachfrage immer einfacher ist, eine gute Prognosegenauigkeit zu erreichen als bei neuen Produkten. Prognosen für die Fast-Fashion- Industrie sind schwieriger als für den Lebensmitteleinzelhandel. Im Lebensmitteleinzelhandel ist es für Einzelhändler, die ein ganzjähriges Niedrigpreismodell verfolgen, einfacher, Prognosen zu erstellen als für Konkurrenten, die stark auf Werbeaktionen oder häufige Sortimentsänderungen setzen.

3. Wie man die Qualität von Prognosen bewertet

Nachdem wir nun festgestellt haben, dass es keine allgemeingültigen Maßstäbe dafür gibt, wann die Prognosegenauigkeit als zufriedenstellend oder nicht zufriedenstellend angesehen werden kann, stellt sich die Frage, wie wir das Potenzial zur Verbesserung der Prognosegenauigkeit ermitteln können. 

Wie in der Einleitung erwähnt, besteht der erste Schritt darin, Ihre Geschäftsergebnisse und die Rolle, die die Prognosen bei Erreichung spielen, zu bewerten. Wenn sich herausstellt, dass die Prognosen ein Hauptgrund für schlechte Geschäftsergebnisse sind, müssen Sie prüfen, ob Ihre Prognoseleistung zufriedenstellend ist.

Dies sind einige der Fragen, denen Sie auf den Grund gehen müssen: 

Sind Ihre Prognosen präzise genug, um systematische Nachfrageschwankungen zu erfassen?

In der Regel gibt es viele Arten von Nachfrageschwankungen, die in gewisser Weise systematisch sind. Es kann saisonale Schwankungen geben, wie z. B. eine steigende Nachfrage nach Tee im Winter, oder Trends, wie z. B. eine anhaltende Zunahme der Nachfrage nach Bio-Lebensmitteln, die durch die Untersuchung vergangener Verkaufsdaten erkannt werden können. Darüber hinaus gibt es bei vielen Produkten, insbesondere auf Filial- und Produktebene, deutliche wochentagsbedingte Schwankungen in der Nachfrage. Ein gutes Prognosesystem, das eine automatische Optimierung der Prognosemodelle vornimmt, sollte in der Lage sein, diese Art von Mustern, ohne manuelle Eingriffe, zu erkennen.  

Erfassen Ihre Prognosen die Auswirkungen von im Voraus bekannten Ereignissen präzise?

Interne Geschäftsentscheidungen, wie z. B. Werbeaktionen, Preisänderungen und Sortimentsänderungen, wirken sich direkt auf die Nachfrage aus. Wenn sich diese geplanten Änderungen nicht in Ihrer Prognose widerspiegeln, müssen Sie Ihren Planungsprozess korrigieren, bevor Sie sich mit der Prognosegenauigkeit befassen können. Der nächste Schritt besteht dann darin, zu untersuchen, wie Sie Ihre Prognosen erstellen, z. B. die Auswirkungen von Werbeaktionen. Nutzen Sie bei der Prognose bereits alle verfügbaren Daten, z. B. Art der Aktion, Marketingaktivitäten, Preisnachlässe, Auslagen in den Geschäften usw., oder könnten Sie die Prognosegenauigkeit durch ausgefeilte Prognosen verbessern? (Hier erfahren Sie über die viert schritte zur besseren Prognose und Disposition von Kampagnen im Handel). 

Neben den eigenen Geschäftsentscheidungen Ihres Unternehmens gibt es auch externe Faktoren, die sich auf die Nachfrage auswirken. Einige davon sind schon lange im Voraus bekannt, wie etwa Feiertage oder regionale Ereignisse. Einmalige Ereignisse erfordern in der Regel eine manuelle Planung, aber bei wiederkehrenden Ereignissen wie Ostern, für die Daten aus der Vergangenheit vorliegen, kann die Vorhersage weitgehend automatisiert werden. Einige externe Faktoren überraschen uns natürlich, wie z. B. der Siegeszug eines bestimmten Produktes in den sozialen Medien. In Finnland geschah dies kürzlich mit Blumenkohl, dessen Nachfrage sich als Reaktion auf eine Social-Media-Kampagne verdoppelte. Die Kampagne wurde von einigen besorgten Bürgern initiiert, die den Landwirten helfen wollten, eine außergewöhnlich große Ernte abzusetzen. Selbst wenn die Informationen erst verfügbar werden, nachdem wichtige Geschäftsentscheidungen getroffen wurden, ist es wichtig, die Informationen zu nutzen, um die für die Prognosen verwendeten Daten zu bereinigen und Fehler in zukünftigen Prognosen zu vermeiden. 

Ist die Genauigkeit Ihrer Prognosen zuverlässig?  

Oft ist es wichtiger zu verstehen, in welchen Situationen und für welche Produkte gute oder schlechte Prognosen zu erwarten sind, als enorme Ressourcen in die Perfektionierung von Prognosen zu stecken, die von Natur aus unzuverlässig sind. Wenn man weiß, wann die Vorhersagegenauigkeit wahrscheinlich gering ist, kann man eine Risikoanalyse der Folgen einer zu hohen oder zu niedrigen Vorhersage durchführen und entsprechende Geschäftsentscheidungen treffen. 

Ein gutes Beispiel hierfür ist ein FMCG-Hersteller, mit dem wir zusammengearbeitet haben und der ein Verfahren zur Identifizierung potenzieller “Stars” in seinem Portfolio neuer Produkte anwendet. „Star”-Produkte haben das Potenzial, den Markt zu erobern, aber sie sind selten und werden nur ein paar Mal pro Jahr angeboten. Da die Produkte nur eine begrenzte Haltbarkeitsdauer haben, möchte der Hersteller nicht riskieren, dass möglicherweise sehr überhöhte Prognosen die Lagerbestände in die Höhe treiben, sondern er stellt sicher, dass er über Produktionskapazitäten, Rohstoffe und Verpackungsmaterial verfügt, um für den Fall gerüstet zu sein, dass sich die ursprüngliche Prognose als zu niedrig erweist. 

Die Notwendigkeit eines zuverlässigen Prognoseverhaltens ist auch der Grund, warum wir bei der Anwendung neuer Prognosemethoden, wie z. B. verschiedener Algorithmen des Machine Learning, äußerste Sorgfalt walten lassen.

Als wir beispielsweise verschiedene Varianten des maschinellen Lernens an Werbedaten testeten, verwarfen wir einen Ansatz, der im Durchschnitt etwas genauer war als einige andere, aber deutlich weniger robust und für den durchschnittlichen Bedarfsplaner schwerer zu verstehen. Gelegentlich auftretende extreme Prognosefehler können sich sehr nachteilig auf Ihre Leistung auswirken, wenn der Planungsprozess so eingerichtet wurde, dass er ein gewisses Maß an Unsicherheit toleriert. Außerdem verringert sich dadurch das Vertrauen der Bedarfsplaner in die Prognoseberechnungen, was die Effizienz erheblich beeinträchtigen kann. 

Wenn sich die Nachfrage auf eine Art und Weise ändert, die nicht erklärt werden kann, oder wenn die Nachfrage von Faktoren beeinflusst wird, für die Informationen nicht früh genug zur Verfügung stehen, um Geschäftsentscheidungen zu beeinflussen, müssen Sie einfach Wege finden, den Prozess weniger abhängig von der Prognosegenauigkeit zu machen.

Wir haben bereits das Wetter als einen externen Faktor erwähnt, der sich auf die Nachfrage auswirkt. Kurzfristig können Wettervorhersagen genutzt werden, um den Nachschub in den Geschäften zu steuern (Hier erfahren Sie mehr darüber, wie Sie Machine Learning nutzen können, um von Wetterdaten für Ihre Prognosen zu profitieren). Langfristige Wettervorhersagen sind jedoch noch zu unsicher, um für die Bedarfsplanung, die Monate vor dem Verkauf erfolgen muss, von Nutzen zu sein.  

Bei sehr wetterabhängigen Geschäften, wie z. B. Wintersportausrüstung, empfehlen wir, eine geschäftliche Entscheidung zu treffen, für welche Lagerbestände man sich entscheidet. Bei Artikeln mit hoher Gewinnspanne sind die geschäftlichen Auswirkungen von Umsatzeinbußen aufgrund von Lieferengpässen in der Regel schlimmer als die Auswirkungen, die sich ergeben, wenn man auf Räumungsverkäufe zurückgreifen muss, um überschüssige Bestände loszuwerden, weshalb eine witterungsabhängige Planung sinnvoll sein kann. Bei Artikeln mit geringer Gewinnspanne können Rabatte die Produkte schnell unrentabel machen, weshalb eine vorsichtige Bestandsplanung sinnvoller sein kann. 

In jedem Fall sollten Sie Ihre Abläufe so einrichten, dass die endgültigen Entscheidungen über die Lagerhaltung so spät wie möglich getroffen werden, um mehr Informationen zu sammeln und die Prognosegenauigkeit zu verbessern. In der Praxis kann dies bedeuten, dass Sie einen Teil der Bestände in Ihren Vertriebszentren zurückhalten, um sie den Regionen zuzuweisen, in denen die günstigsten Bedingungen herrschen und die besten Chancen bestehen, die Waren zum vollen Preis zu verkaufen. (Mehr über die Verwaltung saisonaler Produkte erfahren Sie hier). 

4. Erläuterung der wichtigsten Metriken zur Einschätzung von Prognosegenauigkeit

Je nach gewählter Kennzahl, Aggregationsebene und Prognosehorizont können Sie für denselben Datensatz sehr unterschiedliche Ergebnisse hinsichtlich der Prognosegenauigkeit erhalten. Um Prognosen analysieren und die Entwicklung der Prognosegenauigkeit im Laufe der Zeit verfolgen zu können, ist es notwendig, die grundlegenden Merkmale der am häufigsten verwendeten Kennzahlen für die Prognosegenauigkeit zu verstehen. 

Es gibt wahrscheinlich unendlich viele Kennzahlen für die Vorhersagegenauigkeit, aber die meisten von ihnen sind Variationen der folgenden drei: Vorhersageverzerrung, mittlere durchschnittliche Abweichung (MAD) und mittlerer durchschnittlicher prozentualer Fehler (MAPE). Wir werden uns diese als nächstes genauer ansehen. Lassen Sie sich nicht von dem einfachen Erscheinungsbild dieser Kennzahlen täuschen. Nach der Erläuterung der Grundlagen werden wir uns mit den Feinheiten der praktischen Berechnung dieser Kennzahlen befassen und zeigen, wie einfache und durchaus vertretbare Änderungen in der Berechnungslogik die Ergebnisse der Prognosegenauigkeit radikal verändern können. 

Die Prognoseverzerrung ist die Differenz zwischen Prognose und Umsatz. Wenn die Prognose den Umsatz überschätzt, wird die Prognoseverzerrung als positiv angesehen. Wenn die Prognose den Umsatz unterschätzt, wird die Prognoseverzerrung als Prozentsatz des Umsatzes angegeben, indem einfach die Gesamtprognose durch den Gesamtumsatz geteilt wird – Ergebnisse von mehr als 100 % bedeuten, dass die Prognose zu hoch ist, und Ergebnisse unter 100 % bedeuten, dass die Prognose zu niedrig ist. 

In vielen Fällen ist es nützlich zu wissen, ob die Nachfrage systematisch über- oder unterschätzt wird. Selbst wenn eine leichte Prognoseverzerrung keine nennenswerten Auswirkungen auf die Disposition hätte, kann sie zu einer Über- oder Unterversorgung im Zentrallager oder in den Vertriebszentren führen, wenn diese Art von systematischem Fehler viele Filialen betrifft.  

Ein Hinweis: Bei der Betrachtung von Aggregationen über mehrere Produkte oder lange Zeiträume gibt die Bias-Metrik nur wenig Aufschluss über die Qualität der detaillierten Prognosen. Die Bias-Metrik sagt nur aus, ob die Gesamtprognose gut war oder nicht. Sie kann leicht sehr große Fehler verschleiern. Ein Beispiel hierfür finden Sie in Tabelle 1 auf der folgenden Seite.

Mittlere Absolute Abweichung (MAD) ist eine weitere häufig verwendete Prognosemetrik. Diese Metrik zeigt, wie groß der Fehler durchschnittlich in Ihrer Prognose ist. Da die MAD-Metrik jedoch den durchschnittlichen Fehler in Einheiten angibt, ist sie für Vergleiche nicht sehr nützlich. Ein durchschnittlicher Fehler von 1.000 Einheiten kann sehr groß sein, wenn man ein Produkt betrachtet, das nur 5.000 Einheiten pro Periode verkauft, aber marginal für einen Artikel, der im gleichen Zeitraum 100.000 Einheiten verkauft. 

Mittlerer Absoluter Prozentualer Fehler (MAPE) ist ähnlich wie die MAD-Metrik, drückt jedoch den Prognosefehler in Relation zum Verkaufsvolumen aus. Grundsätzlich gibt sie an, um wie viele Prozentpunkte Ihre Prognosen durchschnittlich abweichen. Dies ist wahrscheinlich die am häufigsten verwendete Prognosemetrik in der Bedarfsplanung. Da die MAPE-Berechnungen allen Artikeln, sei es Produkten oder Zeiträumen, das gleiche Gewicht geben, erhalten Sie schnell sehr hohe Fehlerprozentsätze, wenn Sie viele langsam verkaufende Artikel in den Datensatz einbeziehen, da relative Fehler bei langsam verkaufenden Artikeln ziemlich groß erscheinen können, auch wenn die absoluten Fehler nicht groß sind (siehe Tabelle 2 für ein Beispiel). Tatsächlich ist ein typisches Problem bei der Verwendung der MAPE-Metrik für langsam verkaufende Artikel auf Tagesbasis, dass der Umsatz null ist, was es unmöglich macht, einen MAPE-Wert zu berechnen. 

Die Messung der Prognosegenauigkeit geht über die Auswahl der richtigen Metrik oder Metriken hinaus. Es gibt einige weitere Dinge zu beachten, wenn Sie entscheiden, wie Sie Ihre Prognosegenauigkeit berechnen sollten: 

Genauigkeit messen oder Fehler messen: 

Das mag offensichtlich erscheinen, aber wir erwähnen es trotzdem, da wir im Laufe der Jahre gesehen haben, dass einige sehr kluge Menschen darüber verwirrt waren. Trotz seines Namens misst der Prognosebias die Genauigkeit, was bedeutet, dass das Zielniveau 1 oder 100% ist und die Zahl +/- die Abweichung darstellt. MAD und MAPE hingegen messen den Prognosefehler, was bedeutet, dass 0 oder 0% das Ziel ist und größere Zahlen auf einen größeren Fehler hinweisen.

Daten aggregieren oder Metriken aggregieren: 

Einer der größten Faktoren, der die Ergebnisse Ihrer Prognosegenauigkeits-Kennzahlen beeinflusst, ist die gewählte Aggregationsebene in Bezug auf die Anzahl der Produkte oder über die Zeit. Wie bereits erwähnt, sind Prognosegenauigkeiten typischerweise besser, wenn sie auf aggregierter Ebene betrachtet werden. Wenn Sie jedoch die Prognosegenauigkeit auf aggregierten Ebenen messen, müssen Sie auch darauf achten, wie Sie die Berechnungen durchführen. Wie wir unten demonstrieren werden, kann es einen großen Unterschied machen, ob Sie die Metriken auf aggregierte Daten anwenden oder Durchschnittswerte der detaillierten Metriken berechnen. 

Im Beispiel (siehe Tabelle 3) haben wir eine Gruppe von drei Produkten, deren Verkäufe und Prognosen aus einer einzigen Woche sowie deren jeweilige MAPEs. Die untere Zeile zeigt Verkäufe, Prognosen und die auf der Produktgruppenebene berechnete MAPE basierend auf den aggregierten Zahlen. Mit dieser Methode erhalten wir eine gruppenbezogene MAPE von 3%. Wie wir jedoch zuvor in Tabelle 2 gesehen haben, wenn man zuerst die produktspezifischen MAPE-Metriken berechnet und dann einen gruppenbezogenen Durchschnitt bildet, kommen wir zu einer gruppenbezogenen MAPE von 33%.

Welche Zahl ist richtig? Die Antwort lautet, dass beide richtig sind, aber sie sollten in unterschiedlichen Situationen verwendet und niemals miteinander verglichen werden.  

Wenn man zum Beispiel die Qualität der Prognosen aus der Sicht des Ladennachschubs beurteilt, könnte man leicht argumentieren, dass der geringe Prognosefehler von 3 % auf der aggregierten Ebene in diesem Fall ziemlich irreführend wäre. Wird die Prognose jedoch für Geschäftsentscheidungen auf einer aggregierten Ebene verwendet, z. B. für die Planung von Kommissionier-Ressourcen in einem Vertriebszentrum, kann der geringere Prognosefehler von 3 % durchaus relevant sein. 

Die gleiche Dynamik ist bei der Aggregation über Zeiträume hinweg im Spiel. Die Daten in den vorangegangenen Beispielen waren auf Wochenebene, aber die Ergebnisse sähen ganz anders aus, wenn wir den MAPE für jeden Wochentag separat berechnen und dann den Durchschnitt dieser Messwerte nehmen würden. Im ersten Beispiel (siehe Tabelle 2) lagen die MAPE-Werte auf Produktebene, die auf wöchentlichen Daten zwischen 12 % und 50 %. Die Durchschnittswerte auf Produktebene, die auf der Grundlage der MAPE-Werte auf Tagesebene berechnet wurden, schwanken jedoch zwischen 23 % und 71 % (siehe Tabelle 4). Durch die Berechnung des Durchschnitts der letztgenannten MAPEs erhalten wir einen dritten Vorschlag für den Fehler in der gesamten Produktgruppe: 54%. Dieser Wert unterscheidet sich wiederum deutlich von den 33 %, die wir bei der Berechnung des MAPE auf der Grundlage von Daten auf Wochen- und Produktebene erhalten haben, und den 3 %, die wir bei der Berechnung auf der Grundlage von Daten auf Wochen- und Produktgruppenebene erhalten haben. 

Welche Kennzahl ist am wichtigsten? Wenn es sich um Prognosen für einen Hersteller handelt, der wöchentliche oder längere Planungszyklen anwendet, ist die Messung der Genauigkeit auf Wochenebene sinnvoll. Handelt es sich jedoch um einen Lebensmittelladen, der sechs Lieferungen pro Woche erhält und ein klares wochentagsbezogenes Umsatzmuster aufweist, ist die Verfolgung der täglichen Prognosegenauigkeit viel wichtiger, vor allem, wenn die fraglichen Artikel eine kurze Haltbarkeitsdauer haben.

Arithmetisches Mittel oder gewichteter Durchschnitt: Man kann argumentieren, dass ein Fehler von 54 % nicht das richtige Bild dessen vermittelt, was in unserem Beispiel passiert. Schließlich entfallen auf das Produkt C mehr als zwei Drittel des Gesamtumsatzes, und sein Prognosefehler ist viel kleiner als bei den Produkten mit geringem Volumen. Sollte die Vorhersagekennzahl nicht irgendwie die Bedeutung der verschiedenen Produkte widerspiegeln? Dies kann durch Gewichtung des Prognosefehlers nach dem Umsatz gelöst werden, wie wir es für die MAPE-Kennzahl in Tabelle 5 unten getan haben. Die sich daraus ergebende Kennzahl wird als volumengewichteter MAPE oder MAD/Mittelwert-Verhältnis bezeichnet. 

Wie Sie in Tabelle 5 sehen können, unterscheiden sich die Ergebnisse des mengengewichteten MAPE auf Produktebene von unseren früheren MAPE-Ergebnissen. Das liegt daran, dass der MAPE für jeden Tag mit den Verkäufen für diesen Tag gewichtet wird. Die zugrundeliegende Logik ist, dass, wenn Sie nur eine Einheit pro Tag verkaufen, ein Fehler von 100 % nicht so schlimm ist, wie wenn Sie 10 Einheiten verkaufen und den gleichen Fehler erleiden. Auf Gruppenebene ist der mengengewichtete MAPE jetzt viel kleiner, was die Auswirkungen der stärkeren Gewichtung des stabileren Produkts mit hohem Absatz zeigt. Die Entscheidung zwischen arithmetischem und gewichtetem Mittelwert ist eine Frage der Beurteilung und der Präferenz. Einerseits ist es sinnvoll, Produkte mit höheren Umsätzen stärker zu gewichten, andererseits verliert man auf diese Weise möglicherweise leistungsschwächere “Slow Mover” aus den Augen. 

Die endgültigen oder früheren Versionen der Prognose: Wie bereits erwähnt, ist die Prognose umso ungenauer, je weiter sie in die Zukunft reicht. In der Regel werden Prognosen mehrere Monate in die Zukunft berechnet und dann z. B. wöchentlich aktualisiert. Für eine bestimmte Woche werden also in der Regel mehrere Vorhersagen über die Zeit berechnet, d. h. es gibt mehrere verschiedene Vorhersagen mit unterschiedlichen Zeitverzögerungen. Die Vorhersagen sollten genauer werden, je näher Sie der Woche kommen, die Sie vorhersagen. Das bedeutet, dass Ihre Vorhersagegenauigkeit sehr unterschiedlich aussehen wird, je nachdem, welche Prognoseversion Sie für die Berechnung verwenden. 

Die Prognoseversion, die Sie zur Messung der Prognosegenauigkeit verwenden sollten, ist diejenige, bei der die zeitliche Verzögerung mit dem Zeitpunkt übereinstimmt, zu dem wichtige Geschäftsentscheidungen getroffen werden. Im Einzelhandel und in der Bestandsverwaltung ist die relevante Verzögerung in der Regel die Vorlaufzeit für ein Produkt. Wenn ein Lieferant aus Fernost mit einer Vorlaufzeit von 12 Wochen liefert, kommt es darauf an, wie hoch die Prognosequalität zum Zeitpunkt der Auftragserstellung war, und nicht, wie hoch die Prognose war, als die Produkte eintrafen. 

5. Wie man die Prognosegenauigkeit überwacht

Was die Bewertung der Prognosegenauigkeit angeht, so ist keine Kennzahl generell besser als eine andere. Es kommt ganz darauf an, wofür Sie die Kennzahl verwenden wollen: 

1. Die Vorhersageverzerrung zeigt Ihnen, ob Sie systematisch zu viel oder zu wenig vorhersagen. Die anderen Metriken sagen Ihnen das nicht. 
2. MAD misst den Prognosefehler in Einheiten. Er kann z. B. zum Vergleich der Ergebnisse verschiedener Prognosemodelle für dasselbe Produkt verwendet werden. Die MAD-Kennzahl eignet sich jedoch nicht für den Vergleich zwischen verschiedenen Datensätzen. 
3. MAPE eignet sich besser für Vergleiche, da der Prognosefehler in Relation zum Umsatz gesetzt wird. Da jedoch alle Produkte gleich gewichtet werden, kann dies zu sehr hohen Fehlerwerten führen, wenn die Stichprobe viele “slow movers” enthält. Durch die Verwendung eines volumengewichteten MAPE wird den umsatzstarken Produkten mehr Bedeutung beigemessen. Der Nachteil dabei ist, dass selbst sehr hohe Prognosefehler für Langsamdrehern unbemerkt bleiben können. 

Die Kennzahl für die Prognosegenauigkeit sollte außerdem so gewählt werden, dass sie zu den jeweiligen Aggregationsebenen und dem jeweiligen Planungshorizont passt. In Tabelle 6 sind einige Beispiele für verschiedene Planungsprozesse aufgeführt, bei denen Prognosen und typische Aggregationsebenen über Produkte und Zeit sowie die mit diesen Planungsaufgaben verbundenen Zeitspannen verwendet werden.

Um die Dinge noch komplizierter zu machen, wird ein und dieselbe Prognose oft für verschiedene Zwecke verwendet, was bedeutet, dass in der Regel mehrere Messgrößen für verschiedene Aggregationsstufen und unterschiedliche Zeiträume erforderlich sind. 

Ein gutes Beispiel dafür ist die Auffüllung der Filialen und die Bestandsverwaltung im liefernden Vertriebszentrum. Wir empfehlen, dieselbe Prognose, die für die Auffüllung der Filialen maßgeblich ist, auch für die Bestandsverwaltung im Distributionszentrum (DC) zu verwenden. Auf diese Weise werden Änderungen in den Bestandsparametern der Filialen, Nachschubpläne sowie geplante Änderungen in den Lagerbeständen der Filialen, die z. B. durch die Notwendigkeit des Aufbaus von Lagerbeständen in den Filialen zur Vorbereitung einer Werbeaktion oder im Zusammenhang mit einer Produkteinführung verursacht werden, sofort in der Bestellprognose des DC berücksichtigt. 

Die Anzahl der Prognosen in einem Einzelhandels- oder Supply-Chain-Planungskontext ist in der Regel von vornherein sehr groß, und der Umgang mit mehreren Metriken bedeutet, dass sich die Anzahl noch weiter erhöht. Dies bedeutet, dass Sie ein ausnahmebasiertes Verfahren zur Überwachung der Genauigkeit benötigen. Andernfalls sind Ihre Bedarfsplaner entweder völlig überfordert oder riskieren, wertvolle Bedarfssignale im Durchschnitt zu verlieren. 

Um relevante Ausnahmen effektiv identifizieren zu können, ist es in der Regel sinnvoll, Produkte nach ihrer Bedeutung und Vorhersagbarkeit zu klassifizieren. Dies kann auf verschiedene Weise geschehen, aber ein einfacher Ausgangspunkt ist die Klassifizierung von Produkten nach ihrem Verkaufswert (ABC-Klassifizierung), die in der Regel mit einer genaueren Vorhersage korreliert. Bei Produkten mit hohem Absatzwert und hoher Absatzhäufigkeit (AX) ist beispielsweise eine hohe Vorhersagegenauigkeit realistisch und die Folgen von Abweichungen sind beträchtlich, weshalb der Schwellenwert für Ausnahmen niedrig gehalten und schnell auf Vorhersagefehler reagiert werden sollte. Bei Produkten mit geringer Verkaufsfrequenz muss Ihr Prozess toleranter gegenüber Prognosefehlern sein und die Ausnahmeschwellen sollten entsprechend festgelegt werden.

Dies bedeutet, dass die Prognosen der Filialen nicht nur Tage, sondern in vielen Fällen mehrere Wochen oder sogar Monate im Voraus ausreichend genau sein müssen. Die Anforderungen an die Prognosen der Filialen und die des Distributionszentrums sind jedoch nicht identisch. Die Prognose auf Filialebene muss auf Filial- und Produktebene genau sein, während die Prognose auf DC-Ebene für das gesamte Auftragsvolumen pro Produkt und für alle Filialen genau sein muss. Auf der Ebene des Distributionszentrums reduziert die Aggregation in der Regel den Prognosefehler pro Produkt. Wir müssen jedoch auf systematische Verzerrungen in den Prognosen achten, da eine Tendenz zur Über- oder Unterprognose der Filialnachfrage durch die Aggregation noch verstärkt werden kann. 

Ein weiterer guter Ansatz, den wir in Kombination mit dem oben genannten empfehlen, ist die Auswahl von Produkten oder Situationen, bei denen die Prognosegenauigkeit bekanntermaßen eine Herausforderung darstellt oder von entscheidender Bedeutung ist. Ein typisches Beispiel sind frische oder andere kurz haltbare Produkte, die sehr sorgfältig überwacht werden sollten, da sich Prognosefehler schnell in Verschwendung oder Umsatzverlusten niederschlagen. Besondere Situationen, wie z. B. neue Arten von Werbeaktionen oder Produkteinführungen, können besondere Aufmerksamkeit erfordern, selbst wenn die Produkte eine längere Haltbarkeitsdauer haben. 

Damit die Überwachung der Vorhersagegenauigkeit einen Nutzen bringt, müssen Sie natürlich in der Lage sein, auf Ausnahmen zu reagieren. Einfach nur auf Ausnahmen zu reagieren, indem man fehlerhafte Prognosen manuell korrigiert, wird Ihnen auf Dauer nicht helfen, da es nichts zur Verbesserung des Prognoseprozesses beiträgt. Daher müssen Sie sicherstellen, dass Ihr Prognosesystem 1) transparent genug ist, damit Ihre Bedarfsplaner verstehen können, wie eine bestimmte Prognose zustande gekommen ist, und 2) Ihren Bedarfsplanern die Möglichkeit gibt, die Berechnung der Prognosen zu kontrollieren (siehe Abbildung 2). 

Schaubild 2: Um mit Prognosefehlern umgehen zu können, müssen Sie in der Lage sein, Ihr Prognosesystem zu verstehen und zu kontrollieren 

Anspruchsvolle Prognosen erfordern die Anwendung einer Vielzahl von Prognosemethoden, die viele verschiedene nachfragebeeinflussende Faktoren berücksichtigen. Um Prognosen, die nicht den Anforderungen Ihres Unternehmens entsprechen, anpassen zu können, müssen Sie verstehen, woher die Prognosefehler kommen. Um Prognosen effizient zu debuggen, müssen Sie in der Lage sein, die verschiedenen Prognosekomponenten zu trennen. Einfach ausgedrückt bedeutet dies, dass Sie die Basisprognose, die prognostizierten Auswirkungen von Werbeaktionen und Ereignissen sowie die manuellen Anpassungen der Prognose getrennt betrachten müssen (siehe Abbildung 7). Vor allem wenn Prognosen manuell angepasst werden, ist es sehr wichtig, den Mehrwert dieser Änderungen kontinuierlich zu überwachen. Mehrere Studien weisen darauf hin, dass das menschliche Gehirn für Prognosen nicht gut geeignet ist und dass viele der vorgenommenen Änderungen, insbesondere kleine Erhöhungen der Prognosen, nicht gut begründet sind.

Einige Prognosesysteme auf dem Markt wirken auf die Benutzer wie Blackboxes: Daten gehen rein, Prognosen kommen raus. Dieser Ansatz würde gut funktionieren, wenn die Prognosen 100 % genau wären, aber Prognosen sind nie völlig zuverlässig. Daher müssen Sie sicherstellen, dass Ihr Prognosesystem 1) transparent genug ist, damit Ihre Bedarfsplaner verstehen können, wie eine bestimmte Prognose zustande gekommen ist, und 2) Ihren Bedarfsplanern die Möglichkeit gibt, die Berechnung der Prognosen zu kontrollieren.

Fazit: Die Überwachung der Prognosegenauigkeit ist von Bedeutung, aber keine alleinige Entscheidungsgrundlage

An diesem Punkt haben wir mehr als 7000 Wörter Text produziert und immer noch nicht die ursprüngliche Frage beantwortet, wie hoch Ihre Prognosegenauigkeit sein sollte. Sie verstehen jetzt wahrscheinlich, warum wir manchmal in die Versuchung kommen, einfach eine willkürliche Zahl wie 95 % zu nennen und weiterzumachen. Wir befürchten jedoch, dass sich der Schwerpunkt bei der Verbesserung der Einzelhandels- und Lieferkettenplanung zu sehr auf die Erhöhung der Prognosegenauigkeit verlagert, was auf Kosten der Effektivität des gesamten Planungsprozesses geht, vor allem in Zeiten, in denen so viel über maschinelles Lernen geredet wird. Auch wenn unsere Kunden die Vorteile einer höheren Prognosegenauigkeit durch unsere Algorithmen des Machine Learning genießen, sind wir der Meinung, dass die Rolle der Prognosen im Gesamtbild diskutiert werden muss.  

Bei einigen Produkten ist es einfach, eine sehr hohe Prognosegenauigkeit zu erreichen. Bei anderen ist es kosteneffizienter, die Folgen von Prognosefehlern zu mindern. Bei den Produkten, die irgendwo dazwischen liegen, müssen Sie die Qualität Ihrer Prognosen und deren Zusammenspiel mit dem übrigen Planungsprozess kontinuierlich bewerten. 

Eine gute Vorhersagegenauigkeit allein ist nicht gleichbedeutend mit einem erfolgreichen Unternehmen. Daher ist die Messung der Prognosegenauigkeit keine alleinige Entscheidungsgrundlage. 

Zusammenfassend kann man sagen, dass bei der Messung der Prognosegenauigkeit einige wichtige Grundsätze zu beachten sind: 

1. Messen Sie in erster Linie, was Sie erreichen müssen, z. B. Effizienz oder Rentabilität. Nutzen Sie diese Informationen, um sich auf Situationen zu konzentrieren, in denen gute Prognosen wichtig sind. Ignorieren Sie Bereiche, in denen sie wenig oder gar keinen Unterschied macht. Denken Sie daran, dass Prognosen ein Mittel zum Zweck sind. Sie ist ein Instrument, das Ihnen hilft, die besten Ergebnisse zu erzielen: hohe Verkaufszahlen, geringer Ausschuss, hohe Verfügbarkeit, gute Gewinne und zufriedene Kunden. 
2. Verstehen Sie die Rolle von Prognosen bei der Erreichung von Geschäftsergebnissen und verbessern Sie die Prognosen sowie die anderen Teile der Planungsprozesse parallel dazu. Optimieren Sie Sicherheitsbestände, Durchlaufzeiten, Planungszyklen und Bedarfsprognosen auf koordinierte Weise und konzentrieren Sie sich dabei auf die Teile des Prozesses, die am wichtigsten sind. Überprüfen Sie kritisch Sortimente, Stückzahlen und Werbeaktivitäten, die nicht zum Geschäftserfolg beitragen. Eine hohe Prognosegenauigkeit ist kein Trost, wenn Sie die wichtigsten Dinge nicht richtig machen. 
3. Stellen Sie sicher, dass die Messgrößen für die Prognosegenauigkeit mit Ihren Planungsprozessen übereinstimmen, und verwenden Sie mehrere Messgrößen in Kombination. Wählen Sie für jeden Zweck die richtige Aggregationsebene, Gewichtung und Verzögerung und überwachen Sie Ihre Prognosemesswerte kontinuierlich, um Veränderungen zu erkennen. Oft lassen sich die besten Erkenntnisse gewinnen, wenn Sie mehr als eine Kennzahl gleichzeitig verwenden. Diese Überwachung kann und sollte größtenteils automatisiert werden, so dass nur relevante Ausnahmen hervorgehoben werden. 
4. Wenn Sie Ihre Prognosegenauigkeit mit der anderer Unternehmen vergleichen wollen, müssen Sie unbedingt sicherstellen, dass Sie Gleiches mit Gleichem vergleichen und verstehen, wie die Kennzahlen berechnet werden. Die realistischen Werte der Prognosegenauigkeit können von Unternehmen zu Unternehmen und zwischen Produkten selbst im gleichen Segment erheblich variieren, je nach Strategie, Sortimentsbreite, Marketingaktivitäten und Abhängigkeit von externen Faktoren wie dem Wetter. Außerdem können Sie leicht deutlich bessere oder schlechtere Ergebnisse erzielen, wenn Sie die gleiche Prognosegenauigkeit auf unterschiedliche Weise berechnen. Denken Sie daran, dass Prognosen kein Wettbewerb um die besten Zahlen sind. Um von anderen zu lernen, sollten Sie lernen, wie sie Prognosen erstellen, verwenden und ihre Planungsprozesse entwickeln, anstatt sich auf Zahlen ohne Kontext zu konzentrieren. 

Beitrag von