Nachfrageprognose

Nachfrageprognose schätzt zukünftige Bedarfsmengen je Artikel und Periode auf Basis historischer Verbrauchsdaten, Saisonmustern und externer Treiber. Sie ist die Eingangsgröße für [[disposition]], [[sicherheitsbestand]] und Kapazitätsplanung — eine Verbesserung der Prognosegüte um 10 Prozentpunkte senkt typische Lagerwerte im DACH-Mittelstand um 8 bis 12 Prozent.

Detaillierte Erklärung

Drei Verfahrensfamilien dominieren die Praxis. Erstens ARIMA (Autoregressive Integrated Moving Average), 1976 von George Box und Gwilym Jenkins methodisch ausgearbeitet im Buch "Time Series Analysis: Forecasting and Control": Modelliert die Zeitreihe als Funktion eigener Vergangenheitswerte (AR), Differenzen (I) und Fehlerterme (MA). Geeignet für stationäre, gut datenversorgte A-Teile mit mindestens 24 Beobachtungsperioden. Zweitens Holt-Winters Triple Exponential Smoothing, von Charles Holt 1957 entwickelt und 1960 von Peter Winters um die Saisonkomponente erweitert: zerlegt die Reihe in Niveau, Trend und Saison mit drei Glättungsparametern Alpha, Beta und Gamma. Geeignet für saisonal schwankende B-Teile mit klaren Jahres- oder Quartalsmustern. Drittens die Croston-Methode, 1972 von John D. Croston im Operational Research Quarterly publiziert: behandelt intermittierende Nachfrage (viele Null-Perioden) durch getrennte Schätzung von Bedarfshöhe und Zwischenankunftszeit. Bewährtes Verfahren für Ersatz- und C-Teile im Maschinenbau. Die Bewertung erfolgt über MAPE (Mean Absolute Percentage Error): Summe der absoluten prozentualen Abweichungen geteilt durch Periodenanzahl. Das Institute of Business Forecasting (IBF) berichtet in seinem Report "Benchmarking Forecast Errors" für die DACH-Industrie typische MAPE-Werte von 12 bis 18 Prozent für A-Teile, 25 bis 35 Prozent für B-Teile und über 50 Prozent für intermittierende C-Teile. Der BME und die BVL empfehlen, die Verfahrenswahl pro [[xyz-analyse]]-Segment zu treffen und die MAPE quartalsweise gegen einen Naive-Forecast (Vorperiodenwert) zu benchmarken; ein Forecast-Verfahren, das den Naive nicht schlägt, ist betriebswirtschaftlich wertlos.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein bayerischer Hersteller von Hydraulikkomponenten mit 510 Mitarbeitern und 92 Millionen Euro Umsatz prognostiziert 2026 für 3.800 SKUs. Bisher: Excel-basierter gleitender Mittelwert über 6 Monate, MAPE 34 Prozent über alle Artikel, Sicherheitsbestand 24 Tage, Working Capital 6,4 Millionen Euro. Der Einkaufsleiter segmentiert nach [[abc-analyse]] in Kombination mit XYZ-Klassen: 280 AX-Artikel auf Holt-Winters mit Saison-Glättung, 1.140 BX/BY-Artikel auf ARIMA(1,1,1), 2.380 CZ-Artikel auf Croston. Nach drei Quartalen: MAPE der A-Teile 11 Prozent, der B-Teile 22 Prozent, der intermittierenden C-Teile 38 Prozent. Sicherheitsbestand sinkt auf durchschnittlich 16 Tage, freigesetztes Working Capital 1,8 Millionen Euro. Die Lieferbereitschaft hält sich stabil bei 97,8 Prozent, die Anzahl Eilbestellungen sinkt von 142 auf 64 pro Monat (Eilkostensenkung 380.000 Euro pro Jahr).

Typische Fehler & Verhandlungskontext

Erstens: ein Verfahren für alle Artikel. Holt-Winters auf intermittierende C-Teile angewandt produziert systematisch zu hohe Forecasts und Verschrottung. Zweitens: Vertriebsoverride ohne Forecast Value Added. Wenn Vertrieb den statistischen Forecast nach Bauchgefühl korrigiert, ohne die Verbesserung zu messen, verschlechtert sich die Genauigkeit in zwei von drei Fällen — eine Erkenntnis, die Mark Moon und John Mentzer von der University of Tennessee bereits 2002 in "Sales Forecasting Management" dokumentierten. Drittens: keine Aktualisierung der Modellparameter nach Produktanlauf oder Auslauf. In Lieferantenverhandlungen ist eine vertraglich zugesicherte rollierende 12-Monats-Nachfrageprognose mit dokumentierter MAPE unter 20 Prozent ein harter Hebel für Preisreduktionen von typisch 2 bis 4 Prozent, weil der Lieferant seine eigenen Sicherheitsbestände senken kann. Sauber implementiert dämpft sie zugleich den [[bullwhip-effekt]] entlang der gesamten Lieferkette.

Verwandte Begriffe

Die Nachfrageprognose verbindet sich mit [[forecast-accuracy]], [[xyz-analyse]] und [[disposition]] und ist Eingangsgröße für [[sicherheitsbestand]], [[bullwhip-effekt]]-Dämpfung sowie verfeinerte Verfahren wie [[demand-sensing]] und [[demand-aggregation]].