Predictive Analytics

Predictive Analytics im Einkauf bezeichnet den Einsatz statistischer Modelle und lernender Algorithmen, um auf Basis historischer Daten und aktueller Signale zukünftige Entwicklungen vorherzusagen — Preisverläufe, Lieferantenausfälle, Bedarfsspitzen oder Marktengpässe. Für Einkaufsleiter im DACH-Mittelstand ist der Unterschied zu klassischer Analyse entscheidend: statt "Was ist passiert?" beantwortet Predictive Analytics die Frage "Was wird wahrscheinlich passieren — und wann?"

Detaillierte Erklärung

Predictive Analytics baut auf drei Säulen: historische Daten, statistische Modelle und externe Signale. Im Einkaufskontext bedeutet das:

Historische Datenbasis: Bestellhistorien, Liefertreue-Aufzeichnungen, Preisverläufe, Reklamationsquoten, Lagerbestände. Je länger und konsistenter die Datenbasis, desto zuverlässiger die Vorhersagen. Für eine valide [[bedarfsplanung]] braucht ein Modell mindestens 24 Monate saisonbereinigte Daten.

Statistische Modelle: Zeitreihenanalysen (ARIMA, Prophet) für Bedarfs- und Preisprognosen, Regressionsmodelle für Liefertreue-Vorhersagen, Überlebenszeitanalysen für Lieferantenausfallwahrscheinlichkeiten. Diese Modelle lernen Muster aus der Vergangenheit und extrapolieren sie — mit expliziten Konfidenzintervallen, die zeigen, wie sicher die Vorhersage ist.

Externe Signale: Rohstoffpreisindizes, Lieferkettenstörungsdaten, Wechselkursverläufe, Insolvenzmeldungen bei Lieferanten. Die Kombination interner Historien mit externen Indikatoren verbessert Vorhersagegenauigkeit erheblich — besonders bei Prognosen, die von makroökonomischen Faktoren abhängen.

Typische Anwendungsfelder im Einkauf:

• Preisprognosen: Wird der Stahlpreis in Q3 steigen? Soll ich jetzt auf Jahrespreise wechseln oder flexibel bleiben? Modelle, die auf Commodity-Indexdaten und historischen Einkaufspreisen basieren, liefern Wahrscheinlichkeitsaussagen — keine Garantien, aber strukturierte Entscheidungsgrundlagen.
• Bedarfsprognosen: Auf Basis von Absatzprognosen des Vertriebs, Produktionsplanung und historischen Verbräuchen wird der Beschaffungsbedarf vorausberechnet. Direkte Verbindung zur [[bedarfsplanung]] und zur [[szenarioplanung]] für kritische Materialien.
• Lieferantenrisiko-Frühwarnung: Finanzielle Kennzahlen, Liefertreue-Trends und Nachrichtenmonitoring werden kombiniert, um Lieferanten mit erhöhtem Ausfallrisiko frühzeitig zu identifizieren — bevor ein tatsächlicher Engpass entsteht. Zentraler Baustein des [[risikomanagement]].
• Lageroptimierung: Predictive-Modelle berechnen optimale Bestellzeitpunkte und Mindestbestände unter Berücksichtigung von Vorlaufzeiten, Nachfrageschwankungen und Lieferantenzuverlässigkeit.

Rechtlich relevant: Wenn Predictive-Analytics-Ergebnisse direkt in automatisierte Beschaffungsentscheidungen einfließen (z. B. automatischer Ausschluss von Lieferanten auf Basis eines Risiko-Scores), greift der EU AI Act (2024). Hochrisiko-Klassifizierung ist möglich. DSGVO gilt, wenn Lieferantenkontaktpersonen Teil der Datenbasis sind. GoBD fordert nachvollziehbare Entscheidungsdokumentation.

Laut Gartner (2025) reduzieren Unternehmen mit Predictive-Analytics-gestützter Beschaffungsplanung ihre Notbeschaffungsquote (teure Spot-Einkäufe wegen fehlenden Vorlaufs) um durchschnittlich 31 %.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Verpackungshersteller mit 700 Mitarbeitenden in Österreich bezieht Polyethylen (PE) als Hauptrohstoff. Preisschwankungen von 15–25 % pro Quartal waren historisch schwer planbar — der Einkauf agierte reaktiv.

Nach Einführung eines Predictive-Analytics-Modells für Rohstoffpreise: Das Modell kombiniert Naphtha-Futures (Vorläufer von PE), EUR/USD-Kursentwicklung, Kapazitätsauslastung europäischer Cracker und historische PE-Preiskorrelationen. Es liefert wöchentlich eine 8-Wochen-Preisprognose mit Konfidenzintervall.

Ergebnis im ersten Jahr: Der Einkäufer schaltete in drei Hochpreisphasen rechtzeitig auf Jahrespreise um und sicherte in einer vorhergesagten Preisrückgangsphase kürzere Laufzeiten. Gesamteinsparung gegenüber der Vorjahresstrategie: EUR 340.000. Der Einkäufer traf alle Entscheidungen selbst — das Modell lieferte die Entscheidungsgrundlage, nicht die Entscheidung.

Parallel: Das [[risikomanagement]]-Modul markierte zwei PE-Lieferanten mit verschlechterter Finanzkennzahlen-Entwicklung. Einer davon meldete sechs Monate später Insolvenz an — der Einkauf hatte bereits Alternativlieferanten qualifiziert.

Typische Fehler & Verhandlungskontext

Fehler 1 — Prognosen als Gewissheiten behandeln: Predictive Analytics liefert Wahrscheinlichkeiten, keine Sicherheiten. Einkäufer, die Prognosen ohne Konfidenzintervall lesen und als Fakten behandeln, treffen schlechtere Entscheidungen als ohne Modell. Regel: Immer Bandbreite mitberichten, niemals nur den Punktwert.

Fehler 2 — Overfitting an historische Ausreißer: Modelle, die auf außergewöhnliche Ereignisse (COVID-Schock, Ukraine-Krieg) trainiert wurden, neigen dazu, diese Muster zu übergewichten. Regelmäßige Modellvalidierung gegen Out-of-Sample-Daten ist Pflicht.

Fehler 3 — Keine Integration mit der operativen Planung: Predictive-Insights, die nicht direkt in die [[bedarfsplanung]] oder den [[szenarioplanung]]-Prozess fließen, erzeugen keinen Wert — sie werden als interessant zur Kenntnis genommen und dann ignoriert. Integration in bestehende Planungsprozesse ist wichtiger als Modellqualität.

Verhandlungskontext: Bei Beschaffung von Predictive-Analytics-Lösungen: Backtesting-Ergebnisse verlangen (wie gut hat das Modell in der Vergangenheit vorhergesagt, auf Daten, die es beim Training nicht gesehen hat?). Anbieter, die keine Backtesting-Zahlen nennen können oder wollen, haben kein valides Modell. Außerdem: Wer liefert die externen Datensignale? Sind diese im Lizenzpreis enthalten oder Drittkosten?

Verwandte Begriffe

• [[bedarfsplanung]]
• [[szenarioplanung]]
• [[risikomanagement]]
• [[lieferantenbewertung]]
• [[spend-analyse]]
• [[machine-learning-im-einkauf]]