Forecast Accuracy

Forecast Accuracy misst, wie nah eine Bedarfsprognose an der tatsächlich eingetretenen Nachfrage liegt, ausgedrückt als Prozentwert oder Fehlermaß. Sie ist die zentrale Steuerungsgröße zwischen Vertrieb, Operations und Einkauf: Sinkt die Genauigkeit, steigen Sicherheitsbestände, Eilbestellungen und Verschrottungen; steigt sie, sinkt das gebundene Kapital und die Termintreue verbessert sich.

Detaillierte Erklärung

Drei Kennzahlen dominieren die operative Praxis. Erstens MAPE (Mean Absolute Percentage Error): Mittelwert der absoluten prozentualen Abweichungen, berechnet als Summe von |Ist – Forecast| / |Ist|, dividiert durch die Anzahl der Perioden, multipliziert mit 100. Vorteil: skalenunabhängig, eignet sich zum Vergleich heterogener Artikel. Nachteil: bei sehr kleinen Ist-Werten verzerrt. Zweitens MAD (Mean Absolute Deviation), englisch oft MAE: Mittelwert der absoluten Abweichungen in der Originaleinheit (Stück, Tonnen). Stabil bei intermittierenden Bedarfen mit vielen Null-Perioden, daher in der Bestandsplanung für C-Teile und Ersatzteile bevorzugt. Drittens RMSE (Root Mean Squared Error): Quadratwurzel des Mittels der quadrierten Abweichungen, gewichtet große Fehler überproportional. Geeignet, wenn einzelne große Fehlprognosen wirtschaftlich besonders teuer sind, etwa bei kapitalintensiven A-Teilen. Das Institute of Business Forecasting (IBF) veröffentlicht in seinem Report "Benchmarking Forecast Errors" branchenübergreifende Werte; in der DACH-Industrie liegen typische Bedarfsprognose-Genauigkeiten je nach Produktcharakteristik zwischen 70 und 85 Prozent (entsprechend MAPE zwischen 15 und 30 Prozent), bei Maschinenbau-Ersatzteilen mit intermittierender Nachfrage deutlich darunter. Die BVL (Bundesvereinigung Logistik) empfiehlt, Forecast Accuracy nicht isoliert, sondern in Verbindung mit dem Forecast Bias zu messen, um systematische Über- oder Unterschätzungen zu erkennen.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein hessischer Hersteller von Pumpen mit 420 Mitarbeitern und 78 Millionen Euro Umsatz analysiert Q1 2026 die Forecast Accuracy von 1.240 SKUs. Vertrieb prognostizierte für SKU 4711 (Hauptprodukt, A-Teil) im Januar 8.500 Stück; Ist 7.820 Stück. MAPE pro SKU 8 Prozent über 12 Monate gemittelt, d.h. MAPE des Vertriebsforecasts 12,4 Prozent über die A-Teile, 28 Prozent über die B-Teile und 47 Prozent über die C-Teile. Konsequenzen: Sicherheitsbestand bei A-Teilen 14 Tage, bei C-Teilen wegen schlechter Forecast Accuracy 42 Tage; Kapitalbindung 2,1 Millionen Euro (8,3 Prozent des Lagerwerts). Maßnahmenplan Q2: Einführung statistischer Verfahren (Croston für intermittierende C-Teile), wöchentlicher S&OP-Cycle statt monatlich, Konsignationslager mit Top-3-Lieferanten für 38 Schlüsselartikel. Zielwerte für 2027: A-MAPE auf 8 Prozent, B-MAPE auf 18 Prozent, Reduktion Sicherheitsbestand um 22 Prozent (entspricht 460.000 Euro freigesetztes Working Capital).

Typische Fehler & Verhandlungskontext

Der erste Fehler ist die Mittelung über alle Artikel ohne Klassifizierung: A-, B- und C-Teile haben unterschiedliche Bedarfsstrukturen, ein einheitlicher Zielwert verzerrt das Bild. Zweitens wird oft nur die Genauigkeit gemessen, nicht der Bias; ein systematisch zu niedriger Forecast erzeugt Eilbestellungen und Lieferengpässe, ein systematisch zu hoher Forecast Verschrottung und Working-Capital-Verschwendung. Drittens scheitert die Verbesserung am fehlenden Forecast-Value-Added-Ansatz: Manche Forecast-Anpassungen durch Vertrieb verschlechtern die Genauigkeit gegenüber dem statistischen Basisforecast, ohne dass dies gemessen wird. In Lieferantenverhandlungen ist eine dokumentierte Forecast Accuracy von über 80 Prozent ein hartes Argument für niedrigere Preise, weil der Lieferant geringere Sicherheitsbestände vorhalten muss.

Verwandte Begriffe

Forecast Accuracy wirkt direkt auf [[sicherheitsbestand]], [[bullwhip-effekt]] und [[disposition]] und ist eng verknüpft mit Verfahren wie [[just-in-time]] sowie der ABC- und [[xyz-analyse]] zur Bedarfsklassifizierung.