Forecast Bias

Forecast Bias bezeichnet die systematische Über- oder Unterprognose von Bedarfen, Absätzen oder Verbräuchen über einen längeren Zeitraum. Im Gegensatz zum reinen Forecast Error, der die absolute Abweichung misst, zeigt der Bias die Richtung des Prognosefehlers an. Die Kernkennzahl ist der Cumulated Forecast Error (CFE), der die vorzeichenbehafteten Abweichungen über alle Perioden aufsummiert.

Detaillierte Erklärung

Methodischer Anker für den Forecast Bias sind die Lehrbücher des Institute of Business Forecasting & Planning (IBF) und der Association for Supply Chain Management (ASCM, vormals APICS), die eine akzeptable CFE-Toleranzbandbreite von etwa minus 10 bis plus 10 Prozent über 12 Perioden festlegen. Ein positiver CFE bedeutet konstante Unterprognose, ein negativer CFE konstante Überprognose; beide Fälle sind in der Materialdisposition kritisch, weil sie nicht durch Sicherheitsbestände ausgeglichen werden können. Die DIN SPEC 91406 zur Bestandsplanung empfiehlt eine Bias-Korrektur, sobald der Wert über drei aufeinanderfolgende Perioden in dieselbe Richtung zeigt. Eine BME-Studie zur Bestandsoptimierung 2023 zeigt, dass mittelständische Industrieunternehmen mit unkorrigiertem Bias zwischen 15 und 25 Prozent Überbestand bei A-Teilen halten. Die Bundesvereinigung Logistik (BVL) berichtet in ihrer Mitgliederbefragung 2024, dass aktive Bias-Korrektur die Sicherheitsbestände um 8 bis 12 Prozent senkt, ohne den Servicegrad zu verschlechtern. Hersteller wie Bosch, Siemens und Trumpf berechnen den CFE rollierend über 12 Monate je Materialnummer und kalibrieren bei Werten außerhalb der Bandbreite den Prognosealgorithmus neu.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Hersteller von Industriearmaturen aus Baden-Württemberg prognostiziert für ein A-Teil im Materialstamm 2.400 Stück pro Monat. Über 12 Monate liegt der tatsächliche Verbrauch im Schnitt bei 2.760 Stück, der CFE summiert sich auf plus 4.320 Stück oder plus 15 Prozent gegenüber dem Forecast. Die Disposition kompensiert die Lücke über kurzfristige Sonderbestellungen mit Frachtkosten von 380 Euro je Lauf, hochgerechnet 14 zusätzliche Bestellläufe und 5.320 Euro Mehrkosten pro Jahr. Der Servicegrad sinkt von 97 auf 92 Prozent. 2025 setzt das Unternehmen die Bias-Korrektur nach DIN-SPEC-Empfehlung um: nach drei aufeinanderfolgenden Perioden mit gleichgerichteter Abweichung wird der Forecast-Faktor manuell auf 1,15 angepasst und ein Kalibrierungs-Workflow im SAP IBP eingerichtet. Der CFE pendelt sich nach sechs Perioden bei plus 2,4 Prozent ein, der Sicherheitsbestand sinkt bei einem Stückwert von 18 Euro um 9 Prozent oder rund 7.450 Euro Kapitalbindung, und die Sonderbestellungen entfallen. Netto-Effekt: rund 12.770 Euro pro Jahr je Materialposition.

Typische Fehler & Verhandlungskontext

Erster Fehler: Bias und Forecast Error vermengen — wer nur die mittlere absolute Abweichung (MAD) misst, sieht systematische Drift nicht, weil sich Über- und Unterprognosen rechnerisch aufheben. Zweiter Fehler: Bias-Werte nicht je Materialnummer separieren — eine konzernweite Aggregation kaschiert artikelspezifische Drift, die im Einzelartikel zu Stock-out oder Verschrottung führt. Dritter Fehler: Bias-Korrektur ohne Ursachenanalyse — wer den Faktor blind anpasst, ohne Marketing-Aktionen, Kundenwechsel oder Saisonalität zu trennen, baut den Bias über Generationen ein. Im Verhandlungskontext mit Lieferanten ist Forecast-Sharing der zentrale Hebel: ein dokumentierter Bias unter ±10 Prozent ermöglicht VMI-Vereinbarungen mit verbindlicher Liefermenge, während ein Bias über 20 Prozent den Lieferanten zu Sicherheitsaufschlägen bei der Eigenbevorratung zwingt — typischerweise 6 bis 9 Prozent Preisaufschlag laut BME-Spend-Survey 2024.

Verwandte Begriffe

Der Forecast Bias setzt rechnerisch auf [[forecast-accuracy]] auf, wird gemeinsam mit dem [[tracking-signal]] als Frühwarnsystem in der [[disposition]] eingesetzt, beeinflusst direkt die Auslegung von [[sicherheitsbestand]] und [[meldebestand]] und ist Eingangsgröße der [[nachfrageprognose]] sowie der Losgrößenrechnung nach [[wagner-whitin-algorithmus]] und [[eoq-andler-formel]].