Forecast-Fehler

Der Forecast-Fehler beschreibt die Differenz zwischen prognostiziertem und tatsächlich eingetretenem Bedarf einer Materialnummer in einer definierten Periode. Er ist die wichtigste Kennzahl zur Bewertung der Prognosegüte und steuert direkt die Höhe des dynamischen Sicherheitsbestandes sowie die Belastbarkeit jeder operativen Disposition.

Detaillierte Erklärung

Forecast-Fehler werden in absoluten und relativen Kennzahlen ausgedrückt. Die in DACH-Mittelstandsunternehmen am häufigsten verwendete Metrik ist der Mean Absolute Percentage Error (MAPE), berechnet als (1/n) x Sigma |Actual – Forecast| / Actual x 100. Ergänzend zieht man den Mean Absolute Deviation (MAD), den Root Mean Squared Error (RMSE) sowie den Tracking-Signal-Wert heran, der systematische Verzerrungen offenlegt.

Eine zweite Dimension ist der Bias, also die Tendenz der Prognose, dauerhaft zu hoch oder zu niedrig zu liegen. Ein positiver Bias führt zu Überbeständen und gebundenem Kapital, ein negativer Bias zu Fehlteilen, Eilbestellungen und Vertragsstrafen. APICS und die ASCM SCOR-Referenz fordern, beide Dimensionen gemeinsam zu betrachten, weil ein niedriger MAPE bei gleichzeitig hohem Bias eine Scheingenauigkeit darstellt.

Die Höhe des akzeptablen Forecast-Fehlers hängt vom Produktsegment ab. A-Teile mit stabilem Bedarf (X-Klassifizierung) sollten in Maschinenbau-Lieferketten einen MAPE unter 15 Prozent erreichen, B-Teile zwischen 20 und 30 Prozent, C-Teile mit sporadischem Bedarf (Z-Klassifizierung) liegen oft bei 50 bis 80 Prozent. Hier ist die ABC-XYZ-Matrix die wichtigste Vorstrukturierung jeder Forecast-Diskussion.

Methodisch unterscheidet man Time-Series-Verfahren (gleitender Durchschnitt, exponentielle Glättung, Holt-Winters), kausale Modelle (Regression auf Konjunkturindikatoren wie den ifo-Geschäftsklimaindex oder den VDMA-Auftragseingang) und Machine-Learning-Ansätze auf Basis von Gradient-Boosting oder LSTM-Netzen. ToolsGroup SO99+, ForecastPro, Slim4 sowie Add*ONE sind die im Mittelstand verbreiteten Spezialsysteme; SAP S/4HANA bietet mit Demand-Driven MRP einen integrierten Ansatz. Entscheidend ist das monatliche Forecast-Review, in dem Einkauf, Vertrieb und Operations einen Consensus-Forecast verabschieden, Bias-Korrekturen einsteuern und Sondereffekte aus der Baseline herausrechnen. Ohne diesen disziplinierten Review-Zyklus bleiben methodische Verbesserungen wirkungslos, weil die Annahmen nicht regelmäßig validiert werden.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein westfälischer Hersteller von Förderbändern mit 540 Beschäftigten und jährlichem Materialeinsatz von 62 Mio EUR betreibt SAP S/4HANA mit ToolsGroup SO99+ als Forecasting-Engine. Im Mai 2026 zeigt das monatliche Performance-Review für die Warengruppe Antriebsmotoren einen MAPE von 34 Prozent bei einem positiven Bias von plus 12 Prozent. Die Vertriebsprognose lag also systematisch zu hoch, das gebundene Kapital ist um 1,8 Mio EUR gestiegen.

Die Einkaufsleiterin analysiert mit dem Demand-Planning-Team die Ursachen. Drei Effekte werden identifiziert. Erstens hat der Vertrieb optimistische Auftragseingange aus einem ausgelaufenen Großprojekt unbereinigt in die Baseline übernommen. Zweitens wurden Promotionspreise eines Wettbewerbers nicht im Modell berücksichtigt, was die tatsächliche Nachfrage drückte. Drittens hat die Holt-Winters-Saisonkomponente die schwache Frühjahrssaison im Maschinenbau überschätzt.

Als Maßnahmenpaket beschließt das Team einen monatlichen Cleansing-Schritt für Sondereffekte, die Einführung eines Bias-Adjustments von minus 8 Prozent für die nächsten drei Monate sowie eine ABC-XYZ-Reklassifizierung der 2.400 aktiven Materialnummern. Für 180 BY-Teile (mittlerer Wert, regelmäßiger aber schwankender Bedarf) wird der Sicherheitsbestand mittels dynamischer Berechnung um 22 Prozent reduziert, weil die jetzt bekannte Standardabweichung der Forecast-Fehler kleiner ist als die historisch verwendete Größe.

Die Wirkung wird im Juli 2026 messbar: Der MAPE sinkt auf 24 Prozent, der Bias auf plus 3 Prozent, das durchschnittlich gebundene Kapital reduziert sich um 1,2 Mio EUR. Der Lieferservicegrad bleibt konstant bei 97,5 Prozent. Die Hackett Group würde diese Performance im oberen Drittel des Maschinenbau-Mittelstands einordnen, dessen Median-MAPE bei rund 30 Prozent liegt; Best-in-Class-Unternehmen erreichen Werte unter 18 Prozent.

Typische Fehler & Verhandlungskontext

Der häufigste methodische Fehler ist die Vermischung von Aggregations-Ebenen. Ein MAPE auf Konzern-Ebene über alle Warengruppen kann bei 10 Prozent liegen, während auf SKU-Ebene Werte von 60 Prozent auftreten; nur die SKU-Sicht ist dispositiv brauchbar. Ein zweiter klassischer Fehler ist die Ignoranz gegenüber Intermittent Demand: Bei C/Z-Teilen liefert MAPE mathematisch verzerrte Ergebnisse, weil Perioden mit Actual=0 nicht definiert sind; hier sind Mean Absolute Scaled Error (MASE) oder die Croston-Methode korrekt.

Im Verhandlungskontext mit Lieferanten ist der eigene Forecast-Fehler ein zweischneidiges Schwert. Wer Rahmenverträge mit Mindestabnahmemengen abschließt und einen hohen Bias hat, riskiert Restmengen-Übernahmen und damit Obsoleszenz, oft im fünfstelligen Bereich je Artikelnummer. Umgekehrt verlangen viele Lieferanten in DACH-Lieferverträgen sogenannte Forecast-Verbindlichkeitszonen: Der Forecast der nächsten 4 Wochen ist fix, Wochen 5 bis 8 sind zu 80 Prozent verbindlich, Wochen 9 bis 12 zu 50 Prozent. Diese Staffelung sollte zum eigenen MAPE-Profil passen, sonst entstehen entweder unnötige Sicherheitsbestände beim Lieferanten oder akute Fehlteile beim eigenen Unternehmen. Eine ehrliche, gemeinsame Forecast-Performance-Bewertung im jährlichen Lieferantengespräch gehört daher zum guten Ton der Zusammenarbeit.

Auch im Risikomanagement ist die Kennzahl zentral. Nach IDW PS 350 müssen Bestandsbewertungen am Abschlussstichtag dem Niederstwertprinzip nach HGB §253 folgen; systematisch überhöhte Forecasts führen zu unkurranten Beständen, die abzuwerten sind und das Jahresergebnis belasten. In der Verhandlung mit Banken über Working-Capital-Linien ist ein nachweislich sinkender Forecast-Fehler ein Pluspunkt, weil er die Belastbarkeit der Cashflow-Planung erhöht und die Bestandsreichweite stabilisiert. Auch in Kunden-Lieferanten-Verhandlungen über Service-Level-Agreements wird die Kennzahl zunehmend transparent gemacht, um beidseitig die Planbarkeit zu erhöhen und Eilbestellungen, Sondertransporte sowie Vertragsstrafen zu vermeiden, die im Mittelstand jährlich Beträge im sechsstelligen Bereich verschlingen können.

Verwandte Begriffe

• [[forecast-management]] — Gesamtprozess der Bedarfsprognose von Datenaufbereitung bis Consensus-Meeting.
• [[consensus-forecast]] — abgestimmte Prognose aus Vertrieb, Einkauf und Operations als verbindliche Planungsbasis.
• [[dynamischer-sicherheitsbestand]] — Sicherheitsbestand, der direkt aus der Standardabweichung des Forecast-Fehlers berechnet wird.
• [[abc-xyz-klassifizierungszyklus]] — Vorstrukturierung für differenzierte Forecast-Ziele je Materialsegment.
• [[fill-rate-einkauf]] — Servicegrad-Kennzahl, die durch hohe Forecast-Fehler regelmäßig unter Druck gerät.