Forecast Management

Forecast Management ist die systematische Erstellung, Bewertung und Verbesserung von Absatz- und Bedarfsprognosen als Eingangsgröße für Disposition, Produktion und Einkauf. Es kombiniert statistische Modelle (Holt-Winters, ARIMA, Croston), Marktwissen und Konsens-Prozesse zwischen Vertrieb, Planung und Einkauf — mit dem Ziel hoher Forecast Accuracy bei vertretbarem Aufwand.

Detaillierte Erklärung

Das Fundament jedes Forecast-Management-Systems ist die Modellauswahl entlang der Bedarfscharakteristik. Die XYZ-Klassifikation gibt dafür die Entscheidungslogik: X-Materialien (geringe Variabilität, Variationskoeffizient unter 0,25) eignen sich für Holt-Winters-Modelle mit Trend- und Saisonkomponenten. Y-Materialien (mittlere Variabilität) profitieren von ARIMA oder einfacher exponentieller Glättung. Z-Materialien (sporadischer Bedarf, oft Ersatzteile) erfordern Croston oder dessen Weiterentwicklung Croston-SBA, da klassische Glättungsverfahren bei vielen Nullperioden systematisch überschätzen.

ASCM SCOR und APICS Forecasting empfehlen einen rollierenden Forecast-Horizont von mindestens dem dreifachen der Wiederbeschaffungszeit. Bei einem Material mit 12 Wochen Lieferzeit also mindestens 36 Wochen Vorausschau, idealerweise 52 Wochen für Saisonalitätserkennung. Die Aktualisierungsfrequenz hängt von der Volatilität ab: A-X monatlich, A-Y zweiwöchentlich, A-Z manuell bei Bedarfssignal.

Forecast Accuracy wird über MAPE (Mean Absolute Percentage Error) gemessen: MAPE = (1/n) × Σ |Ist – Forecast| / |Ist| × 100. Ein MAPE von 15 Prozent gilt im Maschinenbau als gut, im Konsumgüterbereich werden auch 8 Prozent erreicht, im Ersatzteilgeschäft sind 30-40 Prozent realistisch. Wichtige Alternative ist WMAPE (gewichtet nach Volumen oder Wert), das verhindert, dass Kleinmengen-Ausreißer die Gesamtkennzahl dominieren. Die Tracking-Signal-Kennzahl deckt systematische Verzerrungen auf — Werte über 4 oder unter -4 zeigen, dass das Modell strukturell zu hoch oder zu niedrig prognostiziert.

In SAP S/4HANA wird Forecast Management über SAP IBP (Integrated Business Planning) abgewickelt; die Standard-Materialdisposition (MRP-Live) nutzt einfache Verfahren wie Konstantmodell, Trendmodell und saisonales Modell. Oracle E-Business deckt ähnliche Modelle im Demand-Management-Modul ab. Spezialisierte Systeme wie SAS Forecast Server oder o9 erweitern um Machine-Learning-Verfahren (Random Forest, Gradient Boosting) für Materialien mit komplexen Treibern.

Der oft unterschätzte Anteil an gutem Forecast Management ist nicht die Methode, sondern der Konsens-Prozess. Ein Consensus Forecast koppelt Vertriebsmeldungen, statistisches Modell und Markteinschätzung in einem dokumentierten Abstimmungstermin (S&OP). Studien zeigen, dass Konsens-Forecasts oft 8-15 Prozentpunkte bessere Accuracy liefern als reine Modell- oder reine Vertriebs-Forecasts.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein DACH-Komponentenhersteller mit 24 Mio. EUR Materialaufwand und 980 A-Materialien will den MAPE auf A-Material-Ebene von 28 auf 18 Prozent senken. Eine Bestandsanalyse zeigt: 6,2 Mio. EUR des Bestands sind direkt der Forecast-Ungenauigkeit zuzurechnen, weil Sicherheitsbestände die Modellschwäche kompensieren.

Schritt eins: Die A-Materialien werden XYZ-klassifiziert. 380 sind X, 410 Y, 190 Z. Für X-Materialien wird Holt-Winters mit Saisonperioden 12 Monate aktiviert. Für Y wird ARIMA mit automatischer Ordnungswahl (auto.arima) implementiert. Für Z wird Croston-SBA eingesetzt, da bei diesen Materialien 60-80 Prozent Nullperioden vorkommen.

Schritt zwei: Ein monatlicher Konsens-Termin wird etabliert. Vertrieb, Produktplanung, Einkauf und Controlling prüfen die statistische Prognose, ergänzen Marktinformationen (größerer Auftrag erwartet, Mitbewerber-Insolvenz, Rohstoff-Preissprünge) und committen einen finalen Forecast. Der Override gegenüber dem statistischen Modell wird dokumentiert und im Folgemonat hinsichtlich seiner Wirkung gemessen.

Schritt drei: Forecast Accuracy wird wöchentlich an Materialgruppen-Verantwortliche zurückgespielt. Materialien mit 3 Monaten in Folge MAPE über 35 Prozent kommen auf eine Watchlist und werden manuell betreut. Materialien mit MAPE unter 12 Prozent werden in den vollautomatischen Modus überführt, was Disponenten-Zeit freisetzt.

Nach 9 Monaten liegt der Gesamt-MAPE bei 19 Prozent (Ziel knapp verfehlt), der bestandsoptimierende Effekt schlägt aber mit 4,1 Mio. EUR durch, weil die Verbesserung in genau den Materialgruppen erreicht wurde, die hohe Sicherheitsbestände trugen. Das Beispiel zeigt: Forecast Management ist ein Hebel für Working Capital, nicht Selbstzweck.

Typische Fehler & Verhandlungskontext

Der erste Fehler ist die Anwendung eines Modells auf alle Materialien. Wer Holt-Winters auf sporadische Z-Ersatzteile loslässt, prognostiziert oft systematisch zu hoch (positiver Tracking-Signal-Drift). Wer Croston auf Serienware anwendet, verschenkt Saisonalität. Die XYZ-gestützte Modellauswahl ist Pflicht, nicht Kür.

Der zweite Fehler ist die Bewertung von Forecast Accuracy ohne Kontext. Ein MAPE von 25 Prozent ist im Ersatzteilgeschäft Spitze, im Standardseriengeschäft mangelhaft. Sinnvolle Ziele entstehen durch Benchmarking innerhalb der eigenen Klassen und durch Vergleich gegen einen naiven Forecast (letzter Wert oder gleitender Durchschnitt). Wenn das statistische Modell einen naiven Forecast nicht schlägt, ist es überflüssig.

Im Verhandlungskontext mit Lieferanten ist der Forecast Doppelschwert. Ein guter Forecast ermöglicht Rahmenverträge mit Mengen-Korridoren und damit bessere Konditionen. Ein schlechter Forecast, der häufig nach unten korrigiert wird, führt zu Lieferanten-Misstrauen und faktisch höheren Preisen, weil Lieferanten die Unzuverlässigkeit einpreisen. APICS empfiehlt, Lieferanten regelmäßig die eigene Forecast Accuracy zu zeigen — nicht nur die Mengen aufzulisten, die gewollt sind, sondern auch, wie zuverlässig die Vorausschau ist. Das schafft realistische Erwartungen und meist bessere Konditionen.

Der dritte Stolperstein ist die organisatorische Trennung von Forecast und Planung. Wer den Forecast im Vertrieb erstellt, aber an der Materialdisposition vorbei, schafft zwei Wahrheiten — mit garantiertem Bullwhip-Effekt in der Lieferkette. Ein integrierter S&OP-Prozess mit Einkauf am Tisch verhindert diesen Bruch.

Ein vierter häufiger Fehler ist das Vergessen der Modell-Diagnostik. Auto-ARIMA und Holt-Winters laufen oft jahrelang ohne Re-Validation, obwohl sich Bedarfsmuster geändert haben. Ein neues Produkt verschiebt Saisonkomponenten, ein verlorener Großkunde reduziert Niveau-Effekte, ein Materialwechsel im Stücklisten-Stamm verschiebt Bedarfslinien. Halbjährliche Modell-Reviews mit Plausibilitätsprüfung der Parameter (Trend-Glättungsfaktor, Saison-Glättungsfaktor) verhindern, dass das System auf Autopilot in die falsche Richtung plant.

Verwandte Begriffe

• [[forecast-accuracy]]
• [[xyz-analyse]]
• [[bullwhip-effekt]]
• [[materialdisposition]]
• [[plan-ist-vergleich-bestand]]