← Alle Insights

Analytics · 9 Min. Lesezeit · Dennis Schmal

Forecast-Genauigkeit verbessern: 7 Hebel, die in der Praxis wirklich wirken

Schlechte Prognosen kosten doppelt: Überbestände binden Kapital, Fehlmengen kosten Umsatz und Nerven. Viele Teams versuchen, das Problem mit neuer Software zu lösen, und scheitern. Denn Forecast-Genauigkeit ist zu achtzig Prozent ein Prozess- und Datenproblem, nicht ein Werkzeugproblem. Hier sind sieben Hebel, die du ohne großes IT-Projekt ziehen kannst.

Hebel 1 und 2: Richtig messen und Daten säubern

Du kannst nicht verbessern, was du nicht misst. Lege fest, auf welcher Ebene du die Genauigkeit misst: Artikel, Warengruppe, Region, Woche oder Monat. Eine Gesamtgenauigkeit über alles sieht oft gut aus, während einzelne Artikel völlig danebenliegen. Miss dort, wo du disponierst.

Der zweite Hebel ist Datenqualität. Falsche Lieferzeiten, veraltete Stammdaten, Aktionsverkäufe in der Historie, die als normale Nachfrage gezählt werden: All das vergiftet jede Prognose. Einmal im Quartal die wichtigsten Stammdaten prüfen bringt oft mehr als jedes neue Modell.

  • Sind Lieferzeiten und Losgrößen aktuell?
  • Sind Aktionen und Sonderfälle in der Historie markiert?
  • Gibt es Artikel mit Lücken oder Dubletten in der Historie?
  • Sind Auslaufartikel und Neulistungen korrekt gekennzeichnet?
Datenqualität prüfen

Hebel 3 bis 5: Den Prozess sauber trennen

Hebel drei: Trenne die statistische Prognose von der manuellen Anreicherung. Das System rechnet aus der Vergangenheit, der Mensch ergänzt, was das System nicht wissen kann: geplante Aktionen, Kundenwechsel, Marktveränderungen. Wenn beides vermischt wird, weiß niemand mehr, was funktioniert hat.

Hebel vier: Messe den Wert der manuellen Anpassungen. Viele Teams überschreiben die Systemprognose regelmäßig und machen sie damit schlechter. Wer die Anpassungen misst, findet schnell heraus, wo Erfahrung hilft und wo sie schadet.

Hebel fünf: Segmente dein Sortiment. Ein A-Artikel mit stabiler Nachfrage braucht ein anderes Vorgehen als ein C-Artikel mit sporadischen Bestellungen. Ein Verfahren für alles ist ein Verfahren, das für nichts richtig gut ist.

Typischer Fehler

  • Systemprognose wird blind überschrieben
  • Niemand misst, ob die Anpassung besser war
  • Ein Verfahren für das ganze Sortiment
  • Genauigkeit nur als Gesamtzahl

Sauberer Prozess

  • Statistik und manuelle Anreicherung getrennt
  • Anpassungen werden gemessen und bewertet
  • Sortiment nach Verhalten segmentiert
  • Genauigkeit auf Dispositionsebene gemessen
Vermischt versus getrennt

Hebel 6 und 7: Informationen einholen und lernen

Hebel sechs: Hole die Informationen, die nur andere haben. Der Vertrieb weiß von geplanten Aktionen, der Einkauf von Lieferantenproblemen, das Marketing von Kampagnen. Ein kurzer, regelmäßiger Austausch vor dem Prognoselauf ist mehr wert als jede nachträgliche Korrektur. Das ist auch der Kern eines guten S&OP-Prozesses.

Hebel sieben: Baue eine Lernschleife. Analysiere jeden Monat die größten Abweichungen. War es ein einmaliges Ereignis oder ein Muster? Lag es an den Daten, am Modell oder an einer manuellen Anpassung? Teams, die das konsequent tun, verbessern ihre Genauigkeit Jahr für Jahr spürbar.

  1. 1

    Abweichungen finden

    Identifiziere die Artikel mit den größten Prognosefehlern des Monats.

  2. 2

    Ursache bestimmen

    Einmaliges Ereignis, Datenproblem, Modellfehler oder manuelle Anpassung?

  3. 3

    Maßnahme ableiten

    Stammdaten korrigieren, Segmentierung anpassen oder Prozess ändern.

  4. 4

    Wirkung prüfen

    Im nächsten Monat kontrollieren, ob die Maßnahme gegriffen hat.

Die monatliche Lernschleife

Wie du die Wirkung sichtbar machst

Bessere Prognosen sind ein starkes Karrieargument, wenn du sie in Geschäftssprache übersetzt. Rechne aus, was ein Prozentpunkt mehr Genauigkeit bringt: weniger Sicherheitsbestand, weniger Kapitalbindung, weniger Fehlmengen. So wird aus einer Kennzahl ein Business Case, den das Management versteht.

Häufige Fragen

Was ist eine gute Forecast-Genauigkeit?

Das hängt stark von Branche und Sortiment ab. Stabile A-Artikel erreichen oft 80 bis 90 Prozent auf Monatsebene, sporadische C-Artikel deutlich weniger. Wichtiger als der absolute Wert ist die Entwicklung: Wird deine Genauigkeit über die Monate besser?

Welche Kennzahl soll ich nutzen: MAPE, Bias oder etwas anderes?

MAPE zeigt die durchschnittliche Abweichung, Bias zeigt systematische Über- oder Unterschätzung. Nutze beide zusammen. Eine gute Genauigkeit mit hohem Bias bedeutet, dass du strukturell falsch planst.

Lohnt sich KI für die Prognose?

Ja, wenn die Basis stimmt. KI-Modelle erkennen komplexe Muster, brauchen aber saubere Historien und klare Prozesse. Ohne Datenqualität und saubere Trennung von Statistik und Anreicherung verschwendest du das Potenzial.

Wie überzeuge ich den Vertrieb, Informationen zu liefern?

Zeige den Nutzen für den Vertrieb selbst: bessere Verfügbarkeit bei Aktionen, weniger Engpässe bei wichtigen Kunden. Und halte den Aufwand klein: ein kurzes, festes Format schlägt jede lange Abfrage.

Wo stehst du gerade?

In einer 30-minütigen Karriere-Diagnose klären wir, welcher nächste Schritt deine Wirkung sichtbar macht.