Nachfrageprognosen: 10 wichtige Komplexitätstreiber

Nachfrageprognosen können komplex sein. Vor allem in der heutigen Zeit, in der sich das Verbraucherverhalten ständig verändert. Nach diesem Artikel wirst du verstehen, was die Komplexität bei der Erstellung einer Nachfrageprognose treibt, welche Probleme bei der Prognoseberechnung auftreten und was getan werden kann, um die Genauigkeit der Nachfrageprognose zu erhöhen.

Bist Du bereit? Dann lass uns loslegen!

Was ist eine Nachfrageprognose?

Bevor wir über die Komplexitätstreiber von Nachfrageprognosen sprechen, ist es zunächst hilfreich, zu definieren, was genau unter einer Prognose zu verstehen ist.

Mithilfe von Nachfrageprognosen wird der künftige Bedarf auf Grundlage aktueller und vergangener Entwicklungen prognostiziert. Das Ziel von Nachfrageprognosen ist in der Regel die Optimierung von Lagerbeständen, Produktionsplänen oder der Bestandsverwaltung, um Kosten zu minimieren und den Gewinn zu maximieren. Außerdem nutzen Unternehmen Nachfrageprognosen dazu, um ihre Marketing- und Verkaufsaktivitäten zu optimieren. Im Allgemeinen sind Nachfrageprognosen somit ein integraler Bestandteil des S&OP-Prozesses (Sales & Operations Planning).

Wie sieht ein typischer Prognoseprozess aus?

In der Regel umfasst ein Nachfrageprognoseprozess die folgenden Schritte:

• Datenerhebung: Sammlung erforderlicher interner und externer Daten
• Datenanalyse: Analyse und Verständnis der gesammelten Daten
• Prognosemodell Erstellung: Auswahl passender Prognosemethoden und Prognosemodellerstellung
• Prognoseerstellung: Prognoseberechnung
• Bewertung der Prognosegenauigkeit: Prüfung der Prognosegenauigkeit
• Prognosemodell Optimierung: Anpassung und Validierung des Prognosemodells
• Absatzplan Überführung: Ableitung eines umsetzbaren Plans

Doch lass uns nun auf die Ursachen eingehen, die diesen Prozess so komplex machen können, insbesondere wenn dieser manuell durchgeführt wird.

10 wesentliche Komplexitätstreiber bei der Prognoseerstellung

Volatiles Verbraucherverhalten

Die Anforderungen der Kunden können heutzutage stark variieren. Vor allem bei volatilen Produkten und Dienstleistungen ändern sich Bedürfnisse recht schnell. Die Prognose dieser Änderungen ist schwierig und kann zu unzuverlässigen Nachfrageprognosen führen.

Externe Faktoren

Dazu gehören beispielsweise das Wetter, Konjunkturdaten, wichtige Events, Social Media und viele mehr. Die Vorhersage dieser Einflüsse kann nicht manuell vorgenommen werden. Man braucht ein Tool, das in der Lage ist, externe Daten zu berücksichtigen, um sie in den Nachfrageprognoseprozess einzubeziehen. Vor allem, weil sich diese Einflüsse ständig ändern können.

Lange Vorlaufzeiten

Nachfrageprognosen, die weit in die Zukunft gehen, erhöhen das Risiko falschzuliegen, da es viel schwieriger ist zu prognostizieren, was in einem Jahr oder einigen Monat passieren wird. Nachfrageprognosen werden ungenauer, je weiter in die Zukunft prognostiziert wird, weshalb es wichtig ist, die richtigen Prognosemethode zu wählen und Forecasts mit aktuellen Daten anzureichern.

Saisonalität

Das bedeutet, dass es bestimmte Zeiträume im Jahr gibt, in denen die Produktnachfrage höher ist. Eine korrekte Vorhersage dieser Veränderungen ist von entscheidender Bedeutung, wenn man als Unternehmen Lieferengpässe und Umsatzeinbußen vermeiden möchte. Die Prognose von saisonalen Nachfragemengen ist jedenfalls viel schwieriger als von Produkten, die keiner Saisonalität folgen.

Anzahl der SKUs (Stock Keeping Unit)

Viele Unternehmen müssen Forecasts für eine Vielzahl von Einzelartikeln, Dienstleistungen und Produktvarianten erstellen, was den gesamten Planungsprozess deutlich schwieriger macht. Die Nachfrage von jedem SKU zu prognostizieren, ist ein zeitaufwendiger und komplexer Prozess, weshalb es sinnvoll ist, sich auf quantitative Methoden zu stützen.

Daten

Forecasts sind umso besser, je qualitativ hochwertiger die Daten sind. Oft müssen sich Unternehmen bei der Erstellung ihrer Nachfrageprognose auf Schätzungen oder Annahmen verlassen, weil sie nicht über genügend Datenpunkte verfügen. Eine Nachfrageprognose auf dieser Basis ist weniger präzise und führt dementsprechend zu suboptimalen Ergebnissen.

Kundenentwicklung

Nachfrageprognosen stützen sich immer auf historische Verkäufe, welche wiederum die Neukundengewinnung beeinflusst wird. Die Prognose der Neukundengewinnung ist nicht einfach. Auf der anderen Seite jedoch sehr entscheidend.

Szenario Analyse

Planer müssen in der Regel verschiedene Szenarien (z. B. Best-Case-Szenario, Worst-Case-Szenario) oder Was-wäre-wenn-Situationen (z. B. was passiert, wenn die Nachfrage nach unserem Produkt um 50 % steigt?) berücksichtigen. Die Vorhersage der Nachfrage für verschiedene Szenarien kann schwierig sein, vor allem, wenn keine geeigneten Werte vorliegen, auf die man sich stützen kann.

Multi-Channel Komplexität

Noch komplexer wird es, wenn Unternehmen mehrere Lager, Produktionsstandorte und Vertriebskanäle haben. Die Vorhersage des Bestands- und Produktionsbedarfs ist für die Supply Chain Planung unerlässlich und ein zentraler Bestandteil wichtiger taktischer sowie strategischer Entscheidungen.

Faktor Mensch

Der letzte Grund, weshalb es nicht einfach ist, eine genaue Planung auf die Beine zu stellen, liegt daran, dass es oft schwierig ist, alle Mitarbeiter des Unternehmens für die Erstellung und Verwendung einer Nachfrageprognose zu gewinnen. Forecasting ist keine exakte Wissenschaft und wird immer mit einer gewissen Unsicherheit behaftet sein. Dies kann es schwierig machen, die Mitarbeiter eines Unternehmens davon zu überzeugen, eine Prognose als Entscheidungshilfe zu verwenden, vor allem wenn diese auf quantitativen Methoden aufbaut.

Trotz all dieser Schwierigkeiten ist die Nachfrageprognose für jedes Unternehmen unerlässlich. Sie ermöglicht es Unternehmen, ihre Produktion und Bestände zu planen, genaue Finanzprognosen zu erstellen, Marketingkampagnen zu timen und vieles mehr.

Was sind die größten Nachteile, wenn die Nachfrageprognose manuell durchgeführt wird?

Bei einer manuellen Berechnung von Nachfrageprognosen handelt es sich um eine sich regelmäßig wiederholende Tätigkeit, die einen großen Teil der Arbeitszeit in Anspruch nimmt. Wenn ein Unternehmen seine Bedarfsprognosen nur aus dem Bauch heraus oder mithilfe von Excel erstellt, ist die Wahrscheinlichkeit groß, dass diese falsch sind!

Datenkomplexität

Bei manuell erstellten Nachfrageprognosen fehlen oft ausreichende historische Werte für die Analyse. Vor allem bei neuen Produkten liegen möglicherweise nicht genügend historische Absatzdaten vor. Die Vorhersage neuer Produkte ist daher schwierig und verursacht Probleme wie beispielsweise Lagerüberbestände, die wiederum zu höheren Lagerkosten und Abverkäufen führen. Eine manuelle Prognose neuer Produkte, ist keine gute Idee und birgt ein hohes Risiko, dass die Prognose ungenau ist und aufgrund von zukünftigen Preisnachlässen geringere Gewinnspannen erzielt werden.

Menschliche Fehler

Ein weiteres Problem, das bei manuellen Prognoseprozessen auftritt, ist der menschliche Faktor. Forecasts werden oft aus dem Bauch heraus erstellt und bauen nicht auf quantitativen Methoden auf, was zu großen Diskrepanzen führen kann. Prognosefehler passieren in jedem Unternehmen, deshalb ist es wichtig, quantitative Prognosemethoden einzusetzen, um zumindest die Fehlerquote zu reduzieren.

Die Kombination von quantitativen Methoden wie beispielsweise statistischen Methoden mit Experten Know-how ist immer eine gute Idee und führt in der Regel zu guten Ergebnissen. Aber Vorsicht, vor allem der Vertrieb neigt oft dazu, aggressive Wachstumspläne zu verfolgen, die zu Überbeständen führen können, was natürlich das Gegenteil von dem ist, was Unternehmen wollen!

Mangelnde Adaptivität

Eine große Herausforderung bei der manuellen Bedarfsprognose ist die mangelnde Flexibilität, die jedoch unerlässlich ist, da sich Unternehmen heutzutage schnell an Veränderungen anpassen müssen. Manuell erstellte Forecasts können nicht laufend erstellt werden und sind oft schon nach wenigen Wochen oder Monaten ungenau. Viele Planer tun sich schwer, Echtzeitdaten in bestehende Prognosen einzubeziehen, weil die manuelle Anpassung sehr zeitaufwendig ist.

Schlechte Integration

Ein weiteres Problem bei der manuellen Bedarfsprognose ist die fehlende Integration in andere Systeme und Softwarelösungen. Forecasts, die nur in Excel erstellt werden, können nicht ohne Weiteres in das ERP-System oder andere Softwarelösungen integriert werden, was bedeutet, dass Daten entweder immer wieder eingegeben oder über Excel zur weiteren Analyse freigegeben werden müssen. Dies ist jedoch ein sehr mühsamer Prozess.

Unterschiedliche Anforderungen

Nachfrageprognosen sind in der Regel ein kollaborativer Prozess, an dem viele Abteilungen beteiligt sind. Jede Abteilung hat zudem unterschiedliche Anforderungen, die eine Nachfrageprognose erfüllen muss. Das Vertriebsteam benötigt Nachfrageprognosen für einen bestimmten Vertriebskanal oder Kunden, die Finanzabteilung braucht genaue Forecasts, um ein Budget zu erstellen, und das Produktionsplanungsteam möchte die genaue Nachfrage für jede einzelne Artikelposition kennen. Planer müssen daher verschiedene Versionen ihrer Forecasts erstellen, was viel Zeit in Anspruch nimmt.

Wie lassen Bedarfsprognosen optimieren?

Nutzung quantitativer Prognosemethoden:

Quantitative Methoden stützen sich auf vergangene Trends und Muster, um die künftige Nachfrage zu schätzen. Die Hauptvorteile dieser Art von Forecast sind ihre Genauigkeit, Zuverlässigkeit und Flexibilität. Es kann jedoch schwierig sein, diese anzuwenden, wenn nicht genügend historische Datenpunkte zur Verfügung stehen oder nicht die richtige Expertise intern vorhanden ist.

Verwendung einer zuverlässigen Prognosesoftware:

Quantitative Prognosemethoden zu verwenden kann eine Herausforderung sein. Zum Glück gibt es Lösungen, die Sie dabei unterstüzten können. Mit der richtigen Prognosesoftware ist es deutlich einfacher, Muster in Ihren Verkaufsdaten zu erkennen und diese Informationen für künftige Vorhersagen zu nutzen, insbesondere, wenn die Software diese Schritte automatisiert durchführen kann.

Mitarbeiterschulungen:

Am Ende des Tages ist die Nachfrageprognose ein Prozess, der von Menschen durchgeführt wird. Prognoseexperten müssen wissen, welche Methoden für ihr Unternehmen sinnvoll sind, damit eine genaue Prognoseberechnung möglich wird. Schulungen zum Thema Planung, Data Science und im speziellen Nachfrageprognosemethoden können dabei helfen, mehr über die Prognosen zu erfahren und zu lernen, wie sie zur Verbesserung der Bedarfsplanung eingesetzt werden können.

Abteilungsübergreifende Kollaboration:

Forecasting ist ein kollaborativer Prozess und sollte die richtigen Personen einbeziehen, um genaue Ergebnisse zu erzielen. Der Einbezug verschiedener Abteilungen in den Prognoseprozess trägt dazu bei, dass jeder ein klares Verständnis davon hat, was prognostiziert wird und weshalb. Dadurch wird es für die Abteilungen einfacher Prognosen für ihre eigenen Bedürfnisse zu nutzen.

Eine Forecasting Software kann dazu beitragen, diesen Prozess effizienter zu gestalten, indem sie verschiedene Prespektiven derselben Daten bereitstellt. Dadurch bekommt jede Abteilung das, was sie braucht, ohne mit Informationen überschüttet zu werden, die sich nicht direkt auf ihren Zuständigkeitsbereich beziehen.

Verbesserung der Datenqualität:

Bei der Prognose geht es darum, die Nachfrage auf der Grundlage vergangener Trends vorherzusagen. Das bedeutet, dass der Zugang zu qualitativen historischen und aktuellen Daten für die Berechnung zuverlässiger Prognosen unerlässlich ist.

Mithilfe eines modernen Forecasting Systems lassen sich alle Verkaufsdaten leicht zusammenführen, was dabei helfen kann, den Überblick über das Marktgeschehen zu behalten. Die richtigen Informationen unterstützen dabei Trends in den Verkaufsdaten zu erkennen und genaue Vorhersagen über die künftige Nachfrage zu treffen.

Richtige Prognosefehlermessung:

Um zu entscheiden, ob die Ergebnisse genau sind, ist es entscheidend, die richtige Methode zur Fehlermessung zu wählen, wie z. B. die mittlere absolute Abweichung (MAD) oder der mittlere quadratische Fehler (RMSE). Die Wahl einer guten Fehlerkennzahl für die Prognosegenauigkeit kann bei der Planung künftiger Cashflows, der Erstellung von Absatzprognosen oder der Bedarfsprognose den entscheidenden Unterschied ausmachen, denn diese schafft ein Verständnis darüber, wie weit Prognosen zu einem bestimmten Zeitpunkt von der Realität abgewichen sind.

Zielübereinstimmung:

Es reicht nicht aus, eine Bedarfsprognose zu erstellen. Die Bedarfsprognose sollte auf die Bedürfnisse des Unternehmens abgestimmt sein. Das bedeutet, dass alle vorhandenen Daten berücksichtigt und gegebenenfalls Anpassungen vorgenommen werden müssen, bevor Prognosen für Planungszwecke oder Investitionsentscheidungen verwendet werden können. Wenn eine Bedarfsprognose beispielsweise zeigt, dass die Nachfrage im nächsten Monat steigen wird, man aber nicht über die Ressourcen verfügt, um diese Nachfrage zu decken, wäre es unklug, diese Bedarfsschätzung in der Absatzplanung zu verwenden, da dies zu Überinvestitionen führen könnte.

Eine Software hilft dabei sicherzustellen, dass Bedarfsschätzungen stets mit den Zielen des Unternehmens übereinstimmen.

Verständnis der Nachfragemuster:

Wie bereits erwähnt, sind Nachfrageprognosen nicht immer genau. Oft reicht es nicht aus sich ohne Analyse auf diese zu verlassen. Man sollte verstehen, wie sich die Nachfrage im Laufe der Zeit verändert und sich beispielsweise die Saisonalität auf Nachfragespitzen auswirkt.

Eine geeignete Forecasting Software kann hierbei sehr hilfreich sein. Diese zeigt Ihnen, wie sich Ihre Nachfrage im Laufe der Zeit verändert und welche Faktoren zu dieser Veränderungen geführt haben.

Berücksichtigung externer Treiber:

Bei der Nachfrageplanung ist es wichtig, nicht nur interne Faktoren wie Saisonabhängigkeit und Trendanalysen zu berücksichtigen, sondern auch externe Faktoren, die sich auf die Nachfrage auswirken können. Diese können z.B. makroökonomische Trends oder Treiber in einer bestimmten Industrie sein.

Auswahl passender Prognosemethoden:

Der Bedarfsplanungsprozess umfasst eine Reihe verschiedener Prognosemethoden. Das Testen unterschiedlicher Prognosemethoden hilft dabei herausfinden, welche Methoden die besten Ergebnisse für die entsprechen Forecasting Ziele liefert. Heutzutage reicht es zudem nicht aus, einfach eine Prognosemethode zu wählen. Vielmehr müssen unterschiedliche Methoden kombiniert werden, um gute Ergebnisse in volatilen Märkten zu erzielen.

Abschließende Gedanken

Wie du siehst, ist die Erstellung einer Nachfrageprognose ziemlich komplex. Mit den richtigen Tools und den entsprechenden Maßnahmen lässt sich die Komplexität jedoch deutlich reduzieren und das Ergebnis deutlich verbessern.

Indem man Mitarbeiter schult und verschiedene Abteilungen in den Prognoseprozess einbezieht, kann sichergestellt werden, dass bessere Prognoseergebnisse erzielt werden und Planungssilos durchbrochen werden können. Verschwende deshalb keine Zeit für manuelle Prognoseberechnungen und teste Tools, die den Planungsprozess beschleunigen, statt diesen zu verkomplizieren.

Über Quantics

Quantics ist ein selbst lernendes Forecasting System, das präzise und agile Bedarfsprognosen liefert, um eine intelligentere und nachhaltigere Entscheidungsfindung zu ermöglichen. Quantics Mission ist es Entscheider mit einem System auszustatten, welches künstliche Intelligenz sowie Expertenwissen kombiniert und dadurch einen innovativen Planungsprozess ermöglicht.