Blogeinträge
share
10.03.2022

Was ist ein guter Forecast?

Wer mittels Predictive Analytics Forecasts macht, ist den ersten, allerwichtigsten, Schritt zur Verbesserung seiner Planung bereits gegangen – Glückwunsch! Aber was macht einen so generierten Forecast überhaupt zu einem guten Forecast?

Liebe Besucher*innen des progBlogs,

die ersten Vorteile haben sich bestimmt schon bemerkbar gemacht: Durch eine Automatisierung wird eine hohe Zeitersparnis im Vergleich zu einer manuellen Planung erreicht. Es können deutlich mehr Forecast-Objekte (z. B. mehr Artikel, mehr Produktgruppen, mehrere Kundengruppen) in kürzerer Zeit verarbeitet werden und so nicht nur die Top 10 % der wichtigsten oder volumenstärksten Forecast-Objekte, sondern die ganze Bandbreite von kleinen bis großen Volumina, von Kassenschlager bis Produktneuheit, von hochvolatil bis sehr stabil, abgedeckt werden.

Aber mit guten Forecasts alleine ist es nicht getan: Ein(e) Demand PlannerIn, ControllerIn oder ProduktionsplanerIn muss auch erkennen können, dass es sich um gute Forecasts handelt! Dies schafft Akzeptanz und Vertrauen, um die Forecasts in produktive Planungsprozesse fest zu integrieren. Die 10 wichtigsten Aspekte, die gute Forecasts ausmachen, beschreiben wir in diesem Artikel.

1. Ein guter Forecast ist mindestens genauso gut oder besser als ein Benchmark.

Wenn bereits Forecasts vorhanden sind, z. B. aus einer manuellen Planung oder erzeugt von einem bestehenden Planungssystem, dann ist es sinnvoll, das neue Forecastingsystem oder ein neues Forecastverfahren gegen vorhandene Forecasts zu benchmarken. Wenn für die Mehrheit von Forecast-Objekten oder für ein größeres Gesamtvolumen die neuen Vorhersagen besser abschneiden als die alten oder die neuen Forecasts im Mittel gleich gut abschneiden bei deutlich weniger Aufwand oder in deutlich kürzerer Zeit: Punkt an das neue Forecastingsystem.

2. Ein guter Forecast kommt mit einem kleinen Fehlermaß.

Bei diesem Aspekt kommt am deutlichsten zu Tage, dass gute Forecasts für ein Unternehmen nicht notwendigerweise auch gute Forecasts für das andere Unternehmen sein müssen: Während für das eine Unternehmen Over-Forecasting (d.h. die Vorhersage ist größer als der wahre Wert) beispielsweise weniger problematisch sein kann als Under-Forecasting – nämlich wenn Lieferfähigkeit über volle Lager geht und eine mögliche Verderblichkeit von gelagerten Produkten kein Thema ist – kann es für das andere genau andersherum sein. Die Vorhersage für vier und fünf Monate in die Zukunft kann eine viel größere Rolle als die kurzfristige Vorhersage spielen, oder umgekehrt. Weil je nach Anwendung und Unternehmensprozesse unterschiedliche Dinge relevant sind, ist es wichtig zu definieren, welches Gütemaß bzw. Fehlermaß für die Bewertung der Vorhersagen im konkreten Fall herangezogen werden soll. Erst dann kann das Forecastingsystem so eingestellt werden, dass es Forecasts liefert, die im Sinne eines bestimmten Fehlermaßes optimal sind, und bestmöglich zum Unternehmen passen. Optimal heißt dann in der Regel: je kleiner, desto besser.

3. Ein guter Forecast ist reproduzierbar.

Machen wir einmal kurz folgendes Gedankenexperiment: Einem/r PlanerIn liegt am Montagmorgen exakt die gleiche Datenlage vor wie am vorausgegangenen Freitagabend, keine Informationen sind hinzugekommen, keine weggefallen. Er/sie hält die am Freitag manuell erstellten Demand-Planning-Analysen für einen Artikel nun für wenig plausibel, und weil er/sie seine/ihre Gedanken bei der Forecasterstellung nicht mehr rekonstruieren kann, macht er/sie die Forecasts neu. Mit anderem Ergebnis, bei gleicher Ausgangslage. In der Forschung ist Reproduzierbarkeit ein Qualitätsmerkmal. So schafft auch Reproduzierbarkeit der Planung Vertrauen.

4. Ein guter Forecast ist transparent.

Angenommen, ein Artikel unterliegt einem saisonalen Bedarf, d.h. die monatlichen Verkaufszahlen schwanken übers Jahr hinweg mit den Jahreszeiten, Fest- oder Ferientagen, so z. B. bei Lebkuchen, Bademode oder Agrarprodukten. Dem/r PlanerIn ist dieser Umstand bekannt. Aber hat dieser Forecast diese Information denn auch berücksichtigt oder muss der Dezemberwert noch entsprechend angepasst werden? Eine guter Forecast vermittelt transparent, welche Informationen in die Forecasterstellung geflossen sind. Nur so kann Geschäftsrelevantes, das nicht eingegangen ist oder nicht eingehen konnte (z. B. ein kürzlich beschlossener Produktabverkauf oder eine angekündigte rechtliche Änderung), potenziell nachträglich eingearbeitet werden. Zu Informationen, von denen man wissen sollte, ob sie bei einem Forecast Beachtung finden oder nicht, gehören beispielsweise: die eigene Datenhistorie, Saisonalitäten und Zyklen, Trendverhalten, Niveauverschiebungen (level shifts), assoziierte interne Zeitreihen (z. B. Ersatz-, Konkurrenzprodukte oder Marketingausgaben) und externe Einflussfaktoren wie Wirtschafts- oder Branchenindikatoren, Rohstoffpreise oder das Wetter.

5. Ein guter Forecast kennt seine Grenzen (Teil 1).

Dass ein sich auf eine fernere Zukunft beziehender Forecast in der Regel unsicherer ist als ein die nahe Zukunft betreffender Forecast, ist intuitiv klar. Manche Forecastverfahren in Kombination mit einer gewissen Datenbasis eignen sich aber eher für die nahe Zukunft, auch wenn sie darüber hinaus durchaus Forecastwerte ausgeben können. Dann ist weniger manchmal mehr: Eine Forecastkurve, die zwar bedauerlicherweise bereits in wenigen Monaten unerwartet endet, bringt die wertvolle Information mit, dass ein Forecast über diesen Vorhersagehorizont hinaus vielleicht wenig Substanz und Genauigkeit hätte. Ein solcher Fall liegt z. B. gelegentlich vor, wenn mit Frühindikatoren gearbeitet wird, die einen gewissen, oft auf einige Monate begrenzten Vorlauf mit sich bringen. Oft werden Forecasts darüber hinaus zwar benötigt, z. B. für eine Budgetplanung. Man sollte sich dann aber bewusst sein, dass Forecasts, die weiter in die Zukunft reichen, in der Regel mit mehr Unsicherheit behaftet sind.

6. Ein guter Forecast kennt seine Grenzen (Teil 2) oder: Ein guter Forecast weiß, dass er nicht sicher ist.

Standardmäßig besteht ein Forecast aus einer einzigen Zahl, dem Punktforecast. So wird die voraussichtliche morgige Höchsttemperatur in Würzburg mit 13°C angegeben. Niemand wird sich groß daran stören, sollte es sich um 12°C oder um 14°C handeln. Der Forecast wäre streng genommen aber erstmal falsch – so wie beinahe jeder andere Forecast auch. Wenn man jedoch von vornherein eine gewisse Unsicherheit anerkennt und mit angibt (z. B. 13°C +/- 1,5°C für die morgige Höchsttemperatur in Würzburg), dann wäre ein Forecast von 13°C bei einem tatsächlichen Wert von 12°C goldrichtig. Derartige Unter- und Obergrenzen – üblicherweise die Grenzen sogenannter Prognoseintervalle – werden dem Umstand, dass in Geschehnissen der Realität eben auch ein gewisses Maß an Zufall steckt, mehr gerecht als reine Punktforecasts. Breite Intervalle vermitteln schnell und anschaulich, dass eine relativ große Unsicherheit in einem Forecast steckt. Schmale Intervalle gehen bei gleichem Prognosekonfidenzniveau mit einer höheren Genauigkeit einher. Wenn die Möglichkeit besteht, dann empfiehlt es sich also, ein Prognoseintervall mit ausgeben zu lassen. Ein guter Forecast suggeriert keine Genauigkeit, die er nicht halten kann.

7. Ein guter Forecast ist objektiv.

Erzielbar ist Objektivität z. B. dadurch, dass der Forecast in erster Linie einer Maschine oder einem festen Verfahren oder Prozess überlassen wird. Es existiert dann eine geringe Abhängigkeit von der Person, die mit der Erstellung der Vorhersage betraut ist und verhindert, dass mit schwankender Forecastqualität zu rechnen ist, wenn einmal jemand anders als üblich (aufgrund von Urlaub, Jobwechsel, Renteneintritt…) mit der Aufgabe betraut ist. Stattdessen dürfen also zunächst einmal ganz nüchtern und sachlich die Daten sprechen. Die Vorzüge des Menschen im Planungsprozess treten in einem späteren Schritt in Erscheinung, wenn (Fach-)Wissen eingebracht wird, das die Maschine nicht kennen kann, so z. B. Sondereffekte wie Umweltkatastrophen, die sich in einem ungewöhnlich hohen oder niedrigen Bedarf bestimmter Produkte niederschlagen, oder der geplante Zukauf eines anderen Unternehmens als neue Tochterfirma.

8. Ein guter Forecast passt sich neuen Gegebenheiten an.

Wenn ein neuer Datenpunkt hinzu kommt, dann sollte ein Forecastverfahren diese neue Information in Betracht ziehen und einen vorher erstellten Forecast ggf. anpassen. Im Falle von Zeitreihenforecasts sind dies Datenpunkte zu den jüngsten verstrichenen Zeiträumen, z. B. der Umsatz des soeben zu Ende gegangenen Monats. Das Anpassen sorgt dafür, dass mit neuen, hinzukommenden Informationen in Form von Datenpunkten zuletzt erzielte Forecasts “überdacht” und erneuert werden. Die meisten Forecastmethoden der Statistik oder künstlichen Intelligenz können auf diese Weise dazulernen und erneuerte Forecasts hervorbringen. Einige evaluieren dabei intern, wie stark neue Gegebenheiten einbezogen werden sollten, basierend darauf, wie gut sich diese Strategie in der Vergangenheit bewährt hätte, und ziehen entsprechende Schlüsse für die Modellbildung. Gerade Krisenzeiten sind oft schnelllebig und volatil. In ihnen ist eine schnelle Anpassfähigkeit besonders wichtig.

9. Ein guter Forecast ist verlässlich über die Zeit.

Forecasts werden für eine Zeitreihe üblicherweise nicht nur ein einziges Mal erstellt, sondern immer wieder geupdated. Im Falle eines starken Automatisierungsgrades kann das in der Regel sogar häufiger und kostengünstiger durchgeführt werden, als wenn PlanerInnen manuell am Werk sind und sich über jedes einzelne Planungsobjekt ausführlich Gedanken machen müssen. Umso wichtiger ist es, dass man sich dauerhaft auf die Güte der Forecasts verlassen kann. Ein kontinuierliches Monitoring der Performance über die Zeit hält das Vertrauen aufrecht und ermöglicht andernfalls durch entsprechende Transparenz, die Potenziale für Anpassungen an der Prognosestrategie zu erkennen und umzusetzen.

10. Ein guter Forecast weiß, dass er gut ist.

Last but not least kommt der wichtigste Aspekt überhaupt. Ein Forecast kann noch so gut sein: Demand PlannerInnen, ControllerInnen oder ProduktionsplanerInnen müssen sich dessen auch bewusst sein. Nur so können sie sicher sein, dass den mittels Predictive Analytics erzeugten Forecastwerten zu trauen ist und diese in der Planung unmittelbar Verwendung finden können. PlanerInnen sollten transparent vermittelt bekommen, welche der Vorhersagen für potenziell unüberschaubar viele Forecast-Objekte wirklich gute Forecasts sind, und für welche es sich empfiehlt, dass sie durch ExpertInnen mindestens validiert, vielleicht sogar überschrieben oder händisch nachgearbeitet werden. Gründe hierfür wären neben generell schwierig vorherzusagenden Zeitreihen beispielsweise Projektgeschäfte, neu eingeführte Produkte oder Unternehmenszukäufe. Nur so kann das Endziel, dass PlanerInnen durch Predictive Analytics echte Unterstützung erhalten und wieder ruhiger schlafen können, auch erreicht werden. Ein guter Forecast weiß also, wenn er gut ist. Und er weist gezielt darauf hin, wenn er es nicht ist.

Das waren sie, unsere 10 Kriterien eines guten Forecasts. Wir hoffen, wir konnten Ihnen damit eine nützliche Checkliste an die Hand geben, sodass Sie die Frage, was eigentlich ein guter Forecast ist, bei Ihrer individuellen Anwendung auch individuell beantworten können. Die Erstellung von Forecasts muss nicht notwendigerweise komplex sein. Oftmals bringen einfache Kniffe schon einen riesigen Mehrwert im Vergleich zum Status quo. Zudem unterstützen z. B. Demand-Planning-Tools und -Software PlanerInnen heutzutage ungemein und erleichtern ihnen die Arbeit. Wichtig ist es, damit überhaupt zu starten. Und jetzt wissen Sie ja schon mal, worauf es ankommt.

Haben Sie Fragen oder Anregungen zum heutigen Blogbeitrag? Dann hinterlassen Sie uns einfach einen Kommentar auf Twitter, Xing oder LinkedIn oder schreiben Sie uns eine E-Mail an business.development@prognostica.de.

Wenn Sie Lust haben, sich einmal von uns demonstrieren zu lassen, wie unsere future-Landscape anwenderfreundlich, schnell und kostengünstig hochqualitative Forecasts hervorbringen kann, vereinbaren Sie mit uns einen Demo-Termin:

Vorheriger Eintrag: Small Data kann Prognosen
Nächster Eintrag: Portfoliooptimierung mit Augmented Intelligence

Sie möchten mehr über künstliche Intelligenz und ihr Potenzial erfahren? Nutzen Sie die Vorteile und trauen Sie sich, in Ihr erstes KI-Projekt zu starten:

Jetzt kostenlos E-Book downloaden

Kontakt

prognostica GmbH
Prymstr. 3
D-97070 Würzburg
P: +49 931 497 386 0

Ihr Partner für Predictive Analytics und Data Science.

Weitere Angaben, u. a. zum Datenschutz, finden Sie in unserem Impressum und unserer Datenschutzerklärung.

Folgen Sie uns!

© 2022 prognostica GmbH

Kontakt