Wie lässt sich die Forecast Accuracy für die Supply Chain Excellence nutzen?

Zu Beginn eine eindrucksvolle Statistik: 77 % der Unternehmen investieren in Technologie, um eine bessere Transparenz in der Lieferkette zu schaffen. Interessant dabei ist, dass Unternehmen, die diesen Schritt bereits gegangen sind, laut Berichten eine doppelt so häufig Lieferkettenprobleme vermeiden konnten wie andere.

Supply-Chain-Transparenz ist daher eine der obersten Prioritäten für die Verantwortlichen in der Lieferkette. Doch in einer Zeit, in der KI und maschinelles Lernen die Prognoselandschaft verändern, gibt es ein entscheidendes Planungsparadoxon, das wir nicht ignorieren können: Keine Prognose ist vor Fehlern gefeit.

Glücklicherweise gibt es statistische Tools und Methoden, mit denen sich die Lücke zwischen prognostizierter und tatsächlicher Nachfrage schließen lassen.

In diesem Blogbeitrag befassen wir uns daher mit dem Thema Prognosegenauigkeit und erläutern, wie Sie diese leistungsstarke statistische Analysetechnik nutzen können, um zuverlässigere Prognosen zu erstellen und eine bessere Transparenz in Ihrer gesamten Lieferkette zu erreichen.

Beginnen wir mit den Grundlagen.

Was bedeutet Prognosegenauigkeit (Forecast Accuracy)?

Forecast Accuracy oder Prognosegenauigkeit ist eine Methode zur Bewertung der Qualität von Prognosen. Im Zusammenhang mit der Supply-Chain-Planung bezieht sich die Prognosegenauigkeit darauf, wie genau die prognostizierte Nachfrage nach Produkten oder Dienstleistungen mit der tatsächlichen übereinstimmt.

Das Ergebnis dieser Analyse kann zu einer effizienteren Entscheidungsfindung beitragen. Dennoch ist es kein Patentrezept, mit dem Sie Ihre Prognosefehler schnell beheben können.

Selbst die Festlegung einer Fehlertoleranz kann problematisch sein. Wie kann man schließlich definieren, wie “genau” aussieht?

Eine Genauigkeit von 100% wäre ideal, ist aber eher ein theoretischer Referenzwert als ein realistisches Ergebnis. Auch 75 % klingen vernünftig, aber ob dieser Wert erreichbar oder überhaupt sinnvoll ist, lässt sich nicht pauschal beantworten.

Es hängt ganz von den Zielen Ihres Unternehmens, der Art des Kaufverhaltens Ihrer Kunden und den verfügbaren Daten ab.

Wie misst man Forecast Accuracy?

Eine Absatzprognose zu erstellen ist wertvoll – die eigentliche Erkenntnis liegt jedoch oft in der Bewertung ihrer Genauigkeit. Dafür ist es notwendig, die Prognose mit einer Leistungskennzahl zu versehen. Faktoren wie die Prognosefrequenz beeinflussen ebenfalls die Zuverlässigkeit der Vorhersagen, weshalb der Ansatz immer an den jeweiligen Planungskontext angepasst werden sollte. Häufig liefert diese Kennzahl eine aussagekräftigere Perspektive als die Prognose allein. Die Grundlagen der Messung der Prognosegenauigkeit

Alle Messmethoden basieren auf dem Prognosefehler (e). Dieser Fehler ist die Differenz zwischen der Prognose f (d. h. der prognostizierten Nachfrage) und der tatsächlichen Nachfrage (d) innerhalb eines bestimmten Zeitraums (t):

Eine Prognose ist gut, wenn das Fehlermaß klein ist.

Manchmal wird die Leistung jedoch auf die Genauigkeit und nicht auf den Grad des Fehlers ausgerichtet. In diesem Fall ist eine Prognose gut, wenn die Genauigkeit nahe bei 100 % liegt.

Es gibt verschiedene Methoden zur Bewertung der Prognosegenauigkeit, jede hat ihre Vor- und Nachteile. Im Folgenden finden Sie einen Überblick über die gängigsten Kennzahlen.

Bias or Mean Error (ME)

Der Bias (systematische Abweichung) oder mittlere Fehler (ME) ist der Durchschnitt aller Prognosefehler.

Diese Kennzahl ist leicht verständlich: Bei einer guten Prognose ist die Abweichung zwischen Prognose und tatsächlicher Nachfrage gering, der Bias liegt nahe bei null.

Ein positiver Wert bedeutet, dass Sie eine zu hohe Nachfrage vorhersagen, während ein negativer bedeutet, dass Sie die Nachfrage unterschätzen.

Ein Nachteil dieses Modells ist jedoch, dass sich positive und negative Fehler gegenseitig aufheben können. Eine Prognose mit großen Abweichungen kann dennoch ein geringes Bias aufweisen.

Daher sollte der Bias niemals isoliert, sondern immer in Kombination mit anderen Kennzahlen betrachtet werden.

Mean Absolute Error (MAE)

Der Mean Absolute Error (MAE) misst die durchschnittliche absolute Abweichung zwischen Prognose und tatsächlicher Nachfrage.

Der Vorteil dieser Kennzahl liegt darin, dass alle Fehler absolut betrachtet werden. Ein kleiner MAE bedeutet, dass die Prognosefehler insgesamt gering sind. Außerdem ist der MAE leicht zu interpretieren.

Allerdings zeigt der MAE nicht, wie groß der Fehler im Verhältnis zur tatsächlichen Nachfrage ist. Eine Abweichung von 5 Einheiten ist für ein Produkt mit durchschnittlich 10 Verkäufen gravierend, für ein Produkt mit 1.000 Verkäufen jedoch kaum relevant.

Mean Absolute Percentage Error (MAPE)

Der mittlere absolute Fehler in Prozent (MAPE) gibt an, wie groß die Fehler im Vergleich zum tatsächlichen Bedarf sind.

Sie ist definiert als das durchschnittliche Verhältnis zwischen dem Prognosefehler und der tatsächlichen Nachfrage:

Aus diesem Grund ist diese Kennzahl auch leicht zu interpretieren.

Der MAPE gibt an, wie weit die Prognose im Durchschnitt abweicht, und zwar in Prozent.

Diese Methode der Prognosegenauigkeit hat jedoch auch ihre Grenzen. Überschätzungen der Nachfrage werden stärker bestraft als Unterschätzungen. Die Vorhersage von 30 Stück, wenn die tatsächliche Nachfrage nur 10 Stück beträgt, ergibt einen MAPE von 200 %, aber Unterschätzungen ergeben einen maximalen MAPE von nur 100 %.

Dies ist ein Problem für Produkte mit geringer Nachfrage, bei denen es schwieriger ist, einen kleinen MAPE zu erhalten. Ein noch größeres Problem ist es jedoch für Zeiträume ohne Nachfrage, da man dann durch Null dividieren müsste.

Root Mean Squared Error (RMSE)

Der Root Mean Squared Error (RMSE) basiert auf der Quadratwurzel der quadrierten Prognosefehler.

Er ähnelt dem MAE, gewichtet jedoch große Fehler deutlich stärker als kleine. Dadurch eignet sich der RMSE gut, um zu erkennen, ob Prognosen und tatsächliche Verkäufe generell nahe beieinanderliegen. Leider wird dadurch die Interpretation dieses speziellen Modells erschwert.

Wenn Ihre Nachfragedaten gelegentliche Ausreißer enthalten, die von einer Prognose nicht abgebildet werden sollen, ist der MAE oft die robustere Wahl.

Der mittlere quadratische Fehler (MSE) ist dem RMSE ähnlich, verzichtet jedoch auf die Quadratwurzel, wodurch die Einheit quadriert wird und die Interpretierbarkeit weiter sinkt.

Es gibt viele andere Maßstäbe für die Prognosegenauigkeit. Welche Sie verwenden sollten, hängt von verfügbaren Daten ab. Es kann sich lohnen, einige der selteneren Alternativen zu prüfen, um zu sehen, ob sie besser passen.

Wie sieht eine “gute” Forecast Accuracy aus?

Die Vielzahl an Kennzahlen wirft Fragen auf wie:

• Welche Kennzahl sollte ich verwenden?
• Welches Ziel sollte ich anstreben?

Leider gibt es darauf keine einfachen Antworten.

Nehmen wir an, Sie verwalten die Prognosen für Ihre Produkte und stellen fest, dass die MAE im Durchschnitt 60 % beträgt.

Ist das ein guter oder ein schlechter Wert?

Eine Kennzahl zur Prognosegenauigkeit für sich allein hat nur eine begrenzte Aussagekraft. Um die Qualität einer Prognose beurteilen zu können, müssen Sie wissen, wie gut sich die zukünftige Nachfrage vorhersagen lässt. Und das hängt von vielen Faktoren ab.

Die Nachfrage nach Produkten mit hohem Absatzvolumen ist in der Regel leichter vorherzusagen als die von Langsamdrehern. Ebenso ist es einfacher, die Nachfrage für ein Produkt über eine Gruppe von Filialen hinweg zu prognostizieren, als die Nachfrage jeder einzelnen Filiale exakt abzubilden.

Darüber hinaus sind langfristige Prognosen wesentlich schwieriger als kurzfristige. Die erreichbare Prognosegenauigkeit hängt außerdem von der Menge relevanter Daten ab, die Ihnen zur Verfügung stehen.

Fehlen wichtige Informationen, können Ihre Prognosemodelle nicht gut performen. Schließlich können Sie nur auf Basis dessen prognostizieren, was Sie wissen.