Eine bessere Prognosequalität erreichen

Komplexe statistische Modelle eignen sich gewöhnlich für historische Daten, wohingegen einfache statistische Modelle häufig genauer sind, um die Zukunft vorherzusagen.

Die Zukunft gleicht nie genau der Vergangenheit. Komplexe statistische Modelle können sehr gut auf Daten aus der Vergangenheit passen, sind aber unsicher bei der Vorhersage der Zukunft. Im Umkehrschluss passen einfache statistische Prognosemodelle nicht unbedingt gut zu den Daten der Vergangenheit, sind dagegen aber nach Ansicht zahlreicher Prognosewissenschaftler in der Lage, die Zukunft genauer und zuverlässiger vorherzusagen.

Komplexe Supply Chains und globale Märkte machen Absatzprognosen zunehmend schwieriger. Einige Unternehmen akzeptieren diese Unsicherheit und geben sich mit einer geringen Prognosegenauigkeit zufrieden. Es ist jedoch möglich, Chancen und Risiken in der Zukunft zu erkennen und zum eigenen Vorteil zu nutzen. Dazu müssen Unternehmen agil und reaktionsbereit sein, um Chancen bestmöglich zu nutzen und Risiken zu minimieren, „mit dem Zufall tanzen und das Glück für uns arbeiten zu lassen“, wie Spyros Makridakis sagt.

Die Lösung hierfür ist jedoch nicht die Erstellung komplexer Algorithmen, die die Zukunft offenlegen sollen. Der Glaube, dass wir die Zukunft genau vorhersagen können, ist eine Kontroll-Illusion. Sowohl statistische Modelle als auch Menschen waren bisher nicht in der Lage, das volle Ausmaß zukünftiger Unsicherheit zu erfassen, und wurden immer wieder von großen Prognosefehlern und unvorhergesehenen Ereignissen überrascht. Die größte Herausforderung der statistischen Prognose ist ihre Komplexität. Aufgrund mangelnder Transparenz wird oft versucht, durch Anpassung verschiedener Parameter das Ergebnis nachzuvollziehen – ohne Erfolg. Wie die wissenschaftliche Literatur zeigt, führt die Verwendung komplexer Algorithmen nicht zu besseren Ergebnissen – wozu also diesen Aufwand betreiben?

Einfache statistische Prognosemethoden sind meist zumindest für sich wiederholende Entscheidungen Expertenurteilen überlegen. Die Ergebnisse einfacher Prognosemodelle sind zudem leicht verständlich und lassen sich im nächsten Schritt durch zusätzliches Wissen ergänzen. Auf diese Weise können proaktive und zuverlässige Absatzprognosen erstellt werden, indem einfache, leicht verständliche statistische Prognosemethoden mit der Marktkenntnis der Mitarbeiter im Unternehmen erweitert werden.

Wie durch die Kombination einfacher statistischer Prognosemodelle und Marktkenntnisse robuste Vorhersagegenauigkeit erzielt werden kann

Unsere Erfahrung zeigt, dass nur wenige Elemente benötigt werden, um eine solide statistische Basisprognose zu erhalten. Um eine genaue und zuverlässige statistische Basisprognose zu erhalten, müssen wir sicherstellen, dass der Input, in Form von historischen Absatzdaten, von signifikanten Ausreißern und Ereignissen bereinigt wird. Diese könnten sonst zu einer verzerrten und ungenauen Prognose führen.

Saisonalität darf in der Prognose nicht ignoriert werden, da sie einen großen Einfluss auf die Entscheidungen ausüben kann. Die Verwendung traditioneller Methoden zur Steuerung der Saisonalität kann jedoch schnell zu mehr Komplexität und gleichzeitig weniger Verständnis für das erzielte Ergebnis führen. Die angestrebte Prognosegenauigkeit wird damit nicht erreicht.

Wir empfehlen die Verwendung von Gruppensaisonalitätslogiken. Diese sind einfach und leicht zu verstehen, da es sich im Grunde nur um einen Index handelt, den wir der konstanten Basisprognose hinzufügen. Dieser Index kann für alle Produkte verwendet werden, auch für Neuprodukteinführungen, die von nur wenigen oder keinen Verkaufsperioden gekennzeichnet sind. Wir akkumulieren die Verkaufshistorie über eine Reihe von Produkten, was aufgrund des Gesetzes der großen Zahlen zu einem klareren und glatteren saisonalen Muster mit weniger Rauschen und Varianz führt.

Signifikante stufenweise Veränderungen in der Nachfrage stellen die statistische Prognose vor große Herausforderungen. Die Historie so zu verändern, dass die gewünschte Anpassung der Prognose erzielt wird, kann zu hohem manuellen Aufwand führen. Hier ist eine simplere Lösung zu bevorzugen. Da die statistische Prognose reaktiv ist, kann sie niemals eine sprunghafte Veränderung vorhersehen, die etwa durch die Akquise von Neukunden verursacht wird.

Benötigte Informationen müssen vom Vertrieb bereitgestellt werden, denn die statistische Prognose benötigt mehrere Beobachtungszeiträume, um diese Veränderungen darzustellen – es gibt eine Reaktionszeit. Diese stufenartige Anpassung bringt den Forecast auf das richtige Level und erzielt eine bessere und genauere Prognose.

Die Einbindung von Vertriebserkenntnissen über Tools und standardisierte Vorlagen ermöglicht einen klaren und strukturierten Vertriebsprognoseprozess, minimiert den Optimismus-Bias und dokumentiert alle getroffenen Annahmen. Wissen aus Vertrieb und Marketing sollte ausschließlich auf der Planungsebene integriert werden, die den Entscheidungen im Prognoseprozess entspricht. Durch die zusätzliche Nutzung von Produktsegmentierung wird der Fokus auf Produkte mit hohem Gesamteinfluss gelegt, und der Planungsaufwand wird reduziert.

Die beste mittelfristige Umsatzprognose mit der geringsten Verzerrung und der höchsten Stabilität ist daher eine Kombination aus sehr einfacher und nachvollziehbarer statistischer Prognose und Marktkenntnissen. Dieser Grundlage wird durch Informationen über Chancen und Risiken ergänzt.