Die Demand Forecast Qualität ist allzu oft von der “Forecastbarkeit” des Demands einzelner Produkte, Kunden, Märkte etc. bestimmt. Obwohl Machine Learning Techniken zusehends klassische Forecasting Methoden outperformen, gibt es keine “Silver Bullet”, kein Allheilmittel um die Forecast Qualität (meist die Genauigkeit) zu gewährleisten.
Was es braucht, ist ein systematischer Prozess, um das Demand Forecasting gezielt zu optimieren. Dabei gilt die Hypothese: Forecasting ist Zeitverschwendung, bis das Gegenteil bewiesen ist. Forecasting bindet beträchtliche Ressourcen. Wenn diese Aktivitäten keinen Mehrwert generieren und unter Umständen sogar Planungsfehler verursachen, warum überhaupt forecasten?
Ziel ist, transparent zu machen welche Demand Forecasting Aktivitäten Wert schaffen und welche Wert vernichten. Und das granular für jedes Produkt, jedes Marktsegment, jeden Kunden etc.
Der erste Schritt qualifizierte Baseline: ein sehr simpler Forecast, der einfach generierbar ist. Die Idee dahinter ist: “Was, wenn wir garnicht forecasten würden?” Als Baseline eignet sich zum Beispiel der Naive Forecast. Hier ist der Demand für Periode t gleich dem Demand für Periode t-1: also de facto kein Forecasting. In der Praxis wird auch oft ein gleitender Durchschnitt verwendet. Hier ist der Demand für Periode t gleich dem durchschnittlichen Demand von n Vorperioden.
Diese Baseline ist in der Praxis überraschend schwer zu schlagen. Studien legen nahe, dass 30 - 50% der Forecasts schlechter als die Baseline performen. Die Frage ist somit, für welche Demand Forecasts, welcher Produkte, welcher Kunden, welcher Märkte etc. setzen wir unsere Ressourcen ein?
Gegen die Baseline werden die Forecasts gebenchmarkt, die mit fortgeschritteneren Methoden wie Machine Learning oder von Experten erstellt wurden. Quantifiziert wird der Benchmark über den Relative Absolute Error (RAE), also den Forecast Fehler vs. dem Baseline Fehler.
Ist z.B. für den Demand Forecast für Artikel A im Land DE der RAE < 1, so erzeugt der Forecast Mehrwert. Ist der RAE > 1, so schlägt der Forecast die Baseline nicht. Falls auch nach Optimierung keine RAE Verbesserung erzielt wird, wird die Baseline zur Planung herangezogen.
Typischerweise sieht die RAE Verteilung ungefähr wie folgt aus: Jeder Balken stellt den RAE des Demand Forecast für ein bestimmtes Produkt, einen Kunden, einen Markt etc. dar.
Sprechen wir unverbindlich darüber, wie Sie Planungssicherheit und Profitabilität durch Forecasting optimieren können.
Aktuelle Informationen zu Best Practices in Forecasting und Planung. Der Flowtap Newsletter sichert Ihnen den entscheidenden Wettbewerbsvorteil.