Predictive Analytics & Forecasting

Vorjahr plus fünf Prozent ist eine erstaunlich verbreitete Planungsmethode. Das geht gut, solange sich wenig ändert. Kommen Saisoneffekte, Aktionen, Preisänderungen oder schwankende Märkte dazu, werden die Abweichungen größer. Auf der einen Seite liegt dann zu viel Ware im Lager, auf der anderen sind Lieferfähigkeit und Personal am Limit.

Wir entwickeln Prognosen für Nachfrage, Absatz, Auslastung, Kündigungen und Zahlungsausfälle. Dahinter stecken zwei Arten von Fragen. Bei der einen geht es um Verläufe: Wie viele Einheiten werden nächste Woche verkauft, wie hoch ist die Auslastung im kommenden Quartal? Das ist Forecasting im engeren Sinn. Bei der anderen geht es um Wahrscheinlichkeiten für Einzelfälle: Wie wahrscheinlich kündigt dieser Kunde, welche Rechnung wird voraussichtlich zu spät bezahlt? Dort entsteht ein Wert zwischen null und eins, mit dem sich die Fälle sortieren lassen. Die fachliche Planung im Controlling beschreibt der Schwerpunkt Controlling & Finance Analytics, die allgemeine Modellentwicklung der Schwerpunkt Machine-Learning-Entwicklung.

Was genau soll vorhergesagt werden?

Absatz in Stück oder Umsatz in Euro, pro Artikel oder pro Warengruppe, pro Tag oder pro Monat, für die nächsten vier oder die nächsten vierzig Wochen? Das richtet sich nach der Entscheidung, die daran hängt. Für die Bestellung von Ware mit langer Lieferzeit zählen ein anderer Horizont und eine andere Ebene als für die Dienstplanung.

Als Maßstab dient eine Baseline, also eine einfache Vergleichsprognose: der Wert des Vorjahres, der gleiche Wochentag der Vorwoche, ein gleitender Durchschnitt. Ein Modell ist erst dann einen Aufwand wert, wenn es diese Baseline deutlich schlägt. Gemessen wird per Backtesting. Das Verfahren prognostiziert vergangene Zeiträume, ohne deren Werte zu kennen, und die Treffer werden mit den tatsächlichen Zahlen verglichen. Mehrere Zeiträume zu testen ist wichtig, damit ein einzelner Ausreißer das Bild nicht verfälscht. Das Fehlermaß sollte zur Entscheidung passen, etwa der Fehler in Stück oder in Euro.

Welches Verfahren gewinnt, zeigt das Backtesting

Klassische Zeitreihenverfahren wie exponentielle Glättung, ARIMA oder Theta modellieren Trend und Saison einer einzelnen Reihe. Das geht schnell, ist gut nachvollziehbar und oft schwer zu schlagen, besonders bei regelmäßigen Mustern. Machine Learning, etwa Gradient Boosting, lernt dagegen über viele Reihen hinweg und bezieht viele Einflussfaktoren ein. Das lohnt sich, wenn Artikel, Filialen und Aktionen zusammen betrachtet werden. Für Kündigungen und Zahlungsausfälle kommen entsprechend Klassifikationsmodelle zum Einsatz.

Die dritte Gruppe sind vortrainierte Zeitreihenmodelle wie TimesFM von Google oder Chronos von Amazon. Sie erstellen Prognosen, ohne für die einzelne Reihe trainiert zu werden, neuere Versionen können auch Einflussfaktoren berücksichtigen. In öffentlichen Benchmarks schneiden sie gut ab, die Angaben stammen allerdings überwiegend von den Entwicklern selbst. Interessant können sie bei vielen Reihen mit kurzer Historie sein. Ob sie auf den eigenen Daten Baseline und klassische Verfahren schlagen, zeigt nur das Backtesting. Dazu gehört ein Blick auf die Lizenz, denn bei einzelnen Modellversionen sind die Gewichte nur für nicht kommerzielle Zwecke freigegeben.

Welche Gruppe gewinnt, lässt sich nicht pauschal sagen. Häufig ist ein Verbund aus mehreren Verfahren am verlässlichsten. Für sporadische Nachfrage, etwa bei Ersatzteilen, gibt es eigene Verfahren, weil viele Tage ohne Absatz die üblichen Methoden verzerren.

Einflussfaktoren, Hierarchien und Unsicherheit

Zu den Einflussfaktoren zählen Saison und Wochentag, Feiertage, Ferien, Preise, Aktionen, Konkurrenz und Wetter. Entscheidend ist, dass ein Faktor für den Prognosezeitraum bekannt ist. Feiertage und geplante Preise sind es. Beim Wetter liegt nur eine Vorhersage vor, und mit der sollte das Modell auch trainiert werden. Wer im Training das tatsächliche Wetter verwendet, bekommt eine Prognose, die im Einsatz schlechter ausfällt als im Test. Sonderfälle wie Lockdowns oder Lieferengpässe verzerren die Historie und sollten gekennzeichnet werden. Und wer Jahresmuster erwartet, braucht mehrere Jahre Daten.

Die meisten Unternehmen brauchen Prognosen auf mehreren Ebenen, pro Artikel, Warengruppe, Region und für das Gesamtunternehmen. Einzeln berechnet, passen die Zahlen nicht zusammen. Bei der hierarchischen Prognose werden sie deshalb abgeglichen, von unten nach oben, von oben nach unten oder mit Verfahren wie MinT, die alle Ebenen gemeinsam berücksichtigen. So summieren sich die Prognosen der Artikel zur Prognose der Region.

Jede Prognose enthält Unsicherheit. Prognoseintervalle zeigen sie als Bandbreite, in der die tatsächliche Zahl mit einer bestimmten Wahrscheinlichkeit liegt. Damit lassen sich konkrete Fragen beantworten: Wie viel Sicherheitsbestand ist nötig, wie viele Personen müssen für den ungünstigen Fall eingeplant werden? Ein einzelner Punktwert verschweigt das. Bei Einzelfall-Vorhersagen kommt es darauf an, dass die Wahrscheinlichkeiten stimmen: Von Fällen mit 20 Prozent sollte tatsächlich etwa jeder fünfte eintreten.

Warum Prognosen im Alltag liegen bleiben

Eine Prognose wirkt erst, wenn sie dort ankommt, wo geplant wird. Die Modelle laufen deshalb automatisiert, und die Ergebnisse stehen als Tabelle im Data Warehouse oder als Schnittstelle bereit. BI-Tools zeigen Ist, Prognose und Bandbreite im selben Bericht, Planungsplattformen übernehmen den Wert als Vorschlag, das ERP kann ihn für Bedarfsplanung und Disposition nutzen. Planende können den Vorschlag annehmen oder anpassen. Wir halten beides fest, damit sich später prüfen lässt, ob die manuelle Korrektur die Prognose verbessert hat. Wird von Hand überschrieben und niemand notiert, warum, lässt sich daraus nichts lernen.

Nach der Einführung beginnt die Überwachung. Sobald die tatsächlichen Werte vorliegen, wird die Abweichung fortlaufend ausgewertet. Verschlechtert sie sich, etwa durch ein neues Sortiment, geänderte Preise oder verändertes Kundenverhalten, wird das Modell angepasst oder neu trainiert. Eine Prognose, die nie mit der Realität verglichen wird, verliert unbemerkt an Qualität. Wie sich so ein Betrieb technisch aufsetzt, steht im Schwerpunkt MLOps.