Bestandsprognose ohne Data-Science-Hintergrund klingt schwieriger, als sie ist. Die meisten Teams brauchen kein Black-Box-Modell. Sie brauchen eine saubere Verkaufshistorie, eine wiederholbare Methode und einen Weg zu erkennen, wann die Daten lügen. Wenn ein Artikel letzten Freitag vergriffen war, fehlt der Tabelle nicht Mathematik - es fehlt Kontext.
Das ist gute Nachricht, denn einfache Methoden sind oft robuster als erwartet. In Green und Armstrongs Übersicht im Journal of Business Research fanden die Autoren 97 Vergleiche aus 32 Arbeiten und kein ausgewogenes Bild, dass zusätzliche Komplexität die Prognosegenauigkeit verbessert. Prognosen bleiben schwer, aber der erste Gewinn kommt meist aus Disziplin, nicht aus teurer Software.
Eine nützliche Prognose ist nicht die mit den meisten Registerkarten. Es ist die, die ein Einkäufer erklären, hinterfragen und vor der nächsten Bestellfrist nutzen kann.
Was eine wirklich nützliche Bestandsprognose leistet
Eine Prognose ist eine Schätzung der künftigen Nachfrage über ein festes Fenster. Für Bestände muss dieses Fenster zu Ihrem Einkaufsrhythmus passen: Lieferantenlaufzeit plus Zeit bis zur nächsten Überprüfung. Wenn Sie jeden Montag bestellen und der Lieferant 21 Tage braucht, interessieren Sie die nächsten 28 Tage, kein theoretischer Jahresdurchschnitt.
Eine Prognose gibt Ihnen genug Vorlauf zum Nachbestellen, bevor Ihre A-Artikel vermeidbare Leerläufe erleiden.
Sie verhindert, dass Langläufer das Betriebskapital binden, nur weil jemand zur Sicherheit etwas mehr bestellt hat.
Vertrieb, Einkauf und Operations können über eine Zahl streiten statt drei verschiedene Bauchgefühle zu verteidigen.
Prognosen sind keine Versprechen. Sie sind Ausgangspunkte. Lieferantenprobleme, Marketingereignisse und Geschäftsurteil kommen oben drauf. Das Ziel ist nicht Perfektion. Das Ziel sind weniger Überraschungen.
Mit einfachen Methoden starten, Komplexität nur hinzufügen, wenn sie sich auszahlt
Das NIST-Handbuch zum Glätten beschreibt Mittelwerte als einfachsten Weg, Daten zu glätten und Zufallsschwankungen zu reduzieren. Genau dort sollten die meisten Bestandsteams beginnen. Wenn Ihre Historie einigermaßen stabil ist, liefern einfache gleitende Durchschnitte und Glättungsverfahren schnell eine operative Basis.
Methode 1: gleitender Durchschnitt bei stabiler Nachfrage
Ein gleitender Durchschnitt nimmt die letzten vergleichbaren Perioden und mittelt sie. Wenn Sie wöchentlich prognostizieren, reicht oft ein 4-Wochen-Durchschnitt zum Start. Beispiel: Wenn die letzten vier Wochen 92, 104, 96 und 108 Stück verkauft haben, ist die Baseline-Prognose für nächste Woche (92 + 104 + 96 + 108) / 4 = 100 Stück.
Prognose für nächste Woche = (Woche -1 + Woche -2 + Woche -3 + Woche -4) / 4. Vergleichbare Perioden verwenden: Wochen mit Wochen, Monate mit Monaten.
Methode 2: exponentielle Glättung, wenn jüngere Historie mehr zählt
Wenn aktuelle Verkäufe mehr zählen als ältere Historie, wechseln Sie zur einfachen exponentiellen Glättung. In Forecasting: Principles and Practice zeigen Hyndman und Athanasopoulos sie als gewichteten Mittelwert aus letztem Istwert und vorheriger Prognose. In einfachen Worten: Gestern zählt mehr als letztes Quartal, aber letztes Quartal wird nicht ignoriert. Das macht Glättung nützlich, wenn die Nachfrage driftet, aber nicht stark saisonal ist.
Methode 3: Saisonfaktor, wenn der Kalender wirklich eine Rolle spielt
Wenn die Nachfrage einem wiederkehrenden Kalendermuster folgt - Dezember-Geschenke, Sommerwochenenden, Schulanfang, Monatsendbestellungen - trennen Sie den saisonalen Effekt vom Basisniveau. In Forecasting: Principles and Practice heißt der praktische Schritt: die saisonbereinigte Reihe prognostizieren und das Saisonmuster wieder addieren. Technisch formuliert, einfach gemeint: Dieser Dezember sollte eher wie letzter Dezember aussehen als wie letzter Mai.
Saisonalität lohnt sich. In derselben Green-und-Armstrong-Übersicht senkte saisonale Anpassung den MAPE von 23,0 auf 17,7 Prozent bei 68 Monatsreihen der ursprünglichen M-Competition. Ein guter Hinweis, dass einfache Kalenderstruktur viel Extra-Mathematik schlagen kann.
Nutzen Sie einen gleitenden Durchschnitt über 4 bis 8 Perioden, wenn der Artikel regelmäßig verkauft und das Niveau kaum driftet.
Nutzen Sie einfache exponentielle Glättung, wenn die Nachfrage allmählich steigt oder fällt und jüngere Perioden mehr Gewicht verdienen.
Nutzen Sie Basisprognose plus Saisonfaktoren, wenn derselbe Kalendereffekt oft genug wiederkehrt, um ihm zu vertrauen.
Historie säubern, bevor Sie der Mathematik vertrauen
Die Prognosemethode zählt, aber die Qualität der Eingaben zählt mehr. Retouren, einmalige Projektaufträge, Teillieferungen und Aktions-Spitzen können die Basis verzerren. Wenn Sie Rauschen in ein Modell geben, automatisieren Sie nur schlechtes Urteil.
Fehlbestände sind die größte Falle. In Forschung zur Bedarfsprognose bei Lost-Sales-Beständen heißt es: Bei ausreichend Bestand sind Verkäufe eine unverzerrte Schätzung der Nachfrage, bei Fehlbeständen unterschätzen Verkäufe die Nachfrage und drücken Prognosen nach unten. Genau diese Spirale hassen Betriebe: Unterprognose, zu wenig bestellen, Fehlbestand, Wiederholung.
Wenn das Regal leer ist, messen Verkäufe nicht mehr die Nachfrage, sondern die Verfügbarkeit.
Ein einfaches Beispiel zur Fehlbestands-Anpassung
Ein Artikel verkaufte in einem 30-Tage-Monat 210 Stück, war aber nur 21 Tage vorrätig. Die naive Tagesrate ist 7 Stück. Die fehlbestandsbereinigte Rate ist 10 Stück, weil 210 / 21 = 10. Für die Nachbestellplanung ist die zweite Zahl viel näher an der Realität. Die erste schreibt den Fehlbestand in die Prognose des nächsten Monats fort.
Regeln für saubere Historie
- Fehlbestandsperioden markieren:Tage oder Wochen mit Nullverfügbarkeit erfassen, damit sie ausgeschlossen oder angepasst werden, nicht gemittelt.
- Aktionen von der Basis trennen:Eine Abverkaufswoche oder ein Marketing-Peak gehört in eine Ereignisspalte und darf die Basis nicht dauerhaft aufblasen.
- Einmalaufträge herausnehmen:Große Projektbezüge, Launch-Füllungen und interne Umlagerungen sind Planungsereignisse, keine normale Nachfrage.
- Bestandswahrheit nutzen, nicht nur Verkäufe:Wenn die Beleggenauigkeit schwach ist, zuerst Zählungen korrigieren. Schmutzige Bestandsdaten verzerren Historie und Einkauf. Siehe die wahren Kosten ungenauer Lagerbestände.
- Familien vor Varianten prognostizieren:Bei dünner Historie zu Größe, Farbe oder Gebinde prognostiziert man oft besser zuerst auf Gruppenebene und verteilt dann nach unten.
Ein Tabellen-Workflow für jeden Montag
Sie können eine solide Prognose in einem Sheet mit Zeilen pro SKU und Spalten für die letzten 12 bis 24 Perioden, Verfügbarkeitsflags, Ereignisnotizen, Prognose, Ist und Fehler fahren. Es geht nicht um ein schönes Modell, sondern um eine wiederholbare Routine.
Montags-Prognoseroutine
- Historie wöchentlich oder monatlich exportieren:Wöchentlich ist besser für Schnelldreher, monatlich reicht für langsamere Artikel.
- Zwei Hilfsspalten:eine für Verfügbarkeit, eine für Ereignisnotizen. Diese beiden Felder verhindern erstaunlich viele schlechte Prognosen.
- Eine Basismethode pro Artikelklasse:Start mit gleitenden Durchschnitten für stabile Artikel und Glättung für langsam driftende.
- Saisonalität nur bei Wiederholung:Wenn Sie denselben Kalenderlift mehr als einmal benennen können, Saisonfaktor hinzufügen. Sonst einfach halten.
- Das Nachbestellfenster prognostizieren:Nachfrage über Lieferzeit plus Abstand bis zur nächsten Bestellüberprüfung schätzen.
- Jede Überschreibung dokumentieren:Wenn Vertrieb sagt, ein Kundengewinn bringt nächsten Monat 300 Stück, Überschreibung und Grund eintragen. Versteckte Überschreibungen zerstören Lernen.
Drei Genauigkeitskontrollen für normale Teams
Sie brauchen kein Dashboard voller Statistik. Sie brauchen wenige Kennzahlen, die zeigen, ob die Prognose systematisch danebenliegt und wie weit.
Mittlerer vorzeichenbehafteter Fehler. Positiver Bias heißt: Sie überprognostizieren oft. Negativer Bias heißt: Sie unterprognostizieren dauerhaft und provozieren Fehlbestände.
Mittlerer absoluter Fehler, die durchschnittliche Abweichung in Stück. Wie Green und Armstrong anmerken, ist MAE ein einfaches, nützliches Maß für Produktion und Bestandssteuerung.
Gewichteter absoluter prozentualer Fehler. Die Demand-Planning-Dokumentation von AWS Supply Chain nutzt WAPE als aggregierte Genauigkeit, weil es die Gesamtprognoseabweichung zur Gesamtnachfrage zeigt.
Nutzen Sie MAPE vorsichtig. In Hyndmans Genauigkeitsleitfaden ist MAPE undefiniert, wenn die Ist-Nachfrage null ist, und explodiert nahe null. Schlecht für Langläufer, Launches oder Reihen mit vielen Null-Nachfrage-Perioden.
Starten Sie mit Bias, MAE und WAPE. Feinere Kennzahlen erst, wenn diese drei stabil und verstanden sind.
Backtesting vor dem Rollout im Einkauf
Eine Prognose ist nicht fertig, weil sie plausibel wirkt. Sie ist fertig, nachdem Sie sie auf Vergangenheit getestet haben, die sie nicht kannte. Hyndmans Zeitreihen-Kreuzvalidierung beschreibt rollierende Prognoseursprünge: durch die Historie gehen, vorausschauen, Fehler mitteln. Die erwachsene Version von: Hätte das letztes Quartal funktioniert?
Schnelles Backtesting
- Letzte 8 bis 12 Perioden zurückhalten:Nicht zum ersten Modellbau verwenden.
- Jede Kandidatenmethode laufen lassen:gleitender Durchschnitt, Glättung und jede saisonale Variante zum Vergleich.
- Bias, MAE und WAPE messen:Methoden an Perioden bewerten, die sie nicht kannten.
- Die erklärbare Methode wählen:Wenn zwei nah beieinander liegen, die nehmen, die das Team wirklich pflegt.
Wo die Tabelle an Grenzen stößt
- Neue Produkte: Historie von einem ähnlichen Artikel, einer Kategorie oder einem Launch-Plan leihen, weil die neue SKU noch kein stabiles Muster hat.
- Sprunghafte oder intermittierende Nachfrage: Zuerst auf Familien- oder Kategorieebene prognostizieren, dann Detail-Nachbestellung mit mehr manueller Prüfung.
- Aktionen und Projektgeschäft: Ereignis-Overrides separat fügen statt die Baseline das Besondere raten zu lassen.
- Schwache Bestandsgenauigkeit: Wenn Wareneingang, Korrekturen und Platzdisziplin schwach sind, zuerst den Prozess fixieren. Eine Prognose auf schlechten Daten bestellt trotzdem die falsche Menge.
Hier zählt Priorisierung. Nutzen Sie eine ABC-Analyse, um zu entscheiden, welche Artikel die meiste Forecast-Aufmerksamkeit brauchen, und kombinieren Sie die Prognose mit einer disziplinierten Sicherheitsbestands-Überprüfung, damit Unsicherheit nicht zur pauschalen Überbeschaffung wird.
Fazit
Bestandsprognose ohne Data-Science-Team hat weniger mit höherer Mathematik zu tun als mit operativer Ehrlichkeit. Historie säubern. Mit gleitenden Durchschnitten oder Glättung starten. Saisonalität nur hinzufügen, wenn sie sich wiederholt. Bias und absoluten Fehler messen. Backtesting, bevor Sie der Zahl vertrauen.
Nächster Schritt: Wählen Sie 20 wichtige SKUs, bauen Sie ein wöchentliches Sheet und vergleichen Sie acht Wochen lang Prognose und Ist. Danach fühlt sich Prognose weniger theoretisch an und wird Teil Ihres Einkaufsalltags.