In der Praxis begegnet uns Bedarfsprognose selten als eigenes Projekt. Sie taucht als Symptom auf: Der Einkauf beklagt, dass immer wieder dieselben Artikel fehlen, während das Lager voll ist. Der Vertrieb ärgert sich über Lieferzusagen, die nicht gehalten werden. Die Geschäftsführung fragt, warum die Kapitalbindung steigt, obwohl der Umsatz stagniert. In fast allen diesen Fällen ist die eigentliche Ursache nicht ein schlechtes Bestellverfahren, sondern eine fehlende oder unstrukturierte Bedarfserwartung, auf die das Bestellverfahren aufsetzen könnte.
Der Kern des Themas lässt sich in einem Satz zusammenfassen: Eine Prognose ist eine begründete Erwartung über etwas, das noch nicht eingetreten ist – und sie ist immer falsch. Diese zweite Hälfte des Satzes ist die wichtigere. Prognosen sind keine Vorhersagen im Sinne von Gewissheit, sondern Schätzungen mit einer Unsicherheit, die selbst mitgeschätzt werden sollte. Ein reifer Planungsprozess arbeitet deshalb nicht mit einer Zahl, sondern mit einer Zahl plus einer Aussage darüber, wie belastbar sie ist. Erst diese zweite Information macht Sicherheitsbestände, Pufferzeiten und Eskalationsschwellen rational bestimmbar.
Ein erheblicher Teil der Missverständnisse in Planungsprojekten entsteht daraus, dass vier Begriffe synonym verwendet werden, die grundverschiedene Dinge bezeichnen. Es lohnt sich, diese Unterscheidung im eigenen Unternehmen einmal schriftlich festzuhalten und in Meetings konsequent durchzuhalten.
Die Absatzplanung beschreibt, wie viel voraussichtlich am Markt verkauft wird – aus Sicht des Vertriebs, häufig in Umsatz oder Deckungsbeitrag gedacht und auf Kunden, Regionen oder Produktlinien bezogen. Die Bedarfsplanung übersetzt diese Erwartung in Mengen, die tatsächlich beschafft oder produziert werden müssen: in Stück, in Kilogramm, in Paletten, je Artikel und je Lagerort, unter Berücksichtigung von Beständen, offenen Aufträgen, Mindestbestellmengen und Wiederbeschaffungszeiten. Zwischen beiden liegt eine Übersetzungsleistung, die in vielen Betrieben niemand formal verantwortet – und genau dort gehen Informationen verloren.
Der Forecast im engeren Sinn ist die unverzerrte, bestmögliche Erwartung: Was wird passieren, wenn nichts Außergewöhnliches unternommen wird? Das Budget oder Ziel dagegen ist eine unternehmerische Entscheidung: Was wollen wir erreichen? Beide dürfen auseinanderfallen, und in gesunden Organisationen tun sie das auch. Problematisch wird es erst, wenn das Ziel als Prognose in die Disposition eingespeist wird. Dann beschafft der Einkauf Mengen für einen Umsatz, den der Vertrieb erreichen soll – nicht für einen, den er realistisch erwartet. Die Folge ist strukturell überhöhter Bestand, der sich über Jahre aufbaut und in Abschriften endet.
Die Bedarfsprognose ist selten Endprodukt, fast immer Vorprodukt. Sie speist eine Reihe nachgelagerter Entscheidungen, die jeweils eigene Anforderungen an Genauigkeit, Granularität und Aktualisierungsfrequenz stellen. Wer die Empfängerseite nicht kennt, baut zwangsläufig am Bedarf vorbei.
Aus dieser Liste folgt eine praktische Konsequenz, die häufig übersehen wird: Es gibt nicht die eine richtige Prognose für ein Unternehmen. Die Liquiditätsvorschau braucht Monatswerte in Euro auf Gesamtebene, die Disposition braucht Wochenwerte in Stück je Artikel und Lager. Beide müssen konsistent sein – aber sie sind nicht dasselbe Objekt. Reife Planungsansätze lösen dies über eine gemeinsame Datenbasis mit unterschiedlichen Aggregationssichten, nicht über parallele Tabellen in verschiedenen Abteilungen.
Es gibt einen ökonomischen Zusammenhang, der die gesamte Disziplin trägt: Prognosefehler und Bestand sind Substitute. Wer die künftige Nachfrage schlechter kennt, muss mehr Bestand vorhalten, um dasselbe Lieferversprechen einzuhalten. Wer sie besser kennt, kann denselben Servicegrad mit weniger gebundenem Kapital erreichen. Der Sicherheitsbestand ist damit nicht ein Puffer gegen Nachfrage, sondern ein Puffer gegen Prognoseunsicherheit und Lieferzeitschwankung.
Diese Einsicht hat unmittelbare Folgen für die Frage, wo sich Investitionen in Prognosequalität lohnen. Bei Artikeln mit kurzer Wiederbeschaffungszeit, niedrigem Wert und stabiler Nachfrage ist der Nutzen einer besseren Prognose gering – hier ist ein einfaches Bestellverfahren mit auskömmlichem Puffer wirtschaftlich sinnvoller als jede Modellierung. Bei Artikeln mit langer Wiederbeschaffungszeit, hohem Wert, Verderblichkeit oder hoher Nachfrageschwankung dagegen schlägt jede Verbesserung der Erwartung unmittelbar auf Kapitalbindung und Lieferfähigkeit durch. Priorisierung ist deshalb keine Frage der Bequemlichkeit, sondern ein methodisches Gebot.
Damit ist auch der häufigste Fehlschluss adressiert, dem wir in Gesprächen begegnen: die Vorstellung, ein besseres Prognosemodell werde Fehlmengen und Überbestände beseitigen. Das wird es nicht. Es wird die verbleibende Unsicherheit verkleinern und damit den notwendigen Puffer senken. Die Unsicherheit selbst verschwindet nicht, weil Nachfrage von Faktoren abhängt, die außerhalb des Unternehmens liegen und die kein Modell vollständig erfassen kann. Ein realistischer Anspruch lautet: die vermeidbaren Fehler vermeiden, die unvermeidbaren sichtbar machen und bewusst bepuffern.
Die Ausgangsbeobachtung ist immer dieselbe: Je feiner die Ebene, desto größer die relative Schwankung. Der Gesamtabsatz eines Unternehmens über ein Jahr ist erstaunlich stabil. Der Absatz einer einzelnen Variante in einer einzelnen Filiale an einem einzelnen Tag ist es nicht. Dazwischen liegt ein Kontinuum, und die Kunst besteht darin, jene Ebene zu finden, auf der die Prognose noch statistisch tragfähig ist und zugleich fein genug für die Entscheidung, die sie stützen soll.
Auf der Produktachse reicht das Spektrum von der einzelnen Verkaufseinheit über Artikel, Variantenfamilie, Warengruppe und Sortimentsbereich bis zum Gesamtsortiment. Auf der Ortsachse von der einzelnen Lagerplatzzone über Lager, Standort, Region und Vertriebsgebiet bis zum Gesamtunternehmen. Auf der Kundenachse von der einzelnen Filiale eines Handelskunden über den Kunden, die Kundengruppe und den Vertriebskanal bis zum Gesamtmarkt. In der Praxis kombinieren sich diese Achsen zu einem mehrdimensionalen Gebilde, das üblicherweise als Planungshierarchie bezeichnet wird.
Die dispositive Realität setzt hier eine harte Grenze: Bestellt und produziert wird auf Artikel- und Lagerebene. Eine Prognose, die nur auf Warengruppenebene existiert, ist für die Disposition wertlos, solange sie nicht heruntergebrochen wird. Umgekehrt ist eine Prognose, die ausschließlich artikelfein erzeugt wird, oft instabil und für taktische Entscheidungen unbrauchbar. Deshalb arbeiten reife Ansätze mit beiden Richtungen: Aggregation nach oben für Stabilität und Steuerung, Disaggregation nach unten für Ausführbarkeit.
Ein Sonderfall verdient Aufmerksamkeit: die kundenspezifische Prognose im B2B. Wo wenige große Abnehmer den Großteil des Volumens ausmachen, ist eine statistische Prognose auf Artikelebene häufig weniger belastbar als ein Gespräch mit dem Kundenbetreuer. Bei zehn Kunden, von denen drei siebzig Prozent des Umsatzes tragen, ist die relevante Information nicht in der Zeitreihe, sondern im Vertriebsdialog. Rein statistische Verfahren gehören hier in die zweite Reihe, nicht in die erste – und automatisierte Prognosen sollten in solchen Konstellationen ausdrücklich als Ausgangspunkt und nicht als Ergebnis behandelt werden.
Zeitlich lassen sich Prognosen grob in drei Bänder einteilen, die sich in Zweck, Auflösung und Methodik unterscheiden. Die Grenzen sind branchenabhängig; entscheidend ist nicht die Zahl der Wochen, sondern das Verhältnis zur eigenen Wiederbeschaffungs- und Reaktionszeit.
Die praktische Regel lautet: Der operative Horizont muss mindestens die eigene Wiederbeschaffungszeit abdecken, sonst ist die Prognose für die Disposition ohne Wert. Ein Unternehmen, das Ware mit vier Monaten Vorlauf aus Übersee bezieht, braucht keine tagesgenaue Vierwochenprognose, sondern eine belastbare Monatssicht über mindestens fünf bis sechs Monate. Umgekehrt hilft eine Jahresprognose einem Frischwarenbetrieb mit zweitägiger Vorlaufzeit wenig für die Tagesbestellung. Diese Passung wird in Projekten erstaunlich oft übersprungen.
Der wichtigste statistische Effekt in diesem Kapitel ist der Ausgleich durch Aggregation. Wenn viele einzelne, weitgehend unabhängige Nachfrageströme zusammengefasst werden, gleichen sich zufällige Abweichungen teilweise aus: Was in einer Filiale zu wenig verkauft wurde, wurde in einer anderen zu viel verkauft. Die relative Schwankung der Summe ist deshalb kleiner als die durchschnittliche relative Schwankung der Einzelteile. Dasselbe gilt für die Zeitachse – eine Monatssumme schwankt relativ weniger als die einzelnen Tageswerte.
Daraus folgt ein Gestaltungsprinzip: Prognostiziert wird dort, wo das Signal am stabilsten ist, und anschließend wird auf die Ebene verteilt, auf der entschieden wird. Diese Verteilung erfolgt über Anteilsschlüssel, die aus der jüngeren Vergangenheit abgeleitet oder fachlich gesetzt werden. Man spricht von einer Top-down-Prognose. Der umgekehrte Weg – artikelfein prognostizieren und nach oben summieren – heißt Bottom-up und hat den Vorteil, dass jede Entscheidungsebene ihre eigene, unmittelbar begründete Zahl erhält.
In der Realität sind beide Wege unvollständig. Top-down verliert Informationen über einzelne, sich abweichend entwickelnde Artikel; Bottom-up erzeugt auf höheren Ebenen eine Summe, die instabiler ist als nötig. Verfahren der hierarchischen Prognose, auf die Kapitel 03 näher eingeht, verbinden beide Richtungen so, dass die Ergebnisse über alle Ebenen hinweg konsistent bleiben. Für den Mittelstand gilt pragmatisch: Erst festlegen, welche Ebene die führende ist und wie die anderen daraus abgeleitet werden – diese Entscheidung schriftlich festhalten und nicht implizit im Werkzeug versanden lassen.
Ein letzter Punkt betrifft die Aktualisierungsfrequenz. Eine Prognose, die einmal im Jahr erstellt und danach nicht mehr angefasst wird, ist nach wenigen Wochen ein historisches Dokument. Eine Prognose, die täglich vollständig neu berechnet und übernommen wird, erzeugt dagegen unruhige Dispositionssignale und im Extremfall den bekannten Aufschaukelungseffekt entlang der Lieferkette. Sinnvoll ist ein fester Rhythmus mit definierten Einfrierzonen: Für den unmittelbar bevorstehenden Zeitraum wird die Planung nicht mehr verändert, weiter entfernte Perioden bleiben beweglich.
Vorweg eine Einordnung, die im Beratungsalltag Zeit spart: Es existiert kein Verfahren, das über alle Artikel eines Sortiments hinweg das beste ist. Welche Methode gewinnt, hängt vom Nachfragemuster ab – von Niveau, Trend, Saison, Regelmäßigkeit und der Existenz erklärender Einflussgrößen. Deshalb ist die entscheidende Fähigkeit einer Planungslösung nicht, ein bestimmtes Modell zu beherrschen, sondern je Artikel automatisch das passende auszuwählen und diese Auswahl regelmäßig zu überprüfen.
Die naive Prognose nimmt an, dass der nächste Wert dem letzten entspricht. In einer saisonalen Variante nimmt sie an, dass der Wert dem gleichen Zeitraum des Vorjahres entspricht. So simpel das klingt: Als Referenzmaßstab ist die naive Prognose unverzichtbar. Jedes aufwendigere Verfahren muss sich daran messen lassen, und es kommt häufiger vor als erwartet, dass es das nicht schafft. Wer den eigenen Prognoseprozess bewerten will, sollte diesen Vergleich immer mitführen.
Der gleitende Durchschnitt mittelt die letzten Perioden und glättet damit zufällige Ausschläge. Er ist robust, sofort verständlich und für stabile Nachfrage ohne Trend brauchbar. Seine Schwächen sind bekannt: Er reagiert träge auf Niveauwechsel, hinkt Trends systematisch hinterher und behandelt alle einbezogenen Perioden gleich – die Beobachtung von vor zwölf Monaten zählt genauso viel wie die von letzter Woche.
Die exponentielle Glättung behebt genau diesen Punkt. Sie gewichtet jüngere Beobachtungen stärker als ältere, wobei der Grad der Gewichtung über einen Glättungsparameter gesteuert wird. Ein hoher Wert lässt das Modell schnell auf Veränderungen reagieren, macht es aber anfällig für Rauschen; ein niedriger Wert erzeugt eine ruhige, aber träge Prognose. In der einfachen Form modelliert das Verfahren nur das Niveau. Erweiterungen nehmen zusätzlich einen Trendterm auf und – im Verfahren nach Holt und Winters – einen Saisonterm, der additiv oder multiplikativ ausgestaltet sein kann. Multiplikativ bedeutet dabei, dass die Saisonausschläge mit dem Niveau mitwachsen, was in vielen Handelssortimenten dem beobachteten Verhalten entspricht.
Diese Familie ist der Arbeitspferd-Ansatz der Bedarfsprognose. Sie ist in nahezu jeder Warenwirtschaft und in jedem Tabellenkalkulationsprogramm umsetzbar, benötigt wenig Historie, ist erklärbar und liefert für regelmäßig nachgefragte Artikel oft Ergebnisse, die von deutlich aufwendigeren Verfahren nur knapp übertroffen werden. Für einen erheblichen Teil mittelständischer Sortimente ist sie die wirtschaftlich richtige Antwort.
ARIMA-Modelle beschreiben eine Zeitreihe über drei Bausteine: eine Abhängigkeit vom eigenen Verlauf in der Vergangenheit, eine Abhängigkeit von vergangenen Fehlern und eine Differenzenbildung, mit der ein nicht stationärer Verlauf – etwa ein Trend – erst berechenbar gemacht wird. In der saisonalen Erweiterung kommen dieselben Bausteine auf der Saisonebene hinzu. ARIMA ist mächtig, verlangt aber ausreichend lange und saubere Historien sowie eine sorgfältige Modellspezifikation. Moderne Werkzeuge automatisieren die Parametersuche; die Interpretierbarkeit bleibt dennoch begrenzter als bei der exponentiellen Glättung.
Die Regression verfolgt einen anderen Gedanken: Statt die Reihe aus sich selbst zu erklären, erklärt sie die Nachfrage aus Einflussgrößen – Preis, Werbedruck, Anzahl aktiver Verkaufsstellen, Wetterlage, Konjunkturindikator, Feiertagslage. Der große Vorteil liegt darin, dass sich damit Szenarien rechnen lassen: Was passiert, wenn wir den Preis senken oder eine Aktion vorziehen? Der Preis dafür ist hoch: Die erklärenden Größen müssen auch für die Zukunft bekannt oder ihrerseits prognostizierbar sein, und Scheinzusammenhänge sind eine reale Gefahr, wenn Variablen ohne fachliche Begründung aufgenommen werden.
Für sporadische oder intermittierende Nachfrage – also Artikel, die in vielen Perioden gar nicht nachgefragt werden und dann in unregelmäßigen Abständen in variabler Menge – versagen die klassischen Glättungsverfahren, weil sie die Nullperioden mitmitteln und dadurch systematisch zu niedrige, zugleich völlig unpassende Werte erzeugen. Für diesen Fall existieren eigene Verfahren, die die Zeitreihe gedanklich in zwei Teile zerlegen: den Abstand zwischen zwei Bedarfen und die Höhe des Bedarfs, wenn er eintritt. Die bekannteste Familie geht auf Croston zurück und wurde mehrfach hinsichtlich einer systematischen Verzerrung korrigiert. Für Ersatzteillager ist dies kein Randthema, sondern der Hauptfall.
Verfahren des maschinellen Lernens – Entscheidungsbaum-Ensembles, Gradient-Boosting-Ansätze und neuronale Netze für Sequenzen – unterscheiden sich von klassischen Zeitreihenmodellen vor allem darin, dass sie nicht eine einzelne Reihe modellieren, sondern über viele Reihen gleichzeitig lernen. Sie erkennen Zusammenhänge zwischen Merkmalen und Nachfrage, die nicht vorab als Formel festgelegt wurden, und sie können nichtlineare Effekte sowie Wechselwirkungen abbilden, die einer Regression entgehen. Kapitel 04 geht auf diese Familie im Detail ein.
Hierarchische Prognoseverfahren schließlich lösen das im vorigen Kapitel beschriebene Konsistenzproblem. Sie erzeugen zunächst Prognosen auf mehreren Ebenen einer Hierarchie und stimmen diese anschließend rechnerisch so aufeinander ab, dass die Summe der unteren Ebenen exakt der oberen entspricht – und zwar unter Berücksichtigung dessen, wie zuverlässig die jeweilige Ebene ist. Ebenen mit stabilem Signal erhalten mehr Gewicht, unruhige Ebenen weniger. Das Ergebnis ist ein Zahlenwerk, das man Vertrieb, Einkauf und Finanzabteilung gleichzeitig vorlegen kann, ohne dass drei unterschiedliche Summen im Raum stehen.
Für die Praxis empfehlen wir eine Methodenreihenfolge, die dem Aufwand folgt: zuerst die naive Prognose als Referenz etablieren, dann exponentielle Glättung mit Trend und Saison flächendeckend, dann Sonderverfahren für sporadische Artikel, dann erklärende Größen für den aktionsgetriebenen Sortimentsteil, und erst danach – falls Datenlage und Volumen es rechtfertigen – Machine Learning. Wer diese Reihenfolge umdreht, investiert typischerweise viel Geld in einen kleinen Zusatznutzen und übersieht dabei die viel größeren Hebel in der Datenqualität.
Der grundlegende Unterschied ist konzeptionell und nicht technisch. Ein klassisches Zeitreihenmodell betrachtet einen Artikel isoliert und leitet aus seiner Vergangenheit seine Zukunft ab. Ein Lernverfahren betrachtet viele Artikel gemeinsam und lernt aus dem gesamten Sortiment, welche Merkmalskombinationen typischerweise zu welchem Nachfrageverhalten führen. Damit kann ein Artikel mit kurzer eigener Historie von Mustern profitieren, die andere Artikel bereits gezeigt haben – ein Vorteil, der in Sortimenten mit hoher Neuprodukt-Rate erheblich ist.
Lernverfahren arbeiten nicht mit einer Zeitreihe, sondern mit einer Tabelle aus Merkmalen. Die Aufgabe besteht darin, alles, was den Bedarf beeinflussen könnte, in Spalten zu übersetzen. Diese Übersetzungsarbeit – im Fachjargon Feature Engineering – ist der Teil des Projekts, der über Erfolg oder Misserfolg entscheidet, und sie ist überwiegend fachlich, nicht mathematisch.
Bei externen Signalen ist eine Regel besonders wichtig und wird besonders häufig verletzt: Für die Prognose darf nur Information verwendet werden, die zum Prognosezeitpunkt tatsächlich verfügbar gewesen wäre. Wer ein Modell mit dem tatsächlich eingetretenen Wetter trainiert und bewertet, erhält beeindruckende Rückrechnungen und im Echtbetrieb eine Enttäuschung, weil dort nur die Wettervorhersage zur Verfügung steht – die selbst mit Unsicherheit behaftet ist. Dasselbe gilt für Preise, Aktionen und Bestandsdaten. Die saubere Trennung zwischen bekannter und nachträglich bekannter Information ist die häufigste Fehlerquelle in Datenprojekten dieser Art.
Unter Demand Sensing versteht man die kurzfristige Korrektur einer bestehenden Prognose anhand aktueller Signale. Der Gedanke: Die taktische Monatsprognose bleibt der Rahmen, aber innerhalb der nächsten Tage und Wochen liegen Informationen vor, die zum Zeitpunkt der Planerstellung noch nicht bekannt waren – Auftragseingänge, Abverkaufsdaten aus dem Handel, Bestellverhalten einzelner Kunden, Bestandsmeldungen, Warenkorbdaten aus dem Onlineshop, kurzfristige Wetterentwicklung.
Der Nutzen entsteht dort, wo die Reaktionszeit kurz genug ist, um aus dem Signal eine Handlung abzuleiten. Bei einem Artikel mit sechs Monaten Wiederbeschaffungszeit ändert eine bessere Wochenprognose nichts an der bereits fixierten Bestellmenge – sie kann allenfalls die Verteilung zwischen Standorten oder die Priorisierung knapper Ware verbessern. Bei einem Frischwarenartikel mit Tagesbestellung dagegen ist genau dies der entscheidende Hebel. Demand Sensing lohnt sich folglich in kurzen Ketten, bei Umverteilungsentscheidungen und in der Feinsteuerung von Kapazitäten, nicht als generelle Verbesserung des Gesamtprozesses.
Ein organisatorischer Hinweis ist hier wichtiger als jede Technik: Kurzfristanpassungen erzeugen Bewegung im nachgelagerten Prozess. Wenn jede aktualisierte Prognose sofort in geänderte Bestellvorschläge, geänderte Produktionsreihenfolgen und geänderte Transportbuchungen mündet, entsteht Unruhe, die Kosten verursacht und sich entlang der Lieferkette verstärkt. Deshalb gehören zu jedem Demand-Sensing-Ansatz Schwellenwerte, ab denen eine Anpassung überhaupt weitergegeben wird, sowie eingefrorene Zonen, in denen nicht mehr eingegriffen wird.
Die erste Grenze ist die Datenmenge. Lernverfahren brauchen viele Beobachtungen, um Muster von Zufall zu unterscheiden. Ein Sortiment mit einigen hundert Artikeln und drei Jahren Monatshistorie liefert eine Datenbasis, bei der klassische Verfahren häufig ebenbürtig oder überlegen sind – bei erheblich geringerem Aufwand. Je feiner die Zeitauflösung und je breiter das Sortiment, desto eher kippt das Verhältnis zugunsten des Lernverfahrens.
Die zweite Grenze ist sporadischer Bedarf. Wo Nachfrage überwiegend aus Nullen besteht und gelegentlich einzelne Bedarfe auftreten, lernt ein Modell in erster Linie, die Null vorherzusagen – was im Durchschnitt gut aussieht und dispositiv wertlos ist. Für Ersatzteile, Langsamdreher und Projektbedarfe sind die in Kapitel 03 genannten Sonderverfahren, kombinierte Wahrscheinlichkeitsbetrachtungen oder schlicht ein bewusst gesetzter Mindestbestand die angemessenere Antwort.
Die dritte Grenze ist der Strukturbruch. Modelle lernen aus der Vergangenheit; sie können eine Situation nicht vorhersehen, die es in dieser Form noch nicht gab. Ein neuer Wettbewerber, eine regulatorische Änderung, der Verlust eines Großkunden oder eine Lieferunterbrechung sind keine statistischen Ereignisse, sondern Informationen, die aus der Organisation kommen müssen. Genau deshalb bleibt der menschliche Eingriff Bestandteil des Prozesses – allerdings ein dokumentierter und gemessener, wie Kapitel 07 zeigt.
Die vierte Grenze ist der Betrieb. Ein Modell, das einmal trainiert und dann jahrelang unverändert eingesetzt wird, verliert schleichend an Güte, weil sich Sortiment, Kundschaft und Marktumfeld verändern. Wer Lernverfahren einsetzt, braucht einen Verantwortlichen, eine Überwachung der Prognosegüte im Zeitverlauf, ein Verfahren für erneutes Training und eine Rückfallebene für den Fall, dass das Modell ausfällt oder erkennbar unsinnige Werte liefert. Diese Betriebsanforderung wird in Angeboten selten sichtbar und ist im Mittelstand der häufigste Grund, warum ambitionierte Ansätze nach zwei Jahren stillgelegt werden.
Die Grundfrage lautet: Was misst die verfügbare Historie eigentlich? In den meisten Systemen misst sie Verkäufe – also das, was tatsächlich fakturiert oder ausgeliefert wurde. Prognostizieren möchte man aber den Bedarf, also das, was Kunden gewollt hätten, wenn alles verfügbar gewesen wäre. Diese beiden Größen fallen immer dann auseinander, wenn Ware fehlte, wenn Mengen gekürzt wurden, wenn Aufträge storniert oder auf einen Ersatzartikel umgeleitet wurden. Der Unterschied ist keine akademische Feinheit: Er wirkt systematisch in eine Richtung und führt zu einer sich selbst verstärkenden Untererfassung.
Der Mechanismus ist tückisch. Ein Artikel ist zwei Wochen nicht verfügbar, der Absatz in diesen Wochen sinkt auf nahezu null. Die Prognose übernimmt diesen niedrigen Wert als Nachfragebeobachtung und senkt das erwartete Niveau. Die Disposition bestellt daraufhin weniger, der Artikel ist erneut früher ausverkauft, der Absatz sinkt weiter. Nach einigen Zyklen ist aus einem gut nachgefragten Artikel ein statistischer Langsamdreher geworden – ohne dass sich am Markt etwas verändert hätte. Wir sehen dieses Muster in nahezu jedem Sortiment, in dem Verfügbarkeitsdaten nicht mit der Absatzhistorie zusammengeführt werden.
Die Gegenmaßnahme heißt Bedarfsrekonstruktion und ist konzeptionell einfach: Für Perioden mit dokumentiertem Fehlbestand wird der beobachtete Wert nicht als Bedarf verwendet, sondern durch eine Schätzung ersetzt – etwa abgeleitet aus dem Niveau in den verfügbaren Perioden davor und danach, aus der Entwicklung vergleichbarer Artikel oder aus dem Anteil der verfügbaren Tage in der Periode. Voraussetzung ist, dass Verfügbarkeit überhaupt historisiert wird. Genau das tun viele Warenwirtschaftssysteme nicht von selbst. Eine tägliche Momentaufnahme des Bestands und der Lieferfähigkeit je Artikel und Lager, sauber archiviert, ist deshalb eine der lohnendsten und zugleich billigsten Vorarbeiten überhaupt.
Verwandte Effekte, die dieselbe Behandlung verlangen: gekürzte oder verschobene Aufträge, Ersatzverkäufe innerhalb einer Artikelgruppe, gesperrte Chargen, gesperrte Kanäle sowie Kunden, die nach wiederholten Fehlmengen gar nicht mehr anfragen. Der letzte Punkt ist nicht messbar und deshalb ein Argument dafür, im Zweifel eher eine Untererfassung als eine Übererfassung anzunehmen.
Der zweite große Block betrifft Ereignisse, die den Absatz vorübergehend verändert haben und die sich nicht wiederholen werden – oder die sich wiederholen werden, aber zu einem anderen Zeitpunkt. Preisaktionen, Zweitplatzierungen, Katalogeinträge, Messeauftritte, Großaufträge, einmalige Projektlieferungen, Bevorratungskäufe vor einer Preiserhöhung, Nachholeffekte nach einer Lieferunterbrechung, wetterbedingte Ausreißer.
Der methodisch saubere Umgang besteht aus drei Schritten. Erstens: erkennen, dass ein Sondereffekt vorlag – idealerweise durch Kennzeichnung im System, ersatzweise durch automatische Ausreißererkennung mit fachlicher Nachprüfung. Zweitens: den Effekt aus der Basishistorie herausrechnen, sodass eine bereinigte Grundnachfrage übrig bleibt, auf der die Prognose aufsetzt. Drittens: den Effekt separat modellieren und für künftige Perioden gezielt wieder hinzurechnen, wenn eine vergleichbare Aktion geplant ist. Wer nur den ersten und zweiten Schritt geht, unterschätzt künftige Aktionswochen; wer keinen der Schritte geht, verteilt den Aktionsausschlag über die folgenden Monate und erzeugt dauerhaft zu hohe Bestellvorschläge.
Wichtig ist die Unterscheidung zwischen einem Ausreißer und einem Strukturbruch. Ein Ausreißer ist ein einzelner ungewöhnlicher Wert in einer ansonsten stabilen Reihe – er wird geglättet oder ersetzt. Ein Strukturbruch ist ein dauerhafter Niveauwechsel, etwa nach dem Gewinn eines Großkunden oder der Übernahme einer Vertriebslinie – hier wäre eine Glättung genau falsch, stattdessen sollte die Historie vor dem Bruch für die Niveauschätzung ausgeschlossen und das neue Niveau bewusst gesetzt werden. Die automatische Unterscheidung gelingt Werkzeugen nur begrenzt; sie ist eine fachliche Entscheidung.
Für Artikel ohne Historie versagt jedes statistische Verfahren, weil es nichts gibt, woraus es lernen könnte. Der übliche Weg ist die Analogieprognose: Ein neuer Artikel erhält die Verlaufsform eines oder mehrerer vergleichbarer Vorgänger- oder Referenzartikel, skaliert auf ein fachlich gesetztes Erwartungsniveau. Je besser die Artikelstammdaten – Warengruppe, Marke, Preisband, Größe, Zielgruppe – gepflegt sind, desto einfacher lässt sich diese Ähnlichkeit bestimmen, teilweise sogar automatisiert. Nach den ersten Perioden mit echten Abverkäufen wird die Analogie schrittweise durch die eigene Beobachtung ersetzt.
Am anderen Ende des Lebenszyklus steht der Auslauf. Hier ist die statistische Fortschreibung ebenfalls irreführend, weil sie einen Bedarf prognostiziert, der bewusst nicht mehr bedient werden soll. Auslaufartikel gehören deshalb in einen eigenen Steuerungsmodus: Restmengenplanung, Abverkaufssteuerung, Übergangslogik auf den Nachfolger und – ganz praktisch – eine Kennzeichnung, die verhindert, dass die Disposition automatisch nachbestellt. Die Verknüpfung von Vorgänger und Nachfolger im Stammdatensatz ist dafür die technische Voraussetzung.
Damit ist der letzte und grundlegendste Punkt erreicht: die Stammdaten selbst. Ohne saubere Artikelnummern, eindeutige Mengeneinheiten, korrekte Umrechnungsfaktoren zwischen Verkaufs-, Lager- und Bestelleinheit, gepflegte Wiederbeschaffungszeiten, hinterlegte Mindestbestell- und Losgrößen sowie eine konsistente Warengruppenstruktur ist jede Prognose ein Rechenergebnis ohne Bezug zur Wirklichkeit. Doppelt angelegte Artikel zerlegen eine Historie in zwei unbrauchbare Hälften. Falsche Umrechnungsfaktoren erzeugen Bestellvorschläge in falscher Größenordnung. Nicht gepflegte Wiederbeschaffungszeiten machen die Wahl des Prognosehorizonts zum Ratespiel. Wer ein Prognoseprojekt startet, sollte deshalb mit einer nüchternen Bestandsaufnahme dieser Felder beginnen – sie ist unspektakulär und regelmäßig der wirksamste Teil des gesamten Vorhabens.
Vorab drei Festlegungen, ohne die jede Kennzahl mehrdeutig bleibt. Erstens: Auf welcher Ebene wird gemessen – je Artikel und Lager oder aggregiert? Ein und dieselbe Prognose sieht auf Warengruppenebene deutlich besser aus als auf Artikelebene. Zweitens: Über welchen Horizont wird gemessen – wie viele Perioden im Voraus war die bewertete Prognose erstellt worden? Eine Prognose für die kommende Woche ist naturgemäß treffsicherer als eine für den übernächsten Monat, und nur die für die Entscheidung relevante Vorlaufzeit ist aussagekräftig. Drittens: Welcher Zeitraum wird betrachtet und wird über die Zeit oder über die Artikel gemittelt? Ohne diese drei Angaben ist ein Genauigkeitswert nicht interpretierbar.
Der MAPE, der mittlere absolute prozentuale Fehler, setzt die Abweichung ins Verhältnis zum tatsächlichen Wert und mittelt diese Prozentwerte. Sein Vorteil ist die Vergleichbarkeit über Artikel mit unterschiedlichen Mengenniveaus. Seine Schwächen sind gravierend und werden oft übersehen: Bei kleinen tatsächlichen Werten explodiert der Prozentwert, bei einem tatsächlichen Wert von null ist er gar nicht definiert. Zudem bestraft er Übererfüllung stärker als Untererfüllung. Für Sortimente mit vielen Klein- und Nullbedarfen ist der MAPE deshalb ungeeignet – und ausgerechnet dort wird er am häufigsten verwendet.
Der WMAPE, der gewichtete Ansatz, umgeht diese Probleme, indem er die Summe der absoluten Abweichungen ins Verhältnis zur Summe der tatsächlichen Mengen setzt. Damit erhalten mengenstarke Artikel automatisch mehr Gewicht als Randartikel, Nullperioden sind unproblematisch, und das Ergebnis lässt sich auf Portfolioebene sinnvoll interpretieren. Für die Steuerung eines Gesamtsortiments ist dies in der Regel die praktikabelste Größe. Wer will, gewichtet statt mit Mengen mit Wert oder Deckungsbeitrag und rückt damit die wirtschaftliche Bedeutung in den Vordergrund.
Der MAE, der mittlere absolute Fehler, bleibt in der Mengeneinheit und ist damit für einzelne Artikel gut greifbar: Er sagt, um wie viele Stück man sich im Schnitt geirrt hat. Über Artikel hinweg ist er nicht vergleichbar. Der RMSE, die Wurzel des mittleren quadrierten Fehlers, gewichtet große Abweichungen überproportional. Das ist dann sinnvoll, wenn große Fehler überproportional teuer sind – etwa bei verderblicher Ware oder knapper Kapazität –, und dann irreführend, wenn einzelne Sondereffekte die Kennzahl dominieren sollen, ohne dass sie steuerungsrelevant sind.
Die vielleicht wichtigste Größe wird am seltensten berichtet: der Bias, also die vorzeichenbehaftete mittlere Abweichung. Er beantwortet die Frage, ob systematisch zu hoch oder zu niedrig prognostiziert wird. Ein Prozess kann einen moderaten absoluten Fehler haben und trotzdem völlig entgleisen, wenn dieser Fehler immer in dieselbe Richtung zeigt: Dann wächst der Bestand Periode für Periode oder die Fehlmengen häufen sich dauerhaft. Absolute Fehler sind zu einem guten Teil unvermeidbar; ein systematischer Bias ist es nicht – er ist fast immer ein Hinweis auf einen Prozessdefekt, etwa auf Zielvorgaben, die als Prognose eingespeist werden, oder auf ungeprüfte manuelle Aufschläge.
Forecast Value Added stellt eine unangenehme, aber notwendige Frage: Verbessert jeder Schritt im Prognoseprozess das Ergebnis tatsächlich? Dazu wird zunächst eine Referenz festgelegt – üblicherweise die naive Prognose aus Kapitel 03. Anschließend wird die Güte des statistischen Modells gegen diese Referenz gemessen, danach die Güte nach den Anpassungen durch den Vertrieb, danach die Güte nach der Abstimmungsrunde. Jeder Schritt, der die Referenz nicht schlägt, kostet Arbeitszeit ohne Gegenwert.
Die Erfahrung aus solchen Auswertungen ist ernüchternd und lehrreich zugleich: Ein Teil der manuellen Eingriffe verbessert das Ergebnis deutlich – nämlich dort, wo tatsächlich Informationen einfließen, die im System nicht vorhanden waren. Ein anderer Teil verschlechtert es, weil er auf Bauchgefühl, auf Vermeidung vergangener Kritik oder auf Zielerreichungsdruck beruht. Ohne Messung lassen sich beide nicht unterscheiden, und die Diskussion wird zur Machtfrage statt zur Sachfrage. Voraussetzung ist allerdings, dass jeder Zwischenstand gespeichert wird: die reine Modellprognose, jede Anpassung mit Urheber und Begründung, der finale Konsensstand. Wer nur den Endstand speichert, kann Forecast Value Added nicht ermitteln.
Nicht jeder Artikel ist gleich gut prognostizierbar, und kein Aufwand ändert daran etwas Grundsätzliches. Die Prognostizierbarkeit hängt vom Verhältnis zwischen systematischem Muster und zufälliger Schwankung ab. Eine gängige Betrachtung kombiniert die wertmäßige Bedeutung eines Artikels mit der Regelmäßigkeit seines Bedarfsverlaufs und ordnet das Sortiment so in Klassen ein. Aus dieser Einteilung folgt die Steuerungsstrategie: Wertvolle und gut prognostizierbare Artikel rechtfertigen Modellaufwand und enge Steuerung. Wertvolle, aber schlecht prognostizierbare Artikel brauchen Flexibilität statt Genauigkeit – kürzere Wiederbeschaffungszeiten, Rahmenverträge mit Abrufoption, Zweitlieferanten. Geringwertige Artikel brauchen Einfachheit und einen auskömmlichen Puffer, keine Modellierung.
Damit schließt sich der Kreis zum Sicherheitsbestand. Er ist die betriebswirtschaftliche Antwort auf die verbleibende Unsicherheit und sollte aus ihr abgeleitet werden – aus der beobachteten Streuung der Prognosefehler über die Wiederbeschaffungszeit, aus der Schwankung der Lieferzeit selbst und aus dem gewünschten Servicegrad, der eine unternehmerische Entscheidung ist und keine technische Größe. Ein Sicherheitsbestand, der pauschal als Vielfaches eines Durchschnittsverbrauchs gesetzt wird, ist bei stabilen Artikeln zu hoch und bei unruhigen zu niedrig. Die Verbindung von gemessener Prognosegüte und Bestandsparametern ist deshalb der Punkt, an dem sich die Investition in Messung tatsächlich auszahlt – und der in der Praxis am häufigsten fehlt, weil Prognose und Disposition in unterschiedlichen Systemen und Zuständigkeiten leben.
Der etablierte Rahmen für diese Abstimmung ist der Sales-and-Operations-Planning-Prozess, häufig abgekürzt als S&OP und in seiner erweiterten, finanziell integrierten Form als Integrated Business Planning bezeichnet. Der Unterschied zwischen beiden ist in der Praxis weniger scharf, als die Literatur nahelegt: S&OP gleicht Nachfrage und Versorgung mengenmäßig ab; die integrierte Variante bindet zusätzlich die finanzielle Perspektive, Initiativen und Szenarien ein, sodass Absatz, Kapazität, Ergebnis und Liquidität in einem Bild stehen. Für den Mittelstand ist entscheidend, dass ein Rhythmus überhaupt existiert – nicht, wie er heißt.
Ein tragfähiger Zyklus besteht aus wenigen, klar abgegrenzten Schritten, die in einem festen Takt – üblicherweise monatlich, bei kurzen Ketten wöchentlich – durchlaufen werden. Wichtiger als die Zahl der Schritte ist, dass jeder Schritt einen benannten Verantwortlichen, ein definiertes Ergebnis und einen festen Termin hat.
Die Konsensprognose ist keine Mittelwertbildung zwischen Abteilungsmeinungen, sondern eine bewusst hergestellte gemeinsame Zahl, auf die sich alle Funktionen verpflichten. Damit sie funktioniert, müssen die Rollen sauber getrennt sein. Der Vertrieb liefert Marktinformation und ist für deren Qualität verantwortlich, nicht für die Bestellmenge. Die Disposition übersetzt die Erwartung in Beschaffungs- und Produktionsmengen und verantwortet Bestand und Verfügbarkeit. Der Einkauf verantwortet Lieferfähigkeit, Konditionen und Alternativen. Eine neutrale Rolle – im größeren Mittelstand oft als Demand Planner bezeichnet, im kleineren häufig in Personalunion mit der Disposition – verantwortet den Prozess selbst, die Datenqualität und die Messung.
Anreize verdienen besondere Aufmerksamkeit, weil sie systematisch verzerren. Wird ein Vertriebsmitarbeiter an der Zielerreichung gemessen, hat er einen Grund, optimistisch zu prognostizieren, solange die Prognose in die Nähe des Ziels rückt – oder pessimistisch, wenn die Prognose selbst zur Zielgröße wird. Wird die Disposition ausschließlich an Fehlmengen gemessen, wird sie Bestand aufbauen. Wird sie ausschließlich an Bestandsreichweite gemessen, wird sie unterbestellen. Wer Prognosequalität verbessern will, sollte deshalb die Zielsysteme prüfen, bevor er über Software spricht. Eine getrennte Erfassung von Prognose und Ziel, wie in Kapitel 01 beschrieben, ist die wirksamste Einzelmaßnahme.
Manuelle Eingriffe in die statistische Prognose sind weder gut noch schlecht. Sie sind notwendig, wenn Wissen vorliegt, das nicht in den Daten steht, und schädlich, wenn sie lediglich Unbehagen ausdrücken. Die Aufgabe besteht nicht darin, sie zu unterbinden, sondern sie in eine Form zu bringen, in der ihr Nutzen überprüfbar wird.
Ein häufiger Einwand lautet, ein solcher Prozess sei für einen mittelständischen Betrieb zu aufwendig. Das Gegenteil ist der Fall: Gerade wo wenige Personen viele Rollen tragen, verhindert ein leichter, aber verbindlicher Rhythmus, dass Planung im Tagesgeschäft untergeht. Eine monatliche Sitzung von sechzig Minuten mit vorbereiteten Unterlagen, ein gepflegtes Ereignisprotokoll und eine dokumentierte Eingriffsliste genügen in vielen Fällen, um von unstrukturierten Einzelentscheidungen zu einem lernenden Prozess zu kommen. Die Werkzeuge dafür sind zweitrangig; die Verbindlichkeit ist es nicht.
Grundsätzlich stehen vier Wege offen, die sich in der Praxis häufig überlagern: die Bordmittel des vorhandenen ERP- oder Warenwirtschaftssystems, die Tabellenkalkulation, eine spezialisierte Planungssoftware und die Eigenentwicklung auf Basis vorhandener Datenbestände. Keiner dieser Wege ist grundsätzlich überlegen; jeder hat einen Bereich, in dem er unschlagbar ist, und einen, in dem er teuer wird.
Nahezu jedes ERP- und Warenwirtschaftssystem bringt eine Form der Bedarfsermittlung mit: Verbrauchsstatistiken, gleitende Durchschnitte, häufig eine exponentielle Glättung mit Trend- und Saisonoption, Meldebestandsverfahren, Bestellvorschlagslisten und teilweise eine automatische Verfahrensauswahl. Diese Bordmittel sind der natürliche Ausgangspunkt, und sie werden systematisch unterschätzt – nicht selten, weil sie im Einführungsprojekt nie richtig parametrisiert wurden und seither mit Voreinstellungen laufen, die niemand mehr hinterfragt hat.
Ihr entscheidender Vorteil ist die Nähe zur Ausführung: Die Prognose entsteht dort, wo Stammdaten, Bestände und Bestellungen ohnehin liegen, ohne Schnittstelle und ohne doppelte Datenhaltung. Ihre typischen Grenzen liegen woanders – bei der Bereinigung von Fehlbestands- und Aktionsperioden, bei der Modellierung erklärender Größen, bei Prognosehierarchien über mehrere Ebenen, bei Szenarienrechnung und bei der systematischen Messung der Prognosegüte über die Zeit. Wer nur diese Grenzen erreicht hat, hat den Bordmitteln bereits das Meiste abgerungen.
Die Tabellenkalkulation verdient eine ehrliche Würdigung. Sie ist in der überwiegenden Mehrheit mittelständischer Unternehmen das faktische Planungswerkzeug, und dafür gibt es gute Gründe: Sie ist sofort verfügbar, jeder kann sie bedienen, sie erlaubt beliebige Sonderfälle und sie zwingt zu keiner Vorabentscheidung über Strukturen. Für den Einstieg, für Prototypen und für kleine Sortimente ist sie völlig angemessen, und die reflexhafte Ablehnung durch Softwareanbieter ist selten sachlich begründet.
Ihre Grenzen sind allerdings ebenso real und treten mit wachsender Größe zuverlässig ein: keine belastbare Versionierung, wodurch der Vergleich von Planständen und damit die Messung des Forecast Value Added praktisch unmöglich wird; keine Nachvollziehbarkeit von Änderungen; Formelfehler, die über Jahre unentdeckt bleiben; Personenabhängigkeit, wenn nur eine Person die gewachsene Datei versteht; fehlende Rechteverwaltung; Leistungsgrenzen bei großen Datenmengen; und die Notwendigkeit manueller Datenübernahme, die Zeit kostet und Fehler einführt. Die Frage ist deshalb nicht, ob eine Tabelle grundsätzlich zulässig ist, sondern ab wann sie das Unternehmen mehr Zeit kostet, als eine Ablösung kosten würde.
Spezialisierte Lösungen für Absatz- und Bestandsplanung setzen genau an den Grenzen an, die Bordmittel und Tabellen offenlassen. Typische Leistungsmerkmale sind automatische Verfahrensauswahl je Artikel, Bereinigungslogik für Fehlbestände und Aktionen, Prognosehierarchien mit Abstimmung über Ebenen, Szenarien- und Simulationsrechnung, Ausnahmesteuerung über Warnlisten statt Massenprüfung, integrierte Bestandsoptimierung sowie ein Berichtswesen für Prognosegüte und Bias. Der Markt reicht von auf den Mittelstand zugeschnittenen Anbietern bis zu großen, konzernorientierten Planungsplattformen; die Unterschiede liegen weniger in der Mathematik als in Bedienbarkeit, Integrationsaufwand und Betreuungsmodell.
Bei der Bewertung solcher Systeme empfehlen wir, die Funktionsliste zu ignorieren und stattdessen fünf Fragen zu stellen: Wie kommen unsere Daten hinein und wie kommen die Ergebnisse zurück in das ausführende System? Wie werden Fehlbestände und Aktionen behandelt – automatisch, halbautomatisch oder gar nicht? Wie sieht der Arbeitsplatz einer Planerin an einem normalen Dienstag aus? Wie wird Prognosegüte gemessen und dargestellt? Und wer betreibt das System, wenn die Person, die es eingeführt hat, das Unternehmen verlässt? Ein Testlauf mit echten eigenen Daten über einen zurückliegenden Zeitraum ist dabei aussagekräftiger als jede Präsentation.
Die Eigenentwicklung – meist auf Basis frei verfügbarer Bibliotheken, angebunden an ein Datenbanksystem oder eine Analyseplattform – ist technisch heute niedrigschwellig und fachlich anspruchsvoll. Sie lohnt sich, wenn es einen echten Sonderfall gibt, den Standardsoftware nicht abbildet, und wenn im Unternehmen dauerhaft Kompetenz für Betrieb, Überwachung und Weiterentwicklung vorhanden ist. Sie ist riskant, wenn sie an einer einzelnen Person hängt. Ein häufig sinnvoller Mittelweg besteht darin, die Datenaufbereitung und Bereinigung eigen zu entwickeln – dort liegt der unternehmensspezifische Teil – und für die eigentliche Prognose etablierte Verfahren oder ein Standardwerkzeug zu nutzen.
Unabhängig vom gewählten Werkzeug gilt eine Reihenfolge, die sich in Projekten bewährt hat. Zuerst wird das Sortiment segmentiert: nach wertmäßiger Bedeutung, nach Regelmäßigkeit des Bedarfs und nach Wiederbeschaffungszeit. Anschließend wird dort begonnen, wo Wert und Unsicherheit zusammentreffen und die Reaktionszeit lang ist – dort ist der wirtschaftliche Hebel am größten. Artikel mit kurzer Wiederbeschaffungszeit und geringem Wert werden bewusst einfach gesteuert und nicht modelliert.
Als Einstiegsszenario hat sich ein eng abgegrenztes Vorhaben bewährt, das in wenigen Monaten ein sichtbares Ergebnis liefert: eine ausgewählte Warengruppe mit hoher Kapitalbindung, eine saubere Historie mit Bereinigung von Fehlbeständen und Aktionen, eine statistische Basisprognose gegen die naive Referenz gemessen, ein monatlicher Abstimmungstermin mit Vertrieb und Disposition sowie eine schlichte Auswertung von Fehler und Bias. Erst wenn dieser Kreislauf läuft, wird ausgeweitet – auf weitere Warengruppen, auf feinere Ebenen, auf zusätzliche Signale und gegebenenfalls auf ein spezialisiertes Werkzeug. Der umgekehrte Weg, zuerst ein System auszuwählen und danach die Prozesse zu klären, führt regelmäßig dazu, dass ein leistungsfähiges Werkzeug mit unbereinigten Daten und ohne Abstimmungsprozess betrieben wird – und dann für Ergebnisse verantwortlich gemacht wird, die es unter diesen Bedingungen nicht liefern kann.
Die sichtbaren Kosten eines Planungsvorhabens – Lizenz- oder Abonnementgebühren, Einführungsleistungen, Schulungen – sind meist der kleinere Teil. Der größere Teil entsteht aus Aufwänden, die im eigenen Haus anfallen und deshalb in keinem Angebot auftauchen.
Für die Nutzenseite gilt dieselbe Nüchternheit. Die wirtschaftliche Wirkung einer besseren Prognose zeigt sich in geringerer Kapitalbindung bei gleichem Servicegrad, in weniger Abschriften und Verschrottung, in weniger Eilbestellungen und Sonderfahrten, in ruhigerer Produktions- und Personalplanung und in weniger manueller Nacharbeit. Wie groß dieser Effekt im Einzelfall ausfällt, hängt vom Ausgangszustand ab – eine seriöse Schätzung entsteht erst aus einer Analyse der eigenen Zahlen, nicht aus Kennwerten anderer Unternehmen.
Die Risikoliste ist über Branchen hinweg erstaunlich stabil. Wer sie vorab kennt, kann die meisten Punkte mit organisatorischen Mitteln entschärfen.
Zur EU-Verordnung über künstliche Intelligenz lohnt eine sachliche Einordnung, weil das Thema in Gesprächen häufig größer wirkt, als es für diesen Anwendungsfall ist. Die Verordnung verfolgt einen risikobasierten Ansatz: Verpflichtungen richten sich danach, welche Wirkung ein System auf Menschen entfaltet. Eine Bedarfsprognose, die Bestellmengen für Handelsware vorschlägt, entfaltet keine unmittelbare Wirkung auf Grundrechte oder Lebenschancen einzelner Personen und liegt damit erkennbar außerhalb der besonders streng regulierten Bereiche wie Personalauswahl, Kreditvergabe oder Zugang zu wesentlichen Dienstleistungen.
Daraus folgt jedoch nicht, dass nichts zu tun wäre. Sinnvoll und in vielen Fällen erwartbar sind: eine dokumentierte Einordnung des eingesetzten Verfahrens, eine Beschreibung von Datenquellen und Zweck, eine Aussage zur menschlichen Aufsicht – wer prüft die Vorschläge, wer kann eingreifen –, ein Verfahren für den Fall offensichtlich fehlerhafter Ergebnisse und ein Grundverständnis der Beteiligten darüber, was das System tut. Diese Punkte sind ohnehin gute Praxis; sie schaffen zugleich die Nachweisfähigkeit, falls die Einordnung später hinterfragt wird. Werden zusätzlich personenbezogene Merkmale verwendet oder werden Verfahren eingesetzt, die Entscheidungen über Personen beeinflussen, ist die Prüfung deutlich sorgfältiger anzulegen.
Der letzte Punkt betrifft die Betriebssouveränität. Planungsdaten – Absatzhistorien, Kundenstrukturen, Margen, Lieferantenkonditionen – gehören zu den sensibelsten Beständen eines Handels- oder Produktionsunternehmens. Wer sie in einen Cloud-Dienst gibt, sollte Verarbeitungsort, Zugriffswege des Anbieters, Verschlüsselung, Unterauftragnehmerkette und die Rückgabe der Daten bei Vertragsende verbindlich klären. Für Unternehmen mit strengen Vorgaben kann ein Betrieb in europäischen Rechenzentren oder im eigenen Verantwortungsbereich das ausschlaggebende Kriterium sein – diese Frage gehört an den Anfang der Auswahl und nicht in die Vertragsverhandlung. Die Ausführungen in diesem Kapitel sind eine fachliche Einordnung und ausdrücklich keine Rechtsberatung; die Bewertung des Einzelfalls gehört in die Hände der eigenen Rechts- und Datenschutzberatung.
