Forecasting und Demand Management: wo Entscheidungen brechen

Forecasting und Demand Management brechen an derselben Naht: dort, wo aus einer Prognose eine Festlegung wird. Beide Funktionen können sauber laufen und trotzdem keine einzige echte Entscheidung nach unten verändern. Genauigkeit ist selten das eigentliche Problem. Die eigentliche Lücke ist, den aktualisierten Plan rechtzeitig zu der Person zu bringen, die das Geld festlegt.

Für einen Category Manager, der den Propylenpreis beobachtet, oder einen Planer, der nach einem Sprung der Energiekosten die Bestände neu austariert, ist das Problem selten ein Mangel an Zahlen. Prognosen und Dashboards existieren längst, und das monatliche Review findet planmäßig statt. Die Lücke sitzt zwischen dem aktualisierten Plan und der Person, die handeln muss, bevor das Fenster schließt, ob sie nun jetzt kauft oder das Risiko offen lässt.

Die Bruchstellen sind über Teams hinweg dieselben, und ebenso die kurze Liste, die man zuerst beheben sollte:

Wo bricht die Übergabe zwischen Forecasting und Demand Management?

Die Übergabe bricht, wenn Forecasting und Demand Management in einen einzigen Schritt fallen, mit einem Verantwortlichen und einer Zahl. Forecasting schätzt, was Kunden über einen definierten Horizont brauchen werden. Demand Management ist die Entscheidungsschicht darüber: Es prüft diese Schätzung, einigt sich auf die Version, die das Unternehmen umsetzt, und hält sie gegen das, was tatsächlich passiert.

Eine gut gebaute Bedarfsprognose ist eine Wahrscheinlichkeitsaussage mit einer Bandbreite. Der Demand Plan dagegen ist eine verbindliche Position, nach der das Unternehmen handelt. Verwischt man beides, verwässert die Verantwortung: Der Vertrieb nimmt an, die Planung besitze die Zahl, die Planung nimmt an, die Prognose besitze sie, und der Einkauf erbt eine Zahl, für die niemand einsteht.

Der Unterschied zwischen einer Prognose und einem Demand Plan ist nicht akademisch. Er entscheidet, wer geradesteht, wenn die Zahl falsch ist, und ob überhaupt jemand den Einkauf anpasst, wenn der Plan sich bewegt.

Das leise Scheitern: Der konsensuelle Ein-Zahl-Plan und der Plan, den der Einkauf tatsächlich ausführt, sind oft zwei verschiedene Dinge. Wenn sie auseinanderlaufen, hat das Monats-Review einen Bericht erzeugt, nach dem niemand handelt.

Fünf Schwachstellen, die Demand-Pläne von Entscheidungen abkoppeln

Die meisten Demand-Prozesse scheitern an denselben fünf Stellen, und keine davon ist die Prognosegenauigkeit. Jede vergrößert still die Lücke zwischen einem aktualisierten Plan und einer geänderten Entscheidung.

Das Übersteuerungsproblem ist am besten dokumentiert. Über vier Supply-Chain-Unternehmen hinweg wurden rund 75 % der statistischen Prognosen von Hand angepasst, und die kleinen Korrekturen bewegten die Genauigkeit fast gar nicht. Eine breitere Analyse der Forecast Value Added zeigte, dass 52 % der Prognosen eine naive Baseline ohne Veränderung nicht schlugen, und dass die nach oben gerichteten, optimistischen Eingriffe am ehesten das Ergebnis verschlechterten.

Der blinde Fleck bei externen Signalen ist strukturell. Rund 80 % der Supply-Chain-Daten entstehen außerhalb des Unternehmens, doch die meisten Prognosen laufen weiter auf interner Historie. Demand-Sensing-Einsätze in Produktion, die externe Signale wie Point-of-Sale-Bewegungen und Vorlaufzeiten einbinden, melden rund 10 bis 20 % mehr Prognosegenauigkeit und 5 bis 10 % weniger Bestand.

Die letzte Schwachstelle ist die teuerste. Wenn ein Plan-Update nie zu einer geänderten Einkaufsentscheidung wird, ist jeder Fortschritt weiter oben vergeudet. Schwache Governance und fehlende Signale laufen auf ein Ergebnis zu: späte Festlegung, zu dem Preis, auf den sich der Markt längst bewegt hat.

Warum brauchen S&OP und S&OE eine andere Entscheidungslogik?

Weil sie unterschiedliche Fragen auf unterschiedlichen Uhren beantworten. S&OP (Sales and Operations Planning) ist die monatliche Sicht auf Produktfamilienebene, die strategische Abwägungen über 3 bis 18 Monate trifft. S&OE (Sales and Operations Execution) ist die wöchentliche Sicht auf SKU-Ebene, die Ausnahmen in den nächsten 0 bis 12 Wochen behandelt.

Beide verbinden sich über eine Zeitgrenze (Time Fence) und eine Rückkopplungsschleife und laufen als getrennte Aufgaben. Eine Abweichung, die innerhalb der Grenze zu groß zum Abfangen ist, geht zurück ans S&OP, alles andere wird in der Ausführung gelöst. Vermischt man die Rollen, überschreibt kurzfristiges Feuerlöschen die mittelfristige Strategie. Gartner stellt fest, dass 44 % der Supply-Chain-Verantwortlichen einräumen, bei mittleren und starken Störungen im Krisenmodus zu handeln, und dass nur 29 % der Strategen finden, ihre Organisation plane schnell genug um.

Zeitgrenze (Time Fence): die Horizontgrenze, innerhalb derer der Plan für die Ausführung eingefroren ist. Änderungen jenseits davon laufen über das S&OP, während Störungen diesseits vom S&OE aufgefangen oder nach oben eskaliert werden.

Welche Forecast-Kennzahlen zeigen wirklich bessere Entscheidungen?

Die Kennzahlen, die zählen, prüfen, ob eine Prognose eine Entscheidung verbessert hat, über die bloße Nähe der Zahl hinaus. Zwei Größen leisten die Hauptarbeit: Forecast Value Added und Forecast Bias. Forecast Value Added sagt, ob ein Schritt eine naive Baseline geschlagen hat. Der Bias sagt, in welche Richtung man danebenliegt. Beide werden dann gegen eine Geschäftskennzahl wie Servicegrad oder Lagerumschlag gelesen, dort, wo Genauigkeit sich in ein Ergebnis übersetzt oder eben nicht.

Forecast Value Added (FVA): die Veränderung der Prognosegenauigkeit, die einem einzelnen Schritt oder Beteiligten zuzurechnen ist, gemessen gegen eine einfache naive Prognose. Schritte, die nichts beitragen oder die Prognose verschlechtern, können entfallen.

Genauigkeit und Ergebnis hängen nur lose zusammen. Eine Studie von 2024 über mehr als 32.000 Zeitreihen zeigte, dass bessere Prognosegenauigkeit die tatsächliche Entscheidung nur in etwa 20 % der Fälle änderte. Die Wirtschaftlichkeit verbesserte sich in 12,6 % und verschlechterte sich in 7,3 %, ohne Effekt auf die übrigen 80 %. Der Datensatz stammt aus dem Retail, doch der Mechanismus überträgt sich auf die Industrieplanung: Ab einem Punkt kostet das Jagen nach Genauigkeit nur, ohne zu ändern, was irgendjemand festlegt.

Es gibt außerdem einen Boden. Ein Teil des Fehlers ist unvermeidbar, und die meisten Unternehmen tun sich schwer, die naive Prognose um mehr als 10 bis 15 % zu schlagen. Aufwand unterhalb dieses Bodens ist Aufwand, der der Entscheidung fehlt, die die Prognose speisen soll. Auch deshalb schmeichelt der MAPE dem falschen Verhalten: Er bestraft Überprognose stärker als Unterprognose und versagt bei geringen Mengen, weshalb die Kennzahlen, die wirklich zählen, den WAPE mit einem Bias-Maß und einer echten Geschäftskennzahl kombinieren.

Wie lässt sich Demand Management ohne Austausch der Planungs-Stack reparieren?

Der Großteil der Korrekturen ist Governance und Verdrahtung und läuft auf den Planungswerkzeugen, die ein Team ohnehin hat. Die Fehler sind Prozessfehler, bevor sie Softwarefehler sind, und ein neues System löst sie selten. Rund 60 % der IT-Projekte in der Supply-Chain-Planung sprengen Budget oder enttäuschen, und einem kaputten Prozess Automatisierung hinzuzufügen, automatisiert nur das Chaos.

Fünf Governance-Schritte schließen den größten Teil der Lücke, in grober Priorität:

Die einzige Lücke, die Governance allein nicht schließt, ist der externe Blick. Externe Marktkräfte mit dem Moment der Festlegung zu verbinden, ist genau das Problem, für das Sybilion gebaut ist: ein ökonomisches Weltmodell, das Bewegungen bei Rohstoff- und Energiepreisen in erklärbare Szenarien übersetzt, neben den ERP- und Planungswerkzeugen, die ein Team bereits nutzt. Weil jedes Szenario seine Annahmen zeigt, hält der Einkauf stand, wenn die Finanzabteilung fragt, warum er zu diesem Zeitpunkt getätigt wurde. Beim Timing des Rohstoffeinkaufs schützte KD Feddersen damit rund 4 Mio. USD Marge.

Demand-Pläne in frühere Festlegungen verwandeln

Die unbequeme Konsequenz zieht sich durch alle Abschnitte oben: Die Prognose kann schärfer werden, während das Unternehmen nicht klüger wird. Die Genauigkeit steigt in einer Tabelle, Eingriffe fühlen sich produktiv an, das Monats-Review läuft pünktlich, und trotzdem ändert sich nichts am Einkauf. Das Ziel war nie eine bessere Prognose. Es war eine frühere, belastbare Festlegung.

Alles davor, von saubereren Daten bis zu strengerer Governance, zahlt sich nur aus, wenn der Plan die Person erreicht, die das Geld festlegt, rechtzeitig zum Handeln. Das ist die Naht, die Forecasting und Demand Management teilen, und die, die man zuerst konstruieren sollte.

Der praktische nächste Schritt ist klein. Wählen Sie eine Materialposition mit echter externer Exponierung, koppeln Sie ein einzelnes Plan-Update an eine benannte Einkaufsentscheidung, und prüfen Sie, ob die Änderung die Person erreicht hat, die das Geld festlegt, rechtzeitig. Reparieren Sie diese eine Schleife, bevor Sie den Rest der Stack anfassen.

Forecasting und Demand Management: häufige Fragen

Wie oft sollten Planer die statistische Prognose übersteuern?

So selten, wie es die Belege rechtfertigen. Studien über rund 60.000 Prognosen zeigen, dass die meisten kleinen manuellen Eingriffe keine Genauigkeit hinzufügen, während optimistische Eingriffe nach oben das Ergebnis eher verschlechtern. Reservieren Sie Eingriffe für Fälle mit echter Marktinformation, die das Modell nicht sieht, verlangen Sie einen Begründungscode und verfolgen Sie, ob jeder Eingriff wirklich geholfen hat.

Welche Genauigkeitskennzahl passt am besten zu geringen Mengen?

Der WAPE, kombiniert mit einem Bias-Maß, funktioniert bei Artikeln mit geringer oder sporadischer Menge besser als der MAPE. Der MAPE versagt nahe null und bestraft Überprognose härter als Unterprognose, was Entscheidungen verzerrt. Der WAPE gewichtet den Fehler nach Menge, und der Bias zeigt seine Richtung, sodass beide zusammen sauberer auf Bestandsergebnisse abbilden.

Kann bessere Prognosegenauigkeit das Unternehmen schlechter dastehen lassen?

Ja. In einer Studie von 2024 über mehr als 32.000 Zeitreihen änderte bessere Genauigkeit die Entscheidung nur in etwa 20 % der Fälle, und in einem kleinen Teil verschlechterte sich die Wirtschaftlichkeit sogar. Jenseits des Bodens des unvermeidbaren Fehlers kostet zusätzliche Genauigkeit Zeit und Geld, ohne zu ändern, was das Team festlegt.

Wie koppelt man Demand-Plan-Updates an Einkaufsentscheidungen?

Koppeln Sie jedes Plan-Update an einen konkreten Auslöser: Bewegt sich der Plan über eine gesetzte Schwelle, erzwingt er eine Prüfung jeder noch offenen Festlegung, etwa eines anstehenden Einkaufs oder einer Absicherung. Geben Sie diese Entscheidung einem einzigen Verantwortlichen, setzen Sie die Schwelle je Material und protokollieren Sie das Ergebnis. Ohne diese Kopplung bleibt ein aktualisierter Plan ein Bericht, nach dem niemand handelt.

Was verursacht den Bullwhip-Effekt, und wie verschärft ihn die Planung?

Der Bullwhip-Effekt ist die Verstärkung von Nachfrageschwankungen, je weiter die Bestellungen stromaufwärts wandern. Von seinen vier klassischen Ursachen ist die Prognoseaktualisierung diejenige, die die Planung am direktesten steuert, und reaktive Eingriffe befeuern sie. Forschung verknüpft das Beseitigen dieser Verzerrung mit durchschnittlichen Gewinnsteigerungen von 15 bis 30 %, weshalb stabile, gesteuerte Nachfragesignale zählen.