Unternehmensberatung · Demand Planning
Demand Planning: Prognosen, auf die sich Ihre Planung verlassen kann
Wir strukturieren Bedarfsplanung und Absatzprognose so, dass statistische Verfahren und Marktwissen zusammenfinden. Prognosegüte wird messbar, Annahmen werden nachvollziehbar.
Bedarfsplanung
Worum es geht
Demand Planning ist die strukturierte Prognose des künftigen Kundenbedarfs. Grundlage sind Absatzhistorie, Marktwissen und Informationen aus Vertrieb und Marketing. Das Ergebnis, der abgestimmte Bedarfsplan, steuert Produktion, Einkauf und Bestände und ist der Ausgangspunkt jedes S&OP-Zyklus.
Gute Bedarfsplanung ist keine Frage des einen richtigen Verfahrens. Sie entsteht, wenn das Sortiment sinnvoll segmentiert ist, die Datenbasis stimmt, jedes Verfahren zu seinem Nachfragemuster passt und manuelle Korrekturen nachweislich einen Mehrwert bringen.
Herausforderungen
Typische Ausgangslagen
Optimistischer Vertriebsforecast
Zahlen aus dem Vertrieb sind oft Ziele statt Prognosen. Der systematische Überhang landet im Lager.
Unsaubere Historie
Aktionen, Ausreißer, Lieferengpässe und Nachfolgeartikel verzerren die Datenbasis, auf der jede Prognose aufsetzt.
Sporadischer Bedarf
Ersatzteile und Variantenvielfalt erzeugen Nachfrage mit vielen Nullperioden. Standardverfahren liegen hier regelmäßig daneben.
Genauigkeit wird nicht gemessen
Ohne feste Kennzahl, Ebene und Zeitversatz bleibt offen, ob die Prognose besser oder schlechter wird.
Planer als Datensammler
Die meiste Zeit fließt in das Zusammentragen von Zahlen statt in Analyse und Abstimmung.
Hohe Erwartungen an KI
Machine Learning soll die Prognose retten, doch Datenbasis und Prozess sind dafür noch nicht bereit.
Projekt
Unser Vorgehen
- 01
Diagnose und Segmentierung
Wir analysieren Absatzhistorie und Prognosegüte und segmentieren das Sortiment, etwa nach ABC/XYZ-Logik. Die heutige Forecast-Genauigkeit wird zur Ausgangsbasis.
- 02
Datenbasis bereinigen
Ausreißer, Aktionen, Lieferausfälle und Produktnachfolgen werden bereinigt oder gekennzeichnet, damit die Verfahren die echte Nachfrage sehen.
- 03
Verfahren je Segment
Für jedes Segment wählen wir passende Verfahren und prüfen sie im Backtesting gegen die tatsächlichen Absätze der Vergangenheit.
- 04
Konsensprozess
Vertrieb und Marketing ergänzen die statistische Prognose strukturiert und dokumentiert um Marktwissen. Forecast Value Added zeigt, welche Korrekturen den Plan verbessern.
- 05
Automatisierung und System
Wir verankern Verfahren und Prozess im Planungssystem, von der strukturierten Lösung bis SAP IBP for Demand.
- 06
Monitoring und Befähigung
Kennzahlen, Ausnahmelisten und Schulungen sorgen dafür, dass die Qualität im Alltag bleibt.
Methodik
Prognoseverfahren im Überblick
Exponentielle Glättung
Robust für stabile Artikel; in der Variante nach Holt-Winters auch für Trend und Saisonalität.
Croston und TSB
Für sporadischen Bedarf mit vielen Nullperioden, etwa bei Ersatzteilen.
Regression mit Indikatoren
Erklärt Absätze über Einflussgrößen wie Preise, Aktionen oder vorlaufende Wirtschaftsindikatoren.
Machine Learning
Gradient-Boosting-Verfahren und verwandte Modelle, wenn genügend Daten und Einflussgrößen vorliegen.
Demand Sensing
Korrigiert die Prognose für die nächsten Tage bis Wochen anhand aktueller Signale wie Auftragseingängen.
Best-Fit-Auswahl
Verfahren treten im Backtesting gegeneinander an. Eingesetzt wird, was für das Segment nachweislich am besten trifft.
Wirkung
Was sich messen lässt
Prognosegüte lässt sich nur verbessern, wenn sie konsequent gemessen wird: auf fester Ebene, mit festem Zeitversatz und über einen festen Zeitraum. Diese Kennzahlen setzen wir typischerweise ein:
- Forecast-Genauigkeit als 1 minus WMAPE
- Bias beziehungsweise Tracking Signal für systematische Über- oder Unterschätzung
- Forecast Value Added (FVA) je Prozessschritt im Vergleich zur naiven Prognose
- Servicegrad, Lieferbereitschaft und Bestandsreichweite
Warum FVA wichtig ist, zeigt die Forschung: In einer Auswertung von über 60.000 Prognosen aus vier Unternehmen verschlechterten kleine manuelle Korrekturen die Genauigkeit häufig, und Korrekturen nach oben lagen öfter daneben als Korrekturen nach unten (Fildes et al., 2009).
FAQ
Häufige Fragen zu Demand Planning
Was ist Demand Planning?
Demand Planning ist die strukturierte Prognose des künftigen Kundenbedarfs aus Absatzhistorie, Marktwissen und Vertriebsinformationen. Sie ist die Grundlage für Produktion, Einkauf und Bestandsplanung.
Was ist der Unterschied zwischen Absatzplanung und Bedarfsplanung?
Die Absatzplanung beschreibt, welche Mengen und Umsätze der Vertrieb erwartet. Die Bedarfsplanung übersetzt diese Erwartung in den Bedarf, den Produktion und Einkauf decken müssen. In der Praxis werden beide Begriffe oft synonym verwendet.
Wie berechnet man die Forecast-Genauigkeit?
Verbreitet ist 1 minus WMAPE: die Summe der absoluten Abweichungen, geteilt durch den tatsächlichen Absatz. Wichtig sind eine feste Planungsebene, ein fester Zeitversatz zwischen Prognose und Ist sowie ein fester Betrachtungszeitraum.
Was ist eine gute Forecast-Genauigkeit?
Das hängt von Branche, Planungsebene und Horizont ab. Aussagekräftiger als ein Pauschalwert ist der Vergleich mit einer naiven Prognose: Jeder Schritt im Prozess sollte sie schlagen.
Welche Prognoseverfahren gibt es?
Gleitende Durchschnitte, exponentielle Glättung, Holt-Winters für Trend und Saison, Croston für sporadischen Bedarf sowie Regressions- und Machine-Learning-Verfahren. Welches passt, entscheidet das Nachfragemuster.
Was ist Demand Sensing?
Demand Sensing korrigiert die Prognose kurzfristig für Tage bis wenige Wochen, gestützt auf aktuelle Signale wie Auftragseingänge oder Abverkäufe.
Verbessert KI die Absatzprognose?
Oft ja: McKinsey berichtet von 20 bis 50 Prozent geringeren Prognosefehlern durch KI-gestützte Verfahren. Voraussetzung sind eine saubere Datenbasis und Artikel, deren Nachfrage sich überhaupt erklären lässt.
Weitere Beratungsthemen