Nachfrageprognose

Was ist Nachfrageprognose?

Nachfrageprognosen, auch bekannt als „Demand Forecasting“, schätzen den zukünftigen Bedarf an Produkten und Dienstleistungen ein, um fundierte Geschäftsentscheidungen treffen zu können. Nachfrageprognosen umfassen granulare Daten, historische Absatzdaten, Umfragen und vieles mehr. Sie können ihre Genauigkeit verbessern, indem Sie Echtzeitinformationen, Advanced Analytics, Machine Learning und Data Science integrieren.

Genaue Nachfrageprognosen (oder auch: Demand Forecasting) helfen Ihnen bei der Bestandsverwaltung, Kapazitätsplanung, Produktnachfrage und Ressourcenzuweisung. Genaue Prognosen stellen sicher, dass Sie die richtigen Artikel bestellen, genügend Produkte auf Lager haben und angemessene Preise festlegen können, um die Kundennachfrage zu erfüllen, ohne dass es zu Lieferengpässen kommt.

Dieser Leitfaden bietet einen Überblick über die verschiedenen Verfahren zur Nachfrageprognose sowie über die Vor- und Nachteile jeder Methode.

Methoden, Modelle und Techniken für die Nachfrageprognose

Es gibt drei wesentliche Typen von Verfahren zur Nachfrageprognose:

1. Qualitative und quantitative Prognosen
2. Zeitreihenanalyse/Projektionen
3. Casual Models
   
   Jeder Typ nutzt verschiedene Daten und verfügt über unterschiedliche Grade der Genauigkeit der Nachfrageprognosen und Prognosefehlerraten.

Qualitative Prognose

Qualitative Prognosen sind eine Art der Nachfrageprognose, die auf subjektiven Faktoren wie Kundenmeinungen und Markttrends beruht. Diese Methode würde man verwenden, wenn nur wenige oder keine historischen Daten verfügbar sind.

Qualitative Prognosen sind ungenauer als quantitative Prognosen, lassen sich aber oft schneller und kostengünstiger umsetzen. Qualitative Prognosen kombinieren bzw. aggregieren so viele Daten und Informationen wie möglich, um unvoreingenommene Schätzungen zu erstellen.

Vor- und Nachteile qualitativer Prognosen

Vorteile:

• Kann für neue Produkte verwendet werden
• Konzentriert sich auf die Stimmung der Kundinnen und Kunden und die wahrgenommenen Bedürfnisse
• Schnelle Entwicklung, schnelles Erzielen von Ergebnissen

Nachteile:

•  Subjektive Natur kann zu ungenauen Ergebnissen führen
•  Vergleich mit historischen Daten oder anderen Prognosemethoden ist schwierig
• Zeitaufwendige Erfassung der Verbraucherdaten

Qualitative Methoden und Prognosemodelle

Delphi-Methode

Die Delphi-Methode ist eine strukturierte Technik zur Erfassung von Expertenmeinungen oder -schätzungen. Sie wird hauptsächlich in Prognosen verwendet und liefert nachweislich genauere Ergebnisse als einzelne Schätzungen – insbesondere wenn es unter Expertinnen/Experten erhebliche Unstimmigkeiten gibt. Das Grundprinzip der Delphi-Methode besteht darin, verzerrte Schätzungen von Wahrscheinlichkeit und Wert zu vermeiden, indem die Beurteilungen einer Gruppe von Expertinnen und Experten zusammengefasst werden.

Marktforschung

Die Marktforschung verwendet einen formalen Ansatz zur Prognose der Marktnachfrage. Sie wird verwendet, um Hypothesen über die zukünftige Nachfrage zu testen, was für Schwellen- und neue Märkte hilfreich ist. Diese Prognosen nutzen häufig Fallstudien, Recherchen, Fokusgruppen, Kundenerfahrungsberichte und vieles mehr.

Gremienkonsens

Der Gremienkonsens, auch bekannt als „Panel-Konsens“, ist ein Prozess, mit dem Daten und Meinungen von einer Gruppe von Expertinnen und Experten erfasst werden. Er wird verwendet, um Ideen zu entwickeln, Trends zu erkennen und Entscheidungen zu treffen. Die Gremiumsmitglieder werden auf Grundlage ihres Wissens und ihrer Fachkenntnis in dem jeweiligen Thema ausgewählt. In der Regel trifft sich das Gremium, um über das Thema zu diskutieren und dann abzustimmen. Der Konsens wird dann genutzt, um eine Entscheidung oder Empfehlung zu treffen.

Visionäre Prognose

Mit der visionären Prognosetechnik werden Ideen über die Zukunft geschaffen. Bei dieser Technik wird eine Gruppe von Expertinnen und Experten hinzugezogen, die ihre Visionen der Zukunft teilen. Diese Visionen werden anschließend analysiert und in einem Bericht zusammengefasst, der für Entscheidungen über die Zukunft verwendet wird.

Historische Analogie

Mit der historischen Analogietechnik werden Ideen zur Zukunft geschaffen. Bei dieser Technik werden vergangene Ereignisse und Trends betrachtet, um Muster zu identifizieren, die in der Zukunft erneut auftreten können.

Quantitative Prognosen

Quantitative Prognosen sind oft genauer als qualitative Prognosen, können jedoch teurer und zeitaufwendiger sein. Diese Methode verwendet historische Daten, Statistiken und andere objektive Metriken. Diese Art der Prognose wird häufig für die Bestandsplanung, kurz- und langfristige Absatzprognosen und die Optimierung der Lieferkettenverwaltung verwendet.

Vor- und Nachteile quantitativer Prognosen

Vorteile:

• Objektiver und unvoreingenommen
• Kann Muster und Trends erkennen
• Besser für langfristige Nachfrageprognosen

Nachteile:

• Höhere Umsetzungskosten durch manuelle Prozesse
• Externe Faktoren und neuere Informationen sind schwer zu berücksichtigen
• Kann große Ideen und Trends unter Umständen nicht erfassen

Quantitative Methoden und Prognosemodelle

Naive Prognose

Naive Prognosemethoden verwenden vergangene Daten, um den zukünftigen Bedarf zu prognostizieren. Aus diesem Grund können Sie keine neuen Nachfrageeinflüsse wie Trends und Ereignisse berücksichtigen.

Saisonale Prognose

Für die saisonale Prognose werden historische Saisondaten verwendet, wie z. B. die tatsächlichen Verkäufe, um die zukünftige saisonale Prognose zu prognostizieren. Prognosen zur Saisonalität können Ereignis-, Monats-, Quartals- und weitere Prognosen umfassen. Bisweilen können die Daten durch wichtige wirtschaftliche Faktoren verzerrt werden, z. B. durch Konjunkturabschwünge, höhere Verbraucherausgaben oder SKU-Verfügbarkeit.

Umsatzlaufraten

Umsatzlaufraten, oder auch: „Revenue Run Rates“, prognostizieren Ergebnisse zum Jahresende, wie beispielsweise die Prognose von Gewinnmargen. Sie können jedoch in Zeiten von Volatilität ungenau sein. Diese Prognosen basieren auf den Leistungen der Vergangenheit und berücksichtigen nicht die aktuellen Trends, Muster oder andere wirtschaftliche Schwankungen.

Historische Wachstumsrate

Historische Wachstumsraten helfen Ihnen, die Wachstumsrate einer bestimmten Kennzahl durch Messung ihrer historischen Daten zu messen. Diese Daten können Ihnen helfen, zukünftiges Wachstum zu prognostizieren, wenn Sie eine gleichbleibende Leistung erwarten. Volatilität und Trends können die Prognosegenauigkeit beeinflussen.

Lineare Regression

Die lineare Regression ist ein detaillierter Prozess, bei dem ein Satz von Datenpunkten verwendet wird, um eine Ursache-Wirkung-Beziehung zu identifizieren. Dazu wird verglichen, wie sich eine bestimmte Variable auf ein Ergebnis auswirkt. So werden beispielsweise Verkaufsgespräche mit Verkaufsabschlüssen verglichen. Sobald Sie eine Beziehung zwischen den Datenpunkten hergestellt haben, können Sie diese zur Prognose der erwarteten Ergebnisse verwenden. Diese Methode erfordert jedoch, dass Sie eine Variable verwenden, die sich erheblich auf das Ergebnis auswirkt. Nicht von irgendwoher stammt der Satz „Eine Korrelation impliziert keinen Kausalzusammenhang“.

Zeitreihenanalyse

Zeitreihenanalysen nutzen Daten aus vielen Jahren, um die potenzielle Nachfrage vorherzusagen. Die Daten müssen jedoch präzise, zuverlässige und stabile Beziehungen und Trends erzeugen.

Die aus früheren Daten gewonnenen Trends werden verwendet, um zu beurteilen, ob die aktuellen Trends der Verbrauchernachfrage den Erwartungen entsprechen, hinter ihnen zurückbleiben oder ihnen voraus sind.

Andere Faktoren können sich auf die Genauigkeit der Zeitreihenanalyse auswirken, einschließlich wirtschaftlicher Störungen und saisonaler Schwankungen. Sie können jedoch zusätzliche statistische Methoden verwenden, um diese Variationen in Daten und Analysen zu berücksichtigen.

Vor- und Nachteile von Zeitreihenanalyse

Vorteile:

• Stützt sich auf frühere Daten, um Trends zu ermitteln
• Kann langfristige Beziehungen in Daten identifizieren
• Im Allgemeinen günstiger als andere Methoden

Nachteile:

• Daten müssen hochwertig sein
• Daten müssen klaren und einheitlichen Mustern folgen
• Funktioniert nur, wenn die Zukunft der Vergangenheit sehr ähnlich ist

Zeitreihenanalysemethoden und Prognosemodelle

Gleitender Durchschnitt

Die Technik des gleitenden Durchschnitts, oder auch: „Moving average“, hilft Ihnen, Trends in Daten zu erkennen. Bei diesem Prozess wird aus einer Reihe von Datenpunkten der Durchschnitt errechnet, der dann in ein Diagramm eingezeichnet wird. Die Richtung des gleitenden Durchschnitts gibt den Trend an.

Exponentielle Glättung

Die exponentielle Glättungstechnik („Exponential Smoothing“) verwendet einen ähnlichen Prozess wie der gleitende Durchschnitt, geht jedoch davon aus, dass der letzte Datenpunkt die beste Schätzung des aktuellen Trends darstellt. Diese Technik weist den Datenpunkten mit zunehmendem Alter exponentiell abnehmende Gewichtung zu. Die einem bestimmten Datenpunkt zugewiesene Gewichtung hängt vom Wert eines Parameters ab. Sie können die exponentielle Glättungstechnik mit oder ohne Saisonalität verwenden.

Box-Jenkins

Die Box-Jenkins-Technik verwendet einen ähnlichen Prozess wie die exponentielle Glättungstechnik, weist jedoch älteren Datenpunkten Fehler oder eine Fehlerrate zu.

X-11

Die X-11-Technik verwendet einen ähnlichen Prozess wie die exponentielle Glättung und Box-Jenkins, verwendet aber stattdessen mehrere Parameter, einschließlich Saisonalität, Trends und Unregelmäßigkeiten. Diese Technik eignet sich gut für mittelfristige Prognosen.

Trendprojektionen

Diese Trendprojektionstechnik identifiziert zukünftige Trends in einem bestimmten Dataset durch Extrapolieren vergangener Daten. Die Trendprognose kann dabei helfen, die zukünftige Nachfrage für ein Produkt oder einen Dienst, zukünftige Umsatzzahlen oder andere numerische Daten vorherzusagen.

Kausalmodell

Kausalmodelle sind die präzisesten Prognosetools. Sie eignen sich am besten für langfristige Prognosen. Bei Kausalmodellen müssen Sie historische Daten sorgfältig analysieren, bis Sie klare Beziehungen zwischen zwei Datenpunkten oder Faktoren erkennen können.

Kausalmodelle heben außerdem Kausalbeziehungen innerhalb der Daten hervor und können Informationen wie andere Analysen und Standortdaten einbeziehen. Aus diesem Grund werden Sie wahrscheinlich auch weiterhin Kausalmodelle aktualisieren, sobald Sie neue Informationen erhalten.

Vor- und Nachteile des Kausalmodells

Vorteile:

• Kann für langfristige Prognosen verwendet werden
• Kann Beziehungen zwischen Datenpunkten identifizieren
• Im Allgemeinen genauer als andere Methoden

Nachteile:

• Daten müssen von hoher Qualität sein
• Die Datenanalyse kann zeitaufwendig sein
• Erfordert Zugriff auf historische Daten

Kausalmethoden und Prognosemodelle

Regressionsmodell

Die Regression ist eine leistungsstarke statistische Technik, mit der Sie zukünftige Werte einer Antwortvariablen auf der Grundlage bekannter Werte von Vorhersagevariablen vorhersagen können. In der Regressionsanalyse werden Beziehungen zwischen Variablen mithilfe einer Ausgleichsgerade (oder Regressionslinie) quantifiziert, welche die lineare Beziehung zwischen den Prädiktor- und Antwortvariablen erfasst.

Ökonometrisches Modell

Die ökonometrische Modelltechnik ist ein statistischer Ansatz zur Modellierung von Wirtschaftsdaten. Sie können damit zukünftige wirtschaftliche Aktivitäten vorhersagen, die Auswirkungen der Wirtschaftspolitik messen und die Beziehungen zwischen verschiedenen Variablen in der Wirtschaft verstehen. Ökonometrische Modelle werden in der Regel anhand historischer Daten geschätzt.

Umfragen zu Kaufabsicht und Erwartungshaltung

Umfragen zur Kaufabsicht sind ein wichtiges Tool zur Messung des Verbraucherverhaltens. Mithilfe vergangener Verkaufsinformationen können Sie fundiertere Marketing- und Produktentscheidungen treffen, indem Sie die zukünftigen Kaufabsichten der Verbraucher messen. Sie können diese Arten von Umfragen auch verwenden, um potenzielle Probleme oder Chancen innerhalb des Unternehmens zu identifizieren.

Input-Output-Modell

Das Input-Output-Modell ist eine quantitative Wirtschaftstechnik, mit der die Auswirkungen von Veränderungen in einem Wirtschaftssektor auf andere Sektoren abgeschätzt werden können. Das Input-Output-Modell basiert auf den Transaktionen zwischen Unternehmen innerhalb einer Volkswirtschaft, die in einer Input-Output-Tabelle erfasst sind.

Lebenszyklusanalyse

Die Lebenszyklusanalyse ist ein Tool zur Bewertung der Umweltauswirkungen eines Produkts oder einer Dienstleistung. Die Lebenszyklusanalyse betrachtet den gesamten Lebenszyklus eines Produkts oder einer Dienstleistung, von den zur Herstellung verwendeten Rohstoffen bis hin zum nach der Entsorgung produzierten Abfall. Die Lebenszyklusanalyse kann verwendet werden, um die umweltfreundlichste Methode zur Herstellung eines Produkts oder einer Dienstleistung zu ermitteln.

Beispiele aus der Praxis für Nachfrageplanung und -prognose

Die Nachfrageplanung und -prognose ist ein wichtiger Bestandteil jedes Unternehmens. Sie ermöglicht es Ihnen, zukünftige Einzelhandels- und E-Commerce-Anforderungen vorherzusehen und sicherzustellen, dass Sie über die Ressourcen verfügen, um diese zu erfüllen. In diesem Abschnitt werden wir einige Beispiele aus der Praxis für die Nachfrageplanung und -prognose besprechen.

Lieferkette

Lieferkettenleiter nutzen die Nachfrageplanung und -prognose, um die Beschaffung und Lieferung von Waren sicherzustellen. Das Ziel ist es, die Lagerbestände aufrechtzuerhalten, um den Kundenbedürfnissen gerecht zu werden, ohne durch Überangebot Geld zu verlieren. Viele Faktoren können sich auf den Nachfragebedarf auswirken, insbesondere Veränderungen des Wirtschafts- und Verbraucherverhaltens, Veränderungen unter Erwerbstätigen, Naturkatastrophen, globale Ereignisse und vieles mehr. Bei der Bedarfsprognose ist es am wichtigsten, die geeignetste Methode für jede Situation zu verwenden.

Coca-Cola beispielsweise erstellt anhand unternehmensweiter Prognosen individuelle Berichte für jede Filiale, sagt voraus, welche Geschmacksrichtungen in den Produkten verwendet werden sollen und welche Maschinenkomponenten gewartet werden müssen.

Quelle

Finanzabteilung

Die Finanzabteilung ist für die Finanzplanung und -prognose eines Unternehmens verantwortlich. Zu ihren Aufgaben gehören die Ausarbeitung von Budgets, die Erstellung von Abschlüssen und die Verwaltung des Cashflows.

Chick-fil-A verwendet Prognosen, um Risikobewertungen anzufertigen und Berichte für die Geschäftsleitung zu erstellen.

Quelle

Einzelhandel

Einzelhändler verwenden Nachfrageprognosen, um zu bestimmen, wie viele Produkte bei Lieferanten bestellt werden sollen und wie die Preise für ihre Produkte festgelegt werden. Die Nachfrageprognose kann Einzelhändlern helfen, Fehlbestände und Überbestände zu vermeiden und ihre Lagerkosten zu verwalten.

Rent-A-Center nutzt Prognosen, um Kundenbedürfnisse zu verstehen und Marketingmaßnahmen basierend auf Kundenprofilen anzupassen. Die Kundensegmentierung ermöglicht es ihnen, die Waren entsprechend der lokalen Nachfrage zu optimieren, anstatt in jedem Geschäft das gleiche Sortiment anzubieten.

Quelle

Machine Learning

Machine Learning ist eine Art von künstlicher Intelligenz, die manchmal verwendet wird, um die Genauigkeit von Nachfrageprognosen zu erhöhen. Machine Learning-Algorithmen lernen aus Daten und verbessern sich im Laufe der Zeit, wodurch sie sich gut für Prognosen eignen, da sie komplexe Datasets verarbeiten und Prognosen über zukünftige Anforderungen erstellen können.

7-Eleven nutzt Machine Learning und KI für die Nachfrageprognose, um Einblicke in Berichte, Werbeaktionen, Saisonalität und Berichte über nicht vorrätige Produkte zu erhalten. Die Prognosen helfen ihnen bei der Verwaltung des Lagerbestands für Tausende von Produkten in über 9.000 Geschäften.

Quelle

Software für Nachfrageplanung und -prognose

Es gibt nicht die eine Software für Nachfrageplanung und -prognose, die für alle geeignet ist. Unternehmen verwenden häufig mehrere Produkte, um die Nachfrage zu prognostizieren. Hier sind einige davon:

Tabellenkalkulation

Kalkulationstabellen sind die beliebteste Art von Software, die bei der Nachfrageplanung und -prognose verwendet wird. Rund 75 Prozent der für die Lieferketten zuständigen Abteilungen verlassen sich bei der Entscheidungsfindung auf Tabellen.

Vorteile von Kalkulationstabellen für Nachfrageprognosen

• Kann Regressions- und Zeitreihenanalysen durchführen
• Ermöglicht minimale Programmierung und Skripterstellung
• Kann mit anderer Software etwas automatisiert werden

Kodierungsprogramme und -Software

Kodierungsprogramme wie R und Python werden häufig von Data Scientists für Advanced Analytics verwendet. Die Kodierung funktioniert für verschiedene Nachfrageplanungs- und -prognoseaufgaben, einschließlich Zeitreihenanalyse und Machine Learning.

Vorteile von Kodierunsprogrammen für Nachfrageplanungsprognosen

• Können Advanced Analytics durchführen
• Können Prozesse automatisieren
• Können große Datasets verarbeiten
• Kann an spezifische Anforderungen angepasst werden

Visualisierungssoftware

Visualisierungssoftware wie Tableau und Qlik wird zur Erstellung grafischer Darstellungen von Daten verwendet. Visualisierungen können bei der Bedarfsplanung und -prognose hilfreich sein, da komplexe Erkenntnisse und Daten einfacher zu verstehen sind.

Vorteile von Visualisierungssoftware für Nachfrageplanungsprognosen

• Kann komplexe Datasets verständlicher machen
• Kann zum Erstellen von Dashboards und Berichten verwendet werden
• Kann an spezifische Anforderungen angepasst werden

BI und Berichterstellungs-Software

Business Intelligence (BI) und Berichterstellungs-Software wie SAP Business Objects und Oracle BI werden zur Erstellung von Berichten und Dashboards verwendet. Berichte und Dashboards bieten einen umfassenderen Einblick in Daten.

Vorteile von BI und Berichterstellungs-Software für Nachfrageplanungsprognosen

• Kann Einblicke in Daten bieten
• Kann zum Erstellen von Berichten und Dashboards verwendet werden
• Kann an spezifische Anforderungen angepasst werden

Geospatial Analytics-Software

Geospatial Analytics-Software (oder auch: Software für Geodaten-Analysen) wie Esri ArcGIS und MapInfo Professional analysiert geografische Daten und liefert so Einblicke in das Kundenverhalten und ideale Einzelhandelsstandorte.

Vorteile von Geospatial Analytics-Software für Nachfrageplanungsprognosen

• Kann Einblicke in das Kundenverhalten liefern
• Kann zum Erstellen von Heatmaps verwendet werden
• Kann an spezifische Anforderungen angepasst werden

Analytics-Automation-Software

Analytics Automation-Software wie Alteryx wird zur Automatisierung der Datenanalyse verwendet. Analytics Automation reduziert den Zeitaufwand, die benötigte Arbeit und die Kosten für die Vorbereitung und Analyse von Daten zur Erstellung von Nachfrageprognosen. High-End-Plattformen umfassen Funktionen und Ressourcen für Datenvorbereitung und -zusammenführung, Analyse, erweiterte Analyse, Machine Learning, KI, Data Science, Geoanalyse, Data Governance und vieles mehr.

Vorteile von Analytics Automation-Software für Nachfrageplanungsprognosen

• Kann den Zeit- und Arbeitsaufwand für die Datenanalyse reduzieren
• Kann zur Automatisierung von Prozessen verwendet werden
• Kann an spezifische Anforderungen angepasst werden
• Schnelle Skalierung von Vorgängen auf Geschäftsanforderungen

Fazit

Nachfrageprognosen sind Prozesse, bei denen ein Unternehmen versucht, die zukünftige Nachfrage nach seinen Produkten oder Dienstleistungen zu schätzen. Es gibt verschiedene Methoden zur Nachfrageprognose, die jeweils ihre Vor- und Nachteile haben. Bei der Nachfrageprognose ist es am wichtigsten, die beste Methode für jede Situation zu verwenden.