Methoden zur Nachfrageprognose: von traditioneller Statistik bis hin zu prädiktiven Systemen

Die größte Unbekannte für jedes Unternehmen ist, wie viel es verkaufen wird – welche Produktmenge der Markt nachfragen wird. Und warum das so ist, liegt auf der Hand: Die Nachfrage bestimmt den Bedarf an Produktion, Lagerhaltung, Distribution, Einkauf, Instandhaltung, Personal und vieles mehr und betrifft damit die gesamte Organisation, da die von den Verkäufen abhängigen Bereiche über die eigentliche Lieferkette hinausreichen.

In diesem Zusammenhang gibt es stabile Produkte mit geringer Nachfrageschwankung, die traditionell zutreffende Prognosen auf Basis historischer Aktivitätsdaten ermöglicht haben. Doch von Tag zu Tag nimmt die Volatilität der Nachfrage zu – einerseits aufgrund von Fast-Consumption-Trends und Moden, andererseits aufgrund immer häufiger auftretender Wetterfluktuationen. So kann es passieren, dass in der Wintersaison wegen ungewöhnlich milder Temperaturen keine Heizgeräte verkauft werden oder die Nachfrage bei einer Kältewelle außerhalb der üblichen Wintermonate sprunghaft ansteigt.

Ein Beispiel für unerwartete und massive Nachfrage haben wir erst kürzlich erlebt. Das Bedürfnis, sich in offenen Räumen aufzuhalten, soziale Kontakte zu vermeiden und mehr Zeit zu Hause zu verbringen – ausgelöst durch die COVID-19-Krise – ließ die Nachfrage nach Pools und Fahrrädern explodieren. Diese waren in den Verkaufskanälen, sowohl stationär als auch online, dauerhaft ausverkauft und führten zu erheblichen Wartelisten.

Ereignisse wie die Pandemie, die wir derzeit erleben, sind unmöglich vorherzusehen, aber es ist möglich, den Bedarf der Bevölkerung kurz- und langfristig zu schätzen, wobei große unerwartete Ereignisse wie dieses bereits als Referenz dienen. Der Lockdown in China, dem der in Italien folgte, gab der Welt viele Hinweise darauf, dass dies vermutlich auch der Weg für die übrigen Staaten sein würde – mit unvermeidlichen Auswirkungen auf die Konsumtrends.

Mit Systemen zur Nachfrageprognose oder -vorhersage hätte man zwar keine 100%ige Genauigkeit erreicht, aber eine ausreichende Wirksamkeit, um das Angebot der Industrie weitgehend an die Bedürfnisse der Verbraucher anzupassen. Wie der Name schon sagt, erstellen diese Tools Prognosen bzw. Vorhersagen über das zukünftige Verkaufsverhalten auf Basis objektiver Daten, deren Art je nach gewähltem Schätzsystem variiert. Sehen wir uns die verfügbaren Optionen und ihren optimalen Einsatzkontext an.

Traditionelle statistische Prognose

Die statistische Prognose wird seit Jahrzehnten genutzt, um Verkaufszahlen auf Basis historischer Aktivitätsdaten zu schätzen. Diese Systeme gehen von der Prämisse aus, dass das, was in früheren Kampagnen passiert ist, mit hoher Wahrscheinlichkeit auch in den kommenden eintreten wird. Es wird davon ausgegangen, dass Kampagnen stabil sind – wodurch unerwartete Ereignisse oder Situationen unberücksichtigt bleiben, die zu einem Einbruch der Verkäufe oder zu erheblichen Nachfrageanstiegen führen können, auf die nicht reagiert werden kann.

Dennoch sind traditionelle Prognosen – trotz der in den letzten Jahren vorangeschrittenen Automatisierung – weiterhin am weitesten verbreitet, da sie kostengünstig sind und keine zusätzlichen Kenntnisse über den Umgang mit Excel oder den bereits in den Organisationen implementierten Enterprise-Resource-Planning-Systemen (ERP) hinaus erfordern. Sie sind in sehr stabilen Märkten mit geringer Artikelrotation wirksam, beispielsweise im Ersatzteilmarkt für Sanitärinstallationen, und liefern gute Ergebnisse für mittel- bis langfristige Prognosen.

Nachfrageplanung mit Machine Learning

Der Einsatz von Machine Learning bzw. maschinellem Lernen zur Nachfrageplanung basiert auf der Datennutzung auf höchstem Niveau, d. h. er erfordert sowohl interne als auch externe Datenquellen, um belastbare Prognosen zu erstellen. Im Unterschied zur traditionellen statistischen Analytik ermöglicht künstliche Intelligenz, Informationen aus eigenen und kontextbezogenen Quellen zu gewinnen und sowohl mit strukturierten Daten (Verkaufs-, Einkaufs- und Finanzhistorien …) als auch mit unstrukturierten Daten (Wetterprognosen, Trendanalysen, Marketingmaßnahmen …) zu arbeiten.

Machine-Learning-Systeme bündeln alle verfügbaren Daten – wir sprechen von Tausenden von Datensätzen (Big Data) –, verarbeiten sie mit mathematischen Algorithmen und identifizieren Muster, anhand derer sie die erfassten Einträge in Informationen überführen. Bei jedem dieser Schritte lernen die Modelle des maschinellen Lernens Verhaltensweisen und passen ihre Prognosen an, wodurch eine höhere Effektivität erreicht wird. Dieser Sprung in Automatisierung und Präzision erfordert jedoch mehr technische Ressourcen sowie die Implementierung durch Data-Science-Teams.

Jedes System ist für bestimmte unternehmerische und marktbezogene Rahmenbedingungen geeignet. Machine Learning ist insbesondere in Situationen effektiver, in denen die Arbeit mit historischen Aktivitätsdaten nicht möglich ist, wie zum Beispiel:

• die Planung instabiler und wechselnder Nachfrage
• die Einführung neuer Produkte
• und die kurz- bis mittelfristige Prognose.

Nachfragevorhersage

Die Nachfragevorhersage macht einen bedeutenden Sprung: weg von Modellen, die Verkäufe prognostizieren, hin zu solchen, die sie vorhersagen. Der Unterschied mag klein wirken, ist aber sehr wichtig. Prognosebasierte Modelle schätzen die mögliche Nachfrage – ohne vollständige Gewissheit –, während neue Modelle vorhersagen, was eintreten wird: wie sich Käufer abhängig von Marktbedingungen, Wirtschaft, Gesellschaft … verhalten werden. Dadurch entsteht Reaktionsfähigkeit auf unerwartete Ereignisse, die die Marktbedingungen verändern. Die Vorhersage ermöglicht jene Sicherheit, die die Prognose nicht bietet, denn sie schätzt nicht nur, sondern zeigt die zukünftige Nachfrage mit hoher Effizienz.

Für Vorhersagen benötigen wir erneut Daten: Je mehr und je hochwertiger sie sind, desto präziser sind die Informationen, auf die Teams zurückgreifen können, um Geschäftsprozesse zu steuern. Es wird daher mit internen und externen Quellen gearbeitet: ERP, CRM, Sensoren, Arbeitskalender, Wirtschaftsindikatoren, Wetterdaten, historische Aktivitätsdaten, Markttrends, Promotionskampagnen … Diese werden mit prädiktiven Algorithmen verarbeitet, um sie in hochwertige Informationen über die zukünftige Marktnachfrage zu transformieren.

Systeme zur Nachfragevorhersage zeigen ihre höchste Effizienz und ihren größten Nutzen in mittel- und langfristigen Strategien. Sie liefern zudem hervorragende Ergebnisse für Vorhersagen in volatilen und wechselhaften Umfeldern sowie bei der Einführung neuer Produkte, zu denen keine Vorinformationen vorliegen, da sie zahlreiche endogene und exogene Variablen berücksichtigen, um vorherzusagen, was passieren wird – mit hoher Korrelation zur zukünftigen Realität.

Fazit

Es ist unbestreitbar, dass die Nutzung von Daten für das Unternehmensmanagement unverzichtbar ist. Heute, im Zeitalter von Big Data und künstlicher Intelligenz, werden Organisationen, die sich dieser Revolution nicht anschließen, ihre Wettbewerbsfähigkeit verlieren. Dennoch ist jedes Tool für einen bestimmten Produkttyp und eine bestimmte Aktivität geeignet. Bevor man sich daher für Prognose-, Schätz- oder Vorhersagesysteme entscheidet, ist es notwendig, die intrinsischen Bedingungen des eigenen Unternehmens, seiner Produkte und Märkte zu analysieren, um für jedes Produktionsumfeld die passendste und effektivste Option zu wählen.