Forecast Errors reduzieren: 7 Hebel für präzisere  Prognosen im FMCG

‍

Präzise Forecasts sind eine der wichtigsten Grundlagen für eine funktionierende Supply  Chain. Sie beeinflussen, wie viel produziert wird, welche Rohstoffe eingekauft werden,  welche Bestände vorgehalten werden und ob Produkte zum richtigen Zeitpunkt verfügbar  sind. Gerade in der FMCG-, Lebensmittel- und Getränkeindustrie können bereits kleinere  Abweichungen erhebliche Auswirkungen haben. Wird die Nachfrage überschätzt, entstehen  Überbestände, gebundenes Kapital und bei verderblichen Produkten möglicherweise Food  Waste. Wird sie unterschätzt, drohen Stock-outs, Produktionsengpässe und eine sinkende  Lieferfähigkeit.

‍

Forecast Errors vollständig zu vermeiden, ist dabei weder realistisch noch das  eigentliche Ziel. Märkte bleiben dynamisch und nicht jedes Ereignis lässt sich vorhersehen.  Entscheidend ist vielmehr, systematische Fehler zu erkennen, Forecasts kontinuierlich zu  verbessern und schneller auf Veränderungen reagieren zu können.

‍

Doch wodurch entstehen Forecast Errors eigentlich? Und an welchen Stellschrauben  können Unternehmen ansetzen?

‍

Was ist ein Forecast Error?  

‍

Der Forecast Error beschreibt die Abweichung zwischen einer prognostizierten und der  tatsächlich eingetretenen Nachfrage. Werden beispielsweise für einen bestimmten Zeitraum  10.000 Einheiten prognostiziert, tatsächlich aber nur 8.500 verkauft, weicht der Forecast von  der realen Nachfrage ab. 

‍

In der Praxis werden Forecast Errors mit unterschiedlichen Kennzahlen bewertet. Häufig  eingesetzt werden beispielsweise MAE (Mean Absolute Error), MAPE (Mean Absolute  Percentage Error), WAPE (Weighted Absolute Percentage Error) oder der Forecast Bias.  Welche Kennzahl sinnvoll ist, hängt unter anderem vom Geschäftsmodell, der  Absatzstruktur und der Planungsebene ab. Für Unternehmen ist deshalb nicht nur wichtig,  einen einzelnen Wert zu betrachten. Entscheidend ist, wo Abweichungen entstehen, wie  systematisch sie auftreten und welche Auswirkungen sie auf die weitere Planung haben.

‍

Ein Forecast kann beispielsweise auf Gesamtunternehmensebene sehr präzise erscheinen,  während auf SKU-, Kunden- oder Standortebene erhebliche Abweichungen auftreten.  Gerade im FMCG-Bereich ist diese Granularität entscheidend.

‍

Warum Forecast Errors im FMCG besonders kritisch sind  

‍

FMCG-Unternehmen planen häufig hunderte oder tausende Kombinationen aus Produkten,  Kunden, Vertriebskanälen und Standorten. Gleichzeitig wird die Nachfrage von zahlreichen  Faktoren beeinflusst. Saisonale Effekte treffen auf Handelsaktionen, Wetterveränderungen, Feiertage, Preisänderungen und kurzfristige Veränderungen im Konsumentenverhalten. Für  Planungsverantwortliche entsteht daraus eine schwierige Aufgabe: Sie müssen aus einer  enormen Anzahl möglicher Einflussgrößen diejenigen erkennen, die für die zukünftige  Nachfrage tatsächlich relevant sind. Klassische Forecasting-Prozesse, die überwiegend auf  historischen Verkaufszahlen, Excel und Erfahrungswerten beruhen, stoßen bei dieser  Komplexität schnell an ihre Grenzen. Um Forecast Errors nachhaltig zu reduzieren, lohnt  sich deshalb ein Blick auf sieben zentrale Hebel.  

‍

‍

Wie viel Potenzial steckt in Ihren Forecasts?

‍

Sie möchten wissen, wo Forecast Errors in Ihrer aktuellen Planung entstehen und welche  Hebel das größte Optimierungspotenzial bieten? Erfahren Sie in einer kostenlosen  Potenzialanalyse, wie Optiwiser Ihre Forecasting- und Planungsprozesse analysiert und  welche Möglichkeiten sich für präzisere Forecasts, optimierte Bestände und eine höhere  Lieferfähigkeit ergeben.

‍

‍

1. Datenqualität als Grundlage verbessern

‍

Kein Forecast-Modell kann dauerhaft gute Ergebnisse liefern, wenn die zugrunde liegenden  Daten fehlerhaft oder unvollständig sind.

‍

Typische Probleme sind beispielsweise:  

‍

● fehlende Verkaufsdaten  

● unterschiedliche Artikelnummern  

● nicht dokumentierte Sortimentswechsel  

● falsch zugeordnete Promotionen  

● Stock-outs in historischen Verkaufsdaten  

● uneinheitliche Daten aus verschiedenen Systemen

‍

Besonders Stock-outs können historische Daten verfälschen. Wurden nur 500 Einheiten  verkauft, weil anschließend kein Bestand mehr verfügbar war, bedeutet das nicht  automatisch, dass die tatsächliche Nachfrage ebenfalls bei 500 Einheiten lag. Eine saubere  Datenbasis ist deshalb der erste Schritt zu präziseren Forecasts.

‍

2. Auf der richtigen Granularität forecasten 

‍

Ein Forecast kann auf Gesamtunternehmensebene hervorragend aussehen und gleichzeitig  auf Produktebene schlecht sein. Für operative Entscheidungen reicht es beispielsweise nicht  zu wissen, dass der Gesamtabsatz einer Produktkategorie im kommenden Monat  voraussichtlich stabil bleibt. 

‍

Die Produktion muss wissen: Welches Produkt wird wann, in welcher Menge und  möglicherweise für welchen Kunden oder Standort benötigt?

‍

Je nach Unternehmen können Forecasts deshalb auf unterschiedlichen Ebenen erforderlich  sein:

‍

● Produkt  

● SKU  

● Kunde  

● Vertriebskanal  

● Region  

● Standort  

● Zeitraum

‍

Die Herausforderung besteht darin, die richtige Balance zu finden. Zu grobe Forecasts  helfen der operativen Planung wenig. Eine unnötig hohe Granularität kann dagegen die  Prognoseunsicherheit erhöhen. Moderne Forecasting-Systeme können verschiedene  Planungsebenen parallel betrachten und Prognosen entsprechend der jeweiligen  Entscheidungssituation bereitstellen.

‍

3. Externe Einflussfaktoren berücksichtigen

‍

Historische Verkaufsdaten erzählen nur einen Teil der Geschichte. Die tatsächliche  Nachfrage wird häufig von Faktoren beeinflusst, die im ERP-System gar nicht vorhanden  sind.

‍

Dazu gehören beispielsweise:

‍

● Wetter  

● Feiertage  

● Promotionen  

● Google Trends  

● Preisänderungen  

● regionale Ereignisse  

● saisonale Effekte  

● Veränderungen im Konsumentenverhalten

‍

Welche dieser Faktoren relevant sind, unterscheidet sich je nach Produkt und Vertriebskanal  erheblich. Für ein saisonales Getränk können Wetterdaten einen starken Einfluss haben. Bei  einem Trendprodukt kann dagegen das Suchinteresse im Internet ein früher Indikator für  eine veränderte Nachfrage sein. Entscheidend ist deshalb nicht, möglichst viele externe  Daten in einen Forecast einzubeziehen. Entscheidend ist, diejenigen Signale zu erkennen,  die die Prognose tatsächlich verbessern.

‍

Genau hier bieten KI-gestützte Forecasting-Modelle einen entscheidenden Vorteil: Sie  können große Mengen potenzieller Einflussgrößen analysieren und deren Relevanz  kontinuierlich bewerten.

‍

4. Das passende Forecast-Modell automatisch auswählen

‍

Nicht jede Nachfrage folgt demselben Muster. Ein etablierter Artikel mit stabiler Nachfrage  benötigt möglicherweise ein anderes Prognosemodell als ein saisonales Produkt, ein  Aktionsartikel oder ein stark wachsendes Sortiment. In manuellen Planungsprozessen wird  häufig ein Forecasting-Ansatz auf eine große Anzahl unterschiedlicher Produkte  angewendet. Das ist einfach zu verwalten, bildet die tatsächliche Nachfrage aber nicht  immer optimal ab. KI-gestützte Systeme können verschiedene Modelle gegeneinander  testen und automatisch auswählen, welches Modell für die jeweilige Datenstruktur die  besten Ergebnisse liefert. Dadurch entsteht nicht ein Forecast-Modell für das gesamte  Unternehmen, sondern ein dynamischer Ansatz, der unterschiedliche Nachfragemuster  berücksichtigt.

‍

5. Forecast Bias erkennen und systematische Fehler  vermeiden

‍

Nicht jeder Forecast Error ist zufällig. Besonders kritisch wird es, wenn Prognosen dauerhaft  in dieselbe Richtung abweichen. Werden Absatzmengen beispielsweise regelmäßig  überschätzt, entstehen systematisch zu hohe Bestände. Werden sie regelmäßig  unterschätzt, steigt das Risiko von Stock-outs und kurzfristigen Produktionsanpassungen.  Dieser sogenannte Forecast Bias kann verschiedene Ursachen haben.  Planungsverantwortliche könnten beispielsweise bewusst konservativ forecasten.  Vertriebsprognosen können zu optimistisch ausfallen. Auch bestimmte Produkte oder  Kundengruppen können strukturell falsch eingeschätzt werden.

‍

Unternehmen sollten deshalb nicht nur fragen:  

‍

Wie groß ist unser Forecast Error?  

‍

Sondern auch:

‍

In welche Richtung liegen wir regelmäßig falsch?  

‍

Die kontinuierliche Analyse solcher Muster hilft, systematische Fehler zu identifizieren und  die Planung langfristig zu verbessern.

‍

6. Forecasts kontinuierlich aktualisieren  

‍

Ein Forecast ist keine statische Zahl. Zwischen der ursprünglichen Planung und dem  tatsächlichen Verkauf können sich zahlreiche Rahmenbedingungen verändern: Eine  Promotion wird verschoben. Das Wetter entwickelt sich anders als erwartet. Ein Kunde  erhöht kurzfristig seine Bestellung. Ein Wettbewerber verändert seine Preise. Ein Produkt  gewinnt plötzlich an Aufmerksamkeit. Wer Forecasts nur monatlich oder sogar quartalsweise  aktualisiert, reagiert auf solche Veränderungen häufig zu spät. Moderne  Forecasting-Systeme können neue Daten kontinuierlich einbeziehen und Prognosen  entsprechend aktualisieren.

‍

Damit verändert sich Forecasting grundlegend:

‍

von einer periodischen Planungsaufgabe zu einem kontinuierlichen  Steuerungsprozess.

‍

Planungsverantwortliche erkennen Veränderungen früher und können Produktion, Einkauf  und Bestände entsprechend anpassen.

‍

7. Forecast Accuracy mit operativen Entscheidungen verbinden

‍

Ein präziser Forecast allein schafft noch keinen wirtschaftlichen Mehrwert. Entscheidend ist,  was anschließend mit ihm passiert. Forecasts sollten deshalb unmittelbar mit weiteren  Planungsprozessen verbunden werden:

‍

Absatzplanung → Bestandsplanung → Produktionsplanung → Einkaufsplanung

‍

Verbessert sich die Forecast Accuracy, können Sicherheitsbestände präziser berechnet,  Produktionsmengen besser geplant und Rohstoffe bedarfsgerechter eingekauft werden.  Genau an dieser Stelle wird aus einer besseren Prognose eine bessere Supply Chain.

‍

Für Unternehmen sollte das Ziel deshalb nicht ausschließlich lauten:

‍

„Wir möchten unseren Forecast Error um X Prozent reduzieren.“

‍

Die wichtigere Frage lautet:  

‍

Welche Auswirkungen hat eine bessere Prognose auf Bestände,  Lieferfähigkeit, Produktionskosten und Planungsaufwand?

‍

Welche Auswirkungen haben präzisere Forecasts?  

‍

Eine höhere Forecast Accuracy wirkt sich entlang der gesamten Wertschöpfungskette aus.  

‍

Unternehmen können unter anderem:

‍

● Überbestände reduzieren

● Stock-outs vermeiden  

● Lagerkosten senken  

● Produktionskapazitäten besser auslasten  

● Rohstoffe bedarfsgerechter einkaufen  

● Food Waste reduzieren  

● kurzfristige Planänderungen vermeiden  

● ihre Lieferfähigkeit verbessern

‍

Gerade im FMCG-Bereich entsteht dadurch ein wichtiger Effekt: Planung wird weniger  reaktiv. Statt auf Engpässe und Nachfrageveränderungen erst dann zu reagieren, wenn sie  bereits eingetreten sind, können Unternehmen früher gegensteuern.

‍

Wann lohnt sich KI-gestütztes Forecasting?  

‍

Nicht jedes Unternehmen benötigt sofort komplexe KI-Modelle. Mit steigender  Planungskomplexität wird es jedoch zunehmend schwierig, Forecast Errors ausschließlich  mit manuellen Methoden zu reduzieren.

‍

Ein genauerer Blick lohnt sich insbesondere, wenn:

‍

● regelmäßig Überbestände oder Stock-outs auftreten  

● viele SKUs gleichzeitig geplant werden müssen  

● Nachfrage stark saisonal oder aktionsgetrieben ist  

● externe Faktoren wie Wetter oder Promotions eine wichtige Rolle spielen  

● Forecasts noch stark von Excel und manuellen Anpassungen abhängen  

● Planungsteams viel Zeit mit Datenaufbereitung und Korrekturen verbringen  

● Produktion und Einkauf regelmäßig kurzfristig auf Forecast-Abweichungen reagieren  müssen

‍

Treffen mehrere dieser Punkte zu, liegt das Problem häufig nicht bei einzelnen  Planungsverantwortlichen. Vielmehr stößt der bestehende Forecasting-Prozess strukturell  an seine Grenzen.

‍

Wie Optiwiser Forecast Errors reduziert

‍

Optiwiser unterstützt FMCG-, Lebensmittel-, Getränke- und Kosmetikunternehmen dabei,  ihre Absatzplanung datengetriebener und präziser zu gestalten. Die KI-gestützte  Absatzplanung verbindet historische Unternehmensdaten mit relevanten externen  Einflussfaktoren. Unterschiedliche Forecasting-Modelle können automatisiert bewertet und  entsprechend der jeweiligen Nachfrage- und Datenstruktur eingesetzt werden. Dadurch  lassen sich Veränderungen früher erkennen und Forecasts kontinuierlich an neue  Entwicklungen anpassen. Der entscheidende Vorteil liegt jedoch nicht allein in einer höheren  Forecast Accuracy.

‍

Optiwiser verbindet Forecasting mit Bestandsoptimierung, Produktionsplanung und  Einkaufsplanung. Präzisere Nachfrageprognosen können damit direkt in operative  Entscheidungen entlang der Supply Chain einfließen. So wird aus Forecasting ein  integrierter Planungsprozess.

‍

Forecast Errors reduzieren bedeutet, die gesamte Planung zu  verbessern

‍

Forecast Errors lassen sich nicht durch einen einzelnen Hebel eliminieren. Präzisere  Prognosen entstehen aus dem Zusammenspiel von Datenqualität, geeigneten Modellen,  relevanten externen Einflussfaktoren und einer kontinuierlichen Aktualisierung der  Forecasts. Besonders wichtig ist jedoch, Forecast Accuracy nicht isoliert zu betrachten. Der  eigentliche wirtschaftliche Nutzen entsteht erst dann, wenn bessere Forecasts zu besseren  Entscheidungen führen: weniger Überbestände, weniger Stock-outs, effizientere Produktion,  bedarfsgerechter Einkauf und höhere Lieferfähigkeit. KI kann Unternehmen dabei unterstützen, diese Zusammenhänge auf einer Komplexitätsebene zu analysieren, die mit  manuellen Planungsprozessen kaum noch beherrschbar ist.

‍

‍