Nachfrageprognose

Die Zukunft vorhersagen — mit Daten

🔄 Recall: In der letzten Lektion hast du Meldebestand und Sicherheitsbestand berechnet. Beide haengen von einer Zahl ab: der erwarteten Nachfrage. Je besser deine Nachfrageprognose, desto praeziser der Bestand — weniger Ueberbestand, weniger Fehlbestaende.

Die perfekte Prognose gibt es nicht. Aber der Unterschied zwischen „ich schaetze mal" und einer datenbasierten Prognose kann 15-30% genauere Ergebnisse bringen — und das schlaegt direkt auf Lagerkosten und Liefertreue durch.

Was du in dieser Lektion lernst:

• Drei Prognosemethoden anwenden (gleitender Durchschnitt, trendbereinigt, saisonbereinigt)
• Die Prognosegenauigkeit mit dem MAPE messen
• KI fuer fortgeschrittene Prognosen einsetzen

Methode 1: Gleitender Durchschnitt

Die einfachste Methode: Der Durchschnitt der letzten N Monate als Prognose fuer den naechsten Monat.

Beispiel (3-Monats-Durchschnitt)

Vor- und Nachteile

Vorteil: Einfach, glaettet zufaellige Schwankungen.

Nachteil: Reagiert langsam auf Trends. Wenn die Verkaeufe jeden Monat steigen, unterschaetzt der Durchschnitt systematisch.

Wann nutzen: Stabile Produkte ohne starken Trend oder Saisonalitaet.

✅ Quick Check: Wenn die Verkaeufe der letzten 3 Monate 200, 220 und 240 waren — was prognostiziert der 3-Monats-Durchschnitt? Und wird die Prognose zu hoch oder zu niedrig sein, wenn der Trend anhaelt? (Antwort: 220, und zu niedrig — der Trend zeigt aufwaerts.)

Methode 2: Trendbereinigter Durchschnitt

Wenn deine Verkaeufe steigen oder fallen, muss der Trend einberechnet werden:

Schritt fuer Schritt

1. Berechne den gleitenden Durchschnitt (wie oben)
2. Berechne den Trend: Differenz zwischen aufeinanderfolgenden Durchschnitten
3. Addiere den Trend zur Prognose

Beispiel

Wann nutzen: Produkte mit erkennbarem Wachstums- oder Schrumpfungstrend.

Methode 3: Saisonale Prognose

Viele Produkte haben saisonale Muster — Weihnachtsgeschaeft, Sommersaison, Schuljahresbeginn:

Der Saisonindex

1. Berechne den Monatsdurchschnitt ueber das ganze Jahr
2. Teile den tatsaechlichen Monatswert durch den Durchschnitt = Saisonindex

Beispiel: Online-Kerzenshop

Die Prognoseformel

Prognose = Basisprognose × Saisonindex

Wenn du fuer naechstes Jahr einen Trend von +10% erwartest:

• Basis naechstes Jahr: 550/Monat
• Januar-Prognose: 550 × 0,80 = 440
• Dezember-Prognose: 550 × 1,60 = 880

Wann nutzen: Produkte mit jaehrlich wiederkehrenden Mustern.

KI-Hilfe

Hier sind meine monatlichen Verkaeufe der letzten 2 Jahre:
[Jahr 1: Jan 380, Feb 400, Mrz 420, ... Dez 850]
[Jahr 2: Jan 410, Feb 430, Mrz 450, ... Dez 920]

Berechne:
1. Saisonindizes fuer jeden Monat
2. Den Jahrestrend (Wachstumsrate)
3. Eine monatliche Prognose fuer Jahr 3
4. Den MAPE meiner bisherigen Prognosen (falls ich einfach
   den Vorjahreswert genommen haette)

Prognosegenauigkeit messen: MAPE

Du brauchst eine Zahl, die dir sagt, ob deine Prognosen gut sind:

MAPE-Formel

MAPE = (1/n) × Σ |Tatsaechlich − Prognose| / Tatsaechlich × 100%

Bewertung

Warum MAPE tracken?

Ohne Genauigkeitsmessung ist jede Prognose Bauchgefuehl. MAPE zeigt:

• Ob deine Methode funktioniert
• Ob sie sich verbessert (oder verschlechtert)
• Welche Produkte schwer vorherzusagen sind (die brauchen mehr Sicherheitsbestand)

KI-Prognosen: Was ist moeglich?

Moderne KI-Modelle kombinieren mehrere Datequellen fuer genauere Prognosen:

Demand Sensing ergaenzt die klassische Planung: Kurzfristige Signale (POS-Daten, Suchanfragen) korrigieren die Langfristprognose in Echtzeit.

✅ Quick Check: Welche Datenquellen neben historischen Verkaeufen koennten fuer dein Geschaeft relevant sein? Wetter? Social Media? Wirtschaftslage?

Die drei Methoden kombinieren

Die beste Prognose nutzt nicht eine Methode, sondern kombiniert:

1. Gleitender Durchschnitt als Basislinie
2. Trendanpassung fuer wachsende/schrumpfende Produkte
3. Saisonindizes fuer jaehrliche Muster
4. KI-Demand-Sensing fuer kurzfristige Korrekturen

Endprognose = Basislinie × (1 + Trend%) × Saisonindex × Demand-Sensing-Korrekturfaktor

Key Takeaways

• Gleitender Durchschnitt ist die einfachste Methode — gut fuer stabile Produkte, schlecht bei Trends
• Trendbereinigung addiert Wachstum/Schrumpfung — verhindert systematisches Unter-/Ueberschaetzen
• Saisonindizes erfassen jaehrliche Muster — essentiell fuer Weihnachtsgeschaeft, Sommersaison & Co.
• MAPE misst die Prognosegenauigkeit: <10% sehr gut, 10-20% akzeptabel, >30% schlecht
• KI ergaenzt klassische Methoden mit Echtzeit-Daten (POS, Wetter, Social Media) — bis zu 15-30% genauere Prognosen
• Gute Prognosen = kleinerer Sicherheitsbestand = weniger Kapital im Lager

Up Next

In Lektion 5: Lieferantenmanagement lernst du, wie du Lieferanten systematisch bewertest, Dual-Sourcing-Strategien aufbaust und KI fuer Lieferantenvergleiche nutzt — damit die Upstream-Seite deiner Kette zuverlaessig laeuft.