Nachfrageprognosen: Ein Leitfaden

Wie sieht eine gute Nachfrageprognose aus?

Die bittere Wahrheit ist, dass Prognosen naturgemäß bestenfalls Vermutungen sind. Je mehr Daten man hat, desto besser sind diese Schätzungen.

Aber es gibt immer noch eine Fülle von Faktoren, die die Landschaft verändern können.

Wenn Sie diese Faktoren nicht beachten, werden sie Ihre Prognose vor Ihren Augen schnell zunichte machen.

Wie prognostizieren also die besten Unternehmen des Landes die Nachfrage? Wie bewerten sie kontinuierlich, was ihre Kunden wollen, und richten ihre Bemühungen darauf aus?

Hier sind ein paar Hinweise:

1. Kontinuierliche Validierung entschärft den Prozess der Nachfrageprognose

Markteinblicke können statistische Prognosen, die auf historischen Verkaufsdaten beruhen, mit der Gabe der Voraussicht ausstatten. Angenommen, Sie verkaufen Büromaschinen und haben in der Vergangenheit kontinuierlich Laptops verkauft, heißt das, dass Sie das auch jetzt tun werden?

Oder bedeutet die Tatsache, dass die Menschen ins Büro zurückkehren, dass sich der Umsatz verlangsamen wird?

Historische Umsatzdaten können eine Momentaufnahme sein, aber sie geben oft nicht das ganze Bild wieder. Die erfolgreichsten Unternehmen untermauern ihre Prognosen mit Erkenntnissen aus dem Markt.

Auf diese Weise führen sie einen Validierungsprozess ein. Richtig gemacht, wird dieser Prozess verschiedene Teams einbeziehen und einen Konsens der besten Praktiken darstellen.

2. Es ist verständlich und leicht erklärbar

Eine Bedarfsprognose sollte nicht so komplex sein, dass sie niemand versteht. Ganz im Gegenteil. Sie sollte für jeden der Beteiligten leicht verständlich sein.

Darüber hinaus muss sie erklärbar sein. Leicht erklärbar. Sowohl die darin enthaltenen Erkenntnisse als auch die gewünschten Handlungen, die sich daraus ergeben.

3. Sie sollte erfassbar und messbar sein

Wenn Sie die Genauigkeit (oder vielmehr den Fehler) Ihrer Bedarfsprognose nicht aufzeichnen, werden Sie nie erfahren, ob Sie um 0,5 % oder 50 % daneben lagen.

Und das ist wichtig: 0,5 % sind ein Riesenerfolg. 50 % sind ein totaler Misserfolg.

Wenn Sie wissen, welcher Sie näher dran waren, wird es Ihnen helfen, wenn Sie das nächste Mal einen erstellen müssen. Und das sollte bald sein.

Je mehr Sie Ihre Prognose messen, desto besser können Sie sie optimieren und ändern.

Fehler, von denen man nicht weiß, dass man sie begeht, werden immer wieder gemacht.

4. Jede Bedarfsprognose sollte einen Eigentümer haben

Jede von Ihnen erstellte Prognose muss einen Verantwortlichen haben. Jemanden, der für ihren Erfolg und ihre Genauigkeit verantwortlich ist. Ohne einen Verantwortlichen ist es wahrscheinlicher, dass sie in die Hose geht, als dass sie einen Wettbewerbsvorteil schafft.

Denken Sie daran, dass die Entscheidungen, die Sie auf der Grundlage dieser Prognose treffen, den Unterschied zwischen Erfolg und Misserfolg ausmachen können.

Wenn Sie derjenige sind, der diese Entscheidungen trifft, tragen Sie auch die Verantwortung, wenn sie falsch sind.

Wie Sie Ihre eigene Nachfrageprognose erstellen

Es gibt viele verschiedene Modelle, die Sie in Erwägung ziehen können, wenn Sie Ihre eigene Bedarfsprognose erstellen wollen. Natürlich hat jedes von ihnen seine Vor- und Nachteile. In einigen Fällen können Sie durch eine Kombination der Modelle die besten Ergebnisse erzielen.

Im nächsten Abschnitt werden einige der gebräuchlichsten Ansätze der Nachfrageprognose vorgestellt.

Welche Modelle der Nachfrageprognose sollten Sie anwenden?

1. Zeitreihenanalyse

Was lässt sich aus den Verkäufen der letzten 12 Monate für das kommende Jahr voraussagen? Das ist die Prämisse der Zeitreihenanalyse.

Als eine der gängigsten Methoden der statistischen Nachfrageprognose ist diese Methode sehr nützlich, um sich einen Überblick zu verschaffen.

Sie sucht nach Mustern in den Daten, die sich in Zukunft wiederholen könnten. Außerdem können Sie erkennen, was diese Muster beeinflusst haben könnte, um die Prognosen genauer zu machen.

Auch bei dieser Analysefunktion gibt es mehr als einen Modelltyp. Es gibt gleitende Durchschnitte, exponentielle Glättung und autoregressive integrierte gleitende Durchschnittsmodelle (ARIMA).

Jedes Modell verwendet eine andere Methode, um seine Daten zu analysieren. Welche Sie benötigen, sollten Sie genau beachten, um den potenziellen Erfolg zu steigern.

2. Urteilsorientierte Nachfrageprognose

Wie wahrscheinlich ist es, dass die Mitarbeiter Ihres Unternehmens gute Vorhersagen über die künftige Nachfrage machen können? Die Antwort auf diese Frage hängt von der Stärke ihrer Fähigkeiten ab und ist je nach Unternehmen, Team oder sogar Person unterschiedlich.

Eine der größten Herausforderungen bei der effektiven Bedarfsprognose besteht darin, dass die Daten nur eine begrenzte Aussagekraft haben.

Wenn Sie ein neues Unternehmen sind oder ein neues Produkt auf einem neuen Markt auf den Markt bringen, gibt es fast sicher einen Mangel an Daten, auf die Sie sich verlassen können. Deshalb ist eine Prognose auf der Grundlage von Einschätzungen eine Überlegung wert.

Dasselbe gilt für Märkte mit einem hohen Störungsgrad, da die Möglichkeiten des maschinellen Lernens und der statistischen Modellierung in unbekannten Bereichen begrenzt sind.

Wenn Ihr Ansatz für die Nachfrageprognose sicherstellt, dass aktiv Marktkenntnisse gesammelt werden, sind Sie besser informiert und haben daher eine höhere Chance, eine genaue Prognose zu erstellen.

Um die besten Chancen zu haben, bei der Modellierung nach dem Urteilsvermögen erfolgreich zu sein, müssen Sie eine Vielzahl von Bereichen untersuchen. Dazu gehören wahrscheinlich Marktforschung, Konkurrenzanalysen, Gespräche mit Kunden, Ihrem Vertriebsteam und sogar mit externen Marktexperten.

Die Berücksichtigung dieses Ansatzes kann Ihnen helfen, Faktoren zu analysieren, die von anderen Modellen nicht erfasst werden.

Aber wie bei jedem anderen Modell gibt es auch hier Nachteile zu beachten.

Sind die Personen, die diese Urteile fällen, völlig unparteiisch? Treffen sie ihre Entscheidungen ausschließlich auf der Grundlage von Daten oder mit Vorurteilen, die sich aus ihren eigenen Gefühlen gegenüber Produkten oder Märkten ergeben?

Können Sie diesen Prozess auch wiederholen? Es ist oft sehr schwierig, mit verschiedenen Interessengruppen dieselben Zahlen zu ermitteln, so dass eine auf Beurteilungen basierende Vorhersage langfristig schwer zu wiederholen ist.

3. Kausalanalyse

Bei der Kausalanalyse werden die Ursache-Wirkungs-Beziehungen ermittelt, die sich auf die Nachfrage auswirken. Sie beinhaltet die Analyse von Daten, um zu zeigen, wie Veränderungen wie Preise, Werbeaktionen oder wirtschaftliche Indikatoren die Nachfrage verändern können.

Die Kausalanalyse kann sowohl für kurzfristige als auch für langfristige Prognosen verwendet werden und beinhaltet oft die Verwendung von Experimenten, um die kausalen Beziehungen zwischen Variablen zu testen.

4. Regressionsanalyse

Mit der Regressionsanalyse wird die Verbindung zwischen der Nachfrage und mehreren anderen Variablen untersucht. Ob das nun der Preis, der Marktanteil, die Umwelt- oder die Marktbedingungen sind.

Mit dieser Art von Analyse können Sie beurteilen, wie sich die Änderung einer der Variablen auf die Nachfrage auswirken könnte. Und sie daher zu optimieren. Das hilft Ihnen bei der Planung Ihrer Lieferkette.

Was ist der Unterschied zwischen einer Kausalanalyse und einer Regressionsanalyse?

Ein wesentlicher Unterschied zwischen Kausalanalyse und Regressionsanalyse besteht darin, dass sich die Kausalanalyse in der Regel auf bestimmte Variablen konzentriert, während die Regressionsanalyse einen umfassenderen Ansatz verfolgt und mehrere Variablen berücksichtigt.

Ein weiterer Unterschied besteht darin, dass die Kausalanalyse häufig Experimente zum Zweck der Überprüfung beinhaltet. Die Regressionsanalyse basiert in der Regel auf historischen Daten und statistischer Modellierung.

5. Maschinelles Lernen

Die Möglichkeiten von maschinellem Lernen und KI  sind ziemlich beeindruckend. Wenn Sie diese fortschrittlichen Techniken nutzen, um vergangene Daten zu analysieren und fundierte Entscheidungen über die zukünftige Nachfrage zu treffen, können Sie Zeit und Geld sparen.

Durch die Weitergabe historischer Daten an eine Plattform für maschinelles Lernen lassen sich Muster erkennen und die Schätzung der künftigen Nachfrage viel einfacher gestalten. Vor allem dort, wo herkömmliche Methoden möglicherweise nicht ausreichen.

Wenn Sie in einem Geschäft tätig sind, in dem sich die Branche schnell und ohne Vorwarnung verändert, kann es unglaublich nützlich sein, Ihre Prognosen mit maschinellem Lernen zu untermauern. KI wird als solche definiert, weil sie kontinuierlich lernt.

Theoretisch sollte sich also die Genauigkeit Ihrer Vorhersagen mit maschinellem Lernen im Laufe der Zeit verbessern.

Natürlich gibt es Fallstricke. Wenn nicht genügend Daten für die Analyse zur Verfügung stehen, kann dies zu einer begrenzten Prognose führen. Wenn man sich zu sehr auf unvollständige oder ungenaue Daten verlässt, kann das zum Scheitern führen.

Wie können Sie die Genauigkeit Ihrer Bedarfsprognosen verbessern?

Die Wahl des für Sie am besten geeigneten Prognosemodells trägt dazu bei, dass die Prognosen genauer werden und Sie somit solide, fundierte Geschäftsentscheidungen treffen können.

Aber selbst dann gibt es Schritte, die Sie unternehmen können, um reichhaltige Erkenntnisse zu gewinnen und mehr Klarheit für Ihr Unternehmen zu schaffen.

Im nächsten Abschnitt geht es darum, wie Sie Ihre Nachfrageprognosen weiter verbessern können.

Aggregation vs. Disaggregation

Die Zunahme von Daten und deren Nutzung in der Wirtschaft ist gewaltig. Aber wie Ihnen jeder Data Scientist bestätigen wird, sind der Besitz von Daten und ihre Nutzung zwei sehr unterschiedliche Dinge.

Wir sprechen oft darüber, wie wichtig es ist, für jede Artikelgruppe eine spezifische Lagerhaltungsstrategie zu haben. Da ist es verständlich, dass Sie denken, die gleiche Denkweise könnte auch Ihnen bei der Prognose helfen.

Nur ist das nicht immer der Fall.

Das nachstehende Schaubild erklärt, warum die Aggregation für Ihre Prognose hilfreich sein kann.

Der Grund, warum die Aggregation zur Verbesserung Ihres Nachfrageprognosemodells beitragen kann, liegt in der Leistungsfähigkeit größerer Datensätze. Das Gesetz der großen Zahlen besagt, dass eine größere Stichprobe umso repräsentativer für die Grundgesamtheit ist, je größer sie ist.

Die Verkaufsdaten eines einzigen Dorfes lassen sich niemals auf ein ganzes Land übertragen. Nimmt man jedoch dieselben Daten aus 5 Städten innerhalb des Landes, so ist die Wahrscheinlichkeit einer Korrelation weitaus größer.

Verwenden Sie mehr Datenpunkte und Sie werden das Rauschen von Anomalien herausschneiden. Das bedeutet, dass Sie mehr Muster finden und eine bessere Möglichkeit haben, Variablen zu berücksichtigen.

Stellen Sie sich vor, Sie prognostizieren die Nachfrage nach einer kürzlich auf den Markt gebrachten Artikelgruppe. Es ist unwahrscheinlich, dass Sie einen vollständigen Datensatz haben. Wenn Sie jedoch die Prognose auf Kategorieebene aggregieren, erhalten Sie wahrscheinlich eine bessere Vorstellung davon, wie sich die Nachfrage für die betreffende Artikelgruppe entwickeln wird.

Im Folgenden finden Sie einige gängige Beispiele dafür, wie Sie Ihre Bedarfspläne zusammenfassen können:

Der Grund, warum die Aggregation zur Verbesserung Ihres Nachfrageprognosemodells beitragen kann, liegt in der Leistungsfähigkeit größerer Datensätze. Das Gesetz der großen Zahlen besagt, dass eine größere Stichprobe umso repräsentativer für die Grundgesamtheit ist, je größer sie ist.

Die Verkaufsdaten eines einzigen Dorfes lassen sich niemals auf ein ganzes Land übertragen. Nimmt man jedoch dieselben Daten aus 5 Städten innerhalb des Landes, so ist die Wahrscheinlichkeit einer Korrelation weitaus größer.

Verwenden Sie mehr Datenpunkte und Sie werden das Rauschen von Anomalien herausschneiden. Das bedeutet, dass Sie mehr Muster finden und eine bessere Möglichkeit haben, Variablen zu berücksichtigen.

Stellen Sie sich vor, Sie prognostizieren die Nachfrage nach einer kürzlich auf den Markt gebrachten Artikelgruppe. Es ist unwahrscheinlich, dass Sie einen vollständigen Datensatz haben. Wenn Sie jedoch die Prognose auf Kategorieebene aggregieren, erhalten Sie wahrscheinlich eine bessere Vorstellung davon, wie sich die Nachfrage für die betreffende Artikelgruppe entwickeln wird.

Im Folgenden finden Sie ein Beispiele dafür, wie Sie Ihre Bedarfspläne zusammenfassen können: