Reise in die Welt des Forecastings

In einer sich ständig wandelnden Welt werden präzise Forecasts zunehmend zum Erfolgsfaktor. Nur Unternehmen, die in der Lage sind, Trends und Entwicklungen vorherzusehen, können ihre Ressourcen effizient verwalten, Risiken minimieren und Chancen nutzen. Die fortschreitende Digitalisierung und die hohe Verfügbarkeit von Daten ermöglichen zudem wesentlich genauere Analysen und Prognosen mittels KI. In Bereichen wie Produktion, Logistik, Vertrieb, Marketing oder auch Finanzen ist Forecasting daher unerlässlich, um Wettbewerbsvorteile zu sichern und agil auf Veränderungen reagieren zu können.

Vor diesem Hintergrund möchten wir das Thema Forecasting im Businesskontext in einer dreiteiligen Serie genauer betrachten. Über alle Teile hinweg geben wir einen ausführlichen Überblick über das Thema. In diesem Teil stellen wir die grundlegenden Definitionen und den Nutzen von belastbaren Prognosen für Ihr Unternehmen vor, und welche Vorteile ein Forecasting Framework für das schnelle Erstellen guter und robuster Forecasts bietet. In Teil zwei stellen wir den Forecasting-Prozess näher vor, um anschließend im dritten Teil auf besondere Herausforderungen in diesem einzugehen und Lösungsansätze aufzuzeigen.

Warum Forecasting?

Forecasting ist in seiner elementarsten Form die Vorhersage bestimmter betriebsrelevanter Einflussgrößen basierend auf ihren historischen Werten. Das können zum Beispiel Absätze, Kosten, Personalbedarf oder ähnliches sein. In der Praxis sind insbesondere Nachfrageprognosen relevant, weswegen wir in dieser Serie primär auf sogenannte Demand Forecasts eingehen werden.

Verlässliche Prognosen bilden die Grundlage einer fundierten Unternehmensplanung: Durch (gutes) Forecasting wird sichergestellt, dass das richtige Produkt zum richtigen Zeitpunkt am richtigen Ort ist. Sie dienen damit als Verbindung zwischen den Bereichen Budgetierung und Planung. Dies ermöglicht einen Abgleich zwischen den gesetzten Zielen und der Realität und damit eine möglichst realitätsnahe Planung.

Angefangen bei einer effizienten Produktionsplanung über eine Optimierung der Lagerbestände hin zu einem verbesserten Supply Chain Management können viele Bereiche eines Unternehmens von einer möglichst präzisen Nachfrageprognose profitieren. Es wird sichergestellt, dass Produkte vorhanden sind, wenn eine Nachfrage besteht. Gleichzeitig werden vermeidbare Kosten durch Überproduktion und Überbestände reduziert.

Warum automatisiertes Forecasting?

Um möglichst genaue Forecasts zu erstellen, gibt es zwei unterschiedliche Ansätze. Qualitative Forecasts basieren auf subjektiven Bewertungen, Expertenmeinungen und nicht numerischen Daten. Sie sind oft nützlich, wenn es begrenzte historische Daten gibt oder wenn sich Märkte schnell ändern, haben aber den Nachteil, dass sie sehr aufwändig zu erstellen und oft anfällig für eine subjektive Verzerrung sind.

In der Praxis verfügen unsere Kunden über eine große Anzahl an Produkten, für die Prognosen erstellt werden müssen, weswegen wir uns auf quantitative Forecasts spezialisiert haben. Sie basieren auf mathematischen Modellen, welche Muster in den historischen Daten (Zeitreihen) erkennen, Trends ableiten und in die Zukunft fortschreiben. Dies erlaubt uns auch für eine große Anzahl an Produkten automatisierte Forecasts zu erstellen, was wiederum zu einer erheblichen Reduzierung des manuellen Aufwands in der Planung führt. War in der Vergangenheit noch ein großer Teil der Planung dafür vorgesehen jeden einzelnen Artikel initial zu planen, können nun Forecasts umsatzschwacher Artikel einfach übernommen werden und der Fokus auf die Optimierung der Forecasts umsatzstarker und komplexer Artikel gerichtet werden.

Während quantitative Forecasts besonders in stabilen Umgebungen mit einer belastbaren Datenlage sehr präzise Ergebnisse liefern, ist ein Teil der Zukunft natürlich ungewiss. Folglich ist auch jeder Forecast zu einem gewissen Grad ungenau. Insbesondere setzen mathematische Modelle voraus, dass sich die erkannten historischen Muster und Trends fortsetzen. Dies ist aber nicht immer der Fall, seien es Ausreißer in der Vergangenheit oder unvorhergesehene externe Einflüsse (wie zum Beispiel eine globale Pandemie). Dies kann zu Ungenauigkeiten in der Forecast-Qualität führen, wenn solche außerordentlichen Ereignisse in der Forecasting-Lösung nicht ausreichend kompensiert werden. Daher sollte jede Forecasting-Lösung nicht als Alleinlösung, sondern als ein (wichtiger) Baustein in einem robusten Planungsprozess gesehen werden.

Was bringt ein Forecasting Framework?

In der Vergangenheit haben wir für Kunden aus unterschiedlichsten Bereichen individuelle Forecasting-Lösungen implementiert. Dazu gehören unter anderem die Branchen Fashion, Chemie und Fertigung. Über die Projekte hinweg haben wir Demand Forecasts für Artikel- und Produktionsplanung sowie für das Bestandsmanagement erstellt, angefangen von kurzfristigen 3-Monats Forecasts auf SKU-Ebene bis zu langfristigen 18-Monats-Forecasts auf Artikelebene.

Trotz der unterschiedlichen Anwendungsbereiche und kundenspezifischen Herausforderungen haben wir in den verschiedenen Projekten Übereinstimmungen festgestellt und uns entschlossen, die unterschiedlichen Lösungen in ein einheitliches Forecasting Framework zu integrieren, welches aktiv weiterentwickelt wird. Dieser Schritt hat sowohl für uns als auch für unsere Kunden erhebliche Vorteile mit sich gebracht:

• Template -Ansatz: Eine einheitliche Pipeline ermöglicht es, schnell erste Forecasts zu generieren, welche direkt helfen, Trends zu erkennen und Kurskorrekturen einzuleiten. Weiterhin bedeutet dies geringere Kosten durch einen niedrigen initialen Aufwand.
• Open-Source-Ansatz: Da das komplette Framework in Python implementiert ist, ist das Framework flexibel und zugänglich. Als Datenquellen und Datenziele können alle mit Python kompatiblen Systeme benutzt werden, was so gut wie jeden modernen Use Case ermöglicht.
• Modularer Ansatz: Viele verschiedene Modelle sind im Framework implementiert. Dies beinhaltet altbewährte stochastische Ansätze und moderne State-of-the-art KI-Ansätze. Durch die modulare Bauweise ist die Integration neuer Forecasting-Ansätze in die bestehende Pipeline problemlos möglich.
• Best Practices: Die Performance desfinalen Forecasts wird durch eine gründliche Datenaufbereitung und –bereinigung, robustes Feature Engineering und Ensembling (Kombination mehrerer Modelle) optimiert, und final durch ein gründliches Evaluationsvorgehen bewertet.

Mit Hilfe des Frameworks konnten wir in unseren Projekten bereits viel Zeit einsparen und dabei die Forecastgenauigkeit enorm steigern. Wenn auch Sie daran interessiert sind, Ihre bestehende Forecasting-Lösung mit unserem Framework zu vergleichen, sprechen Sie uns gerne an. Durch den Framework-Ansatz erstellen wir im Zuge eines POCs innerhalb von fünf Tagen erste Forecasts und stellen Ihnen eine Einschätzung der Forecast-Qualität zur Verfügung.

‍