Forecasting – auf Deutsch Prognose oder Vorhersage – bezeichnet die systematische, datenbasierte Schätzung zukünftiger Größen auf Basis historischer Daten, aktueller Informationen und statistischer oder KI-basierter Modelle. Im Unternehmenskontext dient Forecasting dazu, Entscheidungen über Ressourcen, Kapazitäten, Beschaffung und Strategie auf eine fundierte Informationsbasis zu stellen – statt auf Bauchgefühl oder Erfahrungswerte.
Forecasting ist eine Voraussetzung für alle vorausschauenden Automatisierungen: Wenn ein System nicht weiß, was in zwei Wochen erwartet wird, kann es Kapazitäten nicht rechtzeitig skalieren, Bestände nicht vorausschauend auffüllen und Ressourcen nicht optimal planen. Gute Prognosen sind die Grundlage proaktiver statt reaktiver Steuerung.
Forecasting-Methoden im Überblick
Zeitreihenanalyse
Historische Daten werden auf Trends, Saisonalitäten und Zyklen analysiert. Eignet sich gut für stabile, regelmäßige Muster – z. B. saisonale Absatzkurven.
Kausale Modelle
Prognose auf Basis von Einflussvariablen (Werbeausgaben, Wetter, Wirtschaftsindizes). Gut wenn externe Faktoren die Nachfrage stark beeinflussen.
Machine-Learning-Prognosen
ML-Modelle erkennen komplexe, nicht-lineare Muster in großen Datensätzen. Besonders stark bei vielen Einflussgrößen und großen historischen Datenbeständen.
Konsensus-Forecasting
Kombination von quantitativen Modellen mit qualitativen Einschätzungen des Vertriebs und der Geschäftsführung. Gleicht Modelllücken durch Marktintelligenz aus.
Forecasting und Automatisierung
Automatisiertes Forecasting bedeutet, dass Prognosen nicht mehr manuell in Excel erstellt werden, sondern von Systemen kontinuierlich aktualisiert und verfeinert werden – auf Basis neuer Daten, automatisch, im definierten Rhythmus. Diese Prognosen fließen dann direkt in automatisierte Folgeprocesse ein: eine aktualisierte Absatzprognose löst automatisch eine Bestandsprüfung aus, die bei Bedarf eine Bestellung triggert. Forecasting als automatisierter Daten-Input für automatisierte Folgeentscheidungen.
Praxisbeispiel
Ein Konsumgüterhersteller erstellt Absatzprognosen für 2.400 Artikel. Früher: Vertriebsleiter schätzen monatlich manuell ihre regionalen Absatzerwartungen, Controlling konsolidiert in Excel – Prozess dauert 8 Werktage, Qualität variiert stark je nach Erfahrung des Vertrieblers. Forecasting-Automatisierung: Ein ML-Modell analysiert automatisch 36 Monate historische Abverkaufsdaten, ergänzt um externe Daten (Wetter, Feiertage, Werbekalender). Das Modell generiert täglich aktualisierte Artikelprognosen für die nächsten 13 Wochen. Vertrieb ergänzt nur noch qualitative Informationen (geplante Promotion, Neulistung bei Kunden). Prognosefehler sinkt von 28 auf 14 Prozent MAPE. Planungszyklus verkürzt sich von 8 auf 2 Werktage.
