Forecasting bezeichnet die systematische Erstellung von Prognosen über zukünftige Entwicklungen auf Grundlage verfügbarer Daten, Annahmen und Methoden. Typische Anwendungsfälle sind Absatz, Liquidität, Kapazitäten und Personalbedarf.
Funktionsweise und Einsatz
Prognosen können auf Zeitreihen, statistischen Modellen, Expertenurteilen oder kombinierten Verfahren beruhen. Entscheidend sind ein klar definierter Prognosehorizont, verfügbare Einflussgrößen und ein regelmäßiger Vergleich mit tatsächlichen Ergebnissen.
Abgrenzung und Grenzen
Eine Prognose ist keine zugesicherte Zukunft. Veränderte Marktbedingungen, strukturelle Brüche oder unvollständige Daten begrenzen ihre Genauigkeit. Forecasting wird von Szenarioplanung abgegrenzt, die verschiedene mögliche Zukunftswelten untersucht.
Beispiel aus der Unternehmenspraxis
Ein Unternehmen kann monatlich erwartete Auftragseingänge prognostizieren und dadurch Beschaffung und Personaleinsatz vorbereiten. Prognosefehler werden über mehrere Perioden ausgewertet.
Hinweise zur Anwendung
Neben einem Punktwert sollten bei unsicheren Entwicklungen geeignete Prognoseintervalle und wesentliche Annahmen kommuniziert werden. Eine vermeintlich präzise Zahl kann sonst falsche Sicherheit vermitteln.
Auswahl eines passenden Prognosehorizonts
Forecasting dient immer einer konkreten Planungsaufgabe. Ein täglicher Forecast für Lagerbestände benötigt andere Daten und Verfahren als eine Prognose des Jahresumsatzes. Zunächst sind Zielgröße, Prognosehorizont, Datenverfügbarkeit und der Zeitpunkt der Entscheidung festzulegen. Danach werden saisonale Effekte, Trends und mögliche Einflussgrößen untersucht. Langfristige Prognosen sind häufig unsicherer, insbesondere wenn sich Marktbedingungen oder Geschäftsmodelle verändern. Deshalb sollte der methodische Aufwand zur praktischen Entscheidung passen. Eine sehr komplexe Prognose ist nicht automatisch nützlicher als ein einfaches transparentes Verfahren.
Statistische Verfahren und ergänzende Fachurteile
Für wiederkehrende Zeitreihen können statistische Modelle mit Trend- und Saisonkomponenten geeignet sein. Bei ausreichend Daten können Methoden des maschinellen Lernens zusätzliche Zusammenhänge berücksichtigen. Fachurteile können notwendig sein, wenn Sonderaktionen, neue Produkte oder bisher unbeobachtete Veränderungen anstehen. Wichtig ist, solche Eingriffe zu dokumentieren und später zu prüfen. Prognosen sollten auf Daten getestet werden, die beim damaligen Prognosezeitpunkt noch nicht bekannt waren. Andernfalls entsteht durch Datenleckage eine künstlich hohe Genauigkeit. Auch fehlende oder nachträglich korrigierte Daten müssen bei der Bewertung berücksichtigt werden.
Prognosequalität sinnvoll messen
Der Vergleich zwischen Prognose und tatsächlichem Ergebnis ist zentral. Je nach Zielgröße eignen sich absolute Abweichungen, relative Fehlermaße oder andere Bewertungsverfahren. Besonders problematisch sind Verfahren, die bei sehr kleinen Ist-Werten irreführende Prozentfehler erzeugen. Neben durchschnittlichen Fehlern sollte geprüft werden, ob ein Modell bestimmte Situationen systematisch unter- oder überschätzt. Für die Unternehmenssteuerung kann eine Prognose mit erklärbarem Fehlerbild hilfreicher sein als ein wenig transparentes Modell. Auch Prognoseintervalle können relevant sein, etwa wenn Personalplanung oder Liquiditätsrisiken von ungünstigen Abweichungen abhängen.
Rolling Forecast und praktische Governance
Viele Unternehmen aktualisieren Forecasts regelmäßig, statt ausschließlich einmal jährlich einen Plan festzulegen. Ein Rolling Forecast verwendet neue Ist-Werte und überprüft Annahmen für den verbleibenden oder fortlaufenden Planungszeitraum. Wichtig ist eine klare Trennung zwischen ursprünglicher Prognose, späterer Anpassung und tatsächlichem Ergebnis. Sonst wird eine realistische Bewertung der Prognosequalität unmöglich. Verantwortliche sollten erklären können, weshalb die Einschätzung verändert wurde. Forecasting unterstützt die Planung, ersetzt jedoch weder eine strategische Entscheidung noch die Untersuchung alternativer Entwicklungen in der Szenarioplanung.
Häufige Fragen
Ist ein Forecast gleichbedeutend mit dem Budget?
Nein. Das Budget kann eine verbindliche Ziel- oder Mittelplanung enthalten. Ein Forecast beschreibt die erwartete Entwicklung unter aktuellen Annahmen.
Kann KI Forecasts automatisch verbessern?
Nicht grundsätzlich. Geeignete Daten und Modellvalidierung sind wichtiger als die Bezeichnung des Algorithmus. Einfache statistische Verfahren können bei vielen Aufgaben ausreichen.
Praktische Prüffragen
- Definieren Sie Zielgröße und Prognosehorizont mit Blick auf die jeweilige Planungsentscheidung, statt dieselbe Prognose für alle Geschäftsbereiche zu verwenden.
- Prüfen Sie Saisonalität, Sonderereignisse und Strukturbrüche, bevor historische Zeitreihen unkritisch in die Zukunft fortgeschrieben werden.
- Trennen Sie Training und unabhängige Tests zeitlich richtig, damit später bekannt gewordene Informationen die Bewertung nicht verfälschen.
- Vergleichen Sie Forecasts mit tatsächlichen Ergebnissen und prüfen Sie systematische Über- oder Unterschätzungen statt nur einen mittleren Fehlerwert.
- Dokumentieren Sie manuelle Prognosekorrekturen und deren Gründe, damit sich die Qualität der Methoden über mehrere Planungsperioden nachvollziehen lässt.
Prognosen an ihren Einsatz koppeln
Ein Forecast ist nur dann hilfreich, wenn die Zielgröße und der Entscheidungszeitpunkt feststehen. Ein kurzfristiger Absatzforecast kann zur Personaleinsatzplanung dienen, während eine Liquiditätsprognose zusätzliche Zahlungszeitpunkte und Finanzierungsmöglichkeiten berücksichtigen muss. Für beide Zwecke sind unterschiedliche Fehler besonders relevant. Bei manchen Produkten können saisonale Muster ausreichen, bei anderen ändern sich Nachfrage und Marktbedingungen zu schnell. Die Modellauswahl sollte deshalb an die Daten und den Geschäftsfall angepasst werden. Ein komplexes maschinelles Lernverfahren ist nicht grundsätzlich überlegen. Ein transparenter statistischer Ansatz kann bei begrenzten Daten und regelmäßigen Mustern verlässlicher oder wirtschaftlicher sein.
Forecasting und Budgetplanung auseinanderhalten
Ein Budget kann einen Zielwert oder genehmigten Mitteleinsatz festlegen. Ein Forecast beschreibt dagegen eine erwartete Entwicklung auf Grundlage aktueller Informationen. Gerade deshalb kann eine neue Prognose vom Budget abweichen, ohne dass die Prognose fehlerhaft ist. Unternehmen sollten die ursprüngliche Einschätzung, spätere Anpassungen und das tatsächlich eingetretene Ergebnis getrennt speichern. Dadurch lässt sich messen, wie sich die Prognosequalität entwickelt und welche Annahmen besonders häufig korrigiert werden müssen. Bei starken Strukturbrüchen oder neuen Produkten sind historische Werte nur eingeschränkt geeignet. Hier können dokumentierte Fachurteile und alternative Szenarien nötig werden.
Verwandte Wiki-Begriffe
Weiterführende Erklärungen: Szenarioplanung, Predictive Analytics, Business Intelligence.
Fachliche Quellen
IBM – Forecasting. Szenarien und Beispiele sind redaktionelle Veranschaulichungen.