Die jüngsten Nachfragestörungen haben die globalen Lieferketten auf die Probe gestellt und die Nachfrageplanung vor völlig neue Herausforderungen gestellt. Der sprunghafte Anstieg der Nachfrage nach bestimmten Waren im Gesundheitswesen, bei Konsumgütern oder im elektronischen Handel führte zu zahlreichen "Fire Fighting Aktivitäten" in der Lieferkette. In Kombination mit globalen Lieferengpässen ist laut Adobe [2] ein Anstieg der Out-of-Stock-Situationen im Oktober 2021 um 250 % im Vergleich zu einem Zeitraum vor der Pandemie (Januar 2020) die Folge.
Auch strukturelle Veränderungen wie die Zunahme der Vertriebskanäle machen die Nachfrageplanung immer schwieriger. Laut einer Studie ist die Zahl der Vertriebskanäle in den letzten fünf Jahren von durchschnittlich fünf auf zehn gestiegen, wobei eine deutliche Verlagerung von Offline- zu Online-Kanälen zu verzeichnen ist. Die häufigere Einführung neuer Produkte und Verkaufsförderungsmaßnahmen sind ein zusätzlicher heikler Einflussfaktor auf den Nachfrageplanungsprozess.
Das wirft die Frage auf, ob die traditionellen Nachfrageplanungs-Frameworks in diesen unbeständigen Zeiten noch gültig sind. Daher ist es notwendig, die Grundsätze des Demand Planning Prozesses zu überarbeiten, wie
- Granularität der Nachfrageprognose
- Planungshorizonte und Zeitbuckets
- Technologie-Stack für die Nachfrageplanung
- KPIs und Metriken der Nachfrageplanung.
Diese Gestaltungsprinzipien sollten in einen Ziel Prozess für die Nachfrageplanung integriert werden, der mehrere Dimensionen berücksichtigt. Werfen wir einen Blick auf diese verschiedenen Grundsätze der Nachfrageplanung und die jüngsten Entwicklungen.
Granularität der Nachfrageprognose
Der erste Schritt zu einem effektiven Nachfrageplanungsprozess ist die Festlegung des Granularitätsgrades. Es gibt zwei Arten von Granularität: nachfrageorientiert und angebots- oder produktorientiert.
Jeder Typ umfasst mehrere Dimensionen, auf denen die Nachfrage geplant werden kann. Die Entscheidung sollte darauf beruhen, wie Ihre Lieferkette auf der Angebotsseite aufgebaut ist. Wer ist also der Empfänger der Prognose (Forecast)? Auf der Nachfrageseite ist zu analysieren, ob eine neue Prognosehierarchie einen zusätzlichen Nutzen bringt, z. B. durch genauere Prognosen. Oder reicht eine aggregiertere Ebene mit weniger Aufwand aus, um hochgenaue Prognosen zu erstellen. Dies sind die Leitfragen bei der Festlegung der Granularität im Demand Planning Prozess.
Es gibt viele Möglichkeiten, die richtige Granularitätsebene zu definieren. In jedem Fall sollte die Entscheidung über die Granularitätsebene separat getroffen werden, basierend auf der Struktur der Lieferkette, den geschäftlichen Anforderungen und den verfügbaren Eingabedaten.
Die jüngste Volatilität der Nachfrage verlangt jedoch eher nach mehr Granularität als nach mehr Aggregation. Die Fähigkeit, zwischen den Ebenen der Planungshierarchie zu aggregieren und zu disaggregieren, wird immer wichtiger, um die Auswirkungen volatiler Nachfragesignale auf mehreren Dimensionen zu erfassen.
Planungshorizonte und Zeitbuckets im Forecasting-Prozess
Eine weitere Gestaltungsentscheidung im Demand Planning ist die Wahl des richtigen Planungshorizonts und der Zeitaggregation. Der Prognosehorizont sollte sich an den geschäftlichen Anforderungen orientieren.
Es ist jedoch auch wichtig zu verstehen, dass der Planungshorizont davon abhängen sollte, was die Lieferkette zu optimieren oder zu erreichen versucht und welcher Zeitraum für die Erreichung dieser Ziele vorgesehen ist.
Die zeitliche Aggregation im Forecasting-Prozess muss an die Bedürfnisse der jeweiligen Stakeholder für die Prognose angepasst werden. Jährliche Finanzprognosen dürfen sich nicht auf wöchentliche Zeitbuckets beziehen, andererseits erfordern operative Prognosen für Lager- oder Transportvorgänge tägliche Zeitbuckets oder Zeitfenster auf Auftragsebene.
Prozessvorlaufzeiten wie die Wiederbeschaffungszeit von Lieferanten wirken sich ebenfalls auf den Prognosehorizont aus. Für schnelldrehende Güter ohne Produktionsprozesse und mit einer Vorlaufzeit von sieben Tagen ist ein Horizont von acht bis 12 Wochen ausreichend.
Bei langen Rohstoffbeschaffungsprozessen aus Asien mit komplexen Herstellungsprozessen der Fertigwaren ist ein Horizont von ein bis zwei Jahren erforderlich, um die Lieferkapazitäten entsprechend zu planen.
Verschiedene Stakeholder der Nachfrageplanung benötigen möglicherweise unterschiedliche Pläne auf verschiedenen Ebenen. Die nahtlose Integration zwischen diesen Plänen ist entscheidend, um strategische und operative Geschäftsentscheidungen auf der Grundlage derselben Zahlen zu treffen.
In letzter Zeit haben wir eine Verlagerung zu häufigeren und granulareren Zeitbuckets beobachtet, um schneller auf kurzfristige Störungen reagieren zu können.
Technologie-Stack für die Nachfrageplanung
Viele verschiedene Methoden und Werkzeuge können den Forecasting-Prozess unterstützen. Modernste Technologien helfen bei vielen verschiedenen Aspekten des Nachfrageplanungsprozesses. Externe Nachfragesignale, Produktneueinführungen, Promotion-Planung, Ausreißer- und Out-of-Stock-Erkennungen sind nur einige Beispiele. Die Abstimmung verschiedener Planungshierarchien und Zeithorizonte sollte ebenfalls von der richtigen Technologie verwaltet werden, um eine einzige Quelle der Wahrheit für geschäftskritische Entscheidungen zu ermöglichen.
Bei den Prognosemethoden kann zwischen "traditionellen" Zeitreihenprognosen und Methoden des maschinellen Lernens unterschieden werden. Ein Überblick über die wichtigsten Modellfamilien und wann sie sich eignen:
- Exponentielle Glättung (z. B. Holt-Winters): einfach, robust und interpretierbar – die richtige Baseline bei stabiler Saisonalität und umfangreicher Verkaufshistorie.
- ARIMA & Bayes'sche Methoden (z. B. SARIMA, BSTS): bilden Trendänderungen und Vorwissen gut ab – geeignet für volatile Nachfrage und begrenzte Historie.
- Methoden für sporadische Nachfrage (z. B. Croston, SBA): für unregelmäßige Nachfragemuster gebaut – der Standard für Ersatzteile und Slow Mover.
- Maschinelles Lernen (z. B. Gradient Boosting mit LightGBM oder XGBoost): lernt über das gesamte Sortiment und nutzt externe Features – am besten für große Sortimente, Promotions und externe Nachfragetreiber.
- Foundation Models (Transformer-basierte Zeitreihenmodelle): übertragen Muster aus Millionen von Zeitreihen – am stärksten für neue Produkte ohne Historie und Cold Starts.
"Traditionelle" Prognosemethoden gibt es schon seit Jahren. Diese Methoden analysieren in der Regel die Struktur einer einzelnen Zeitreihe, z. B. Trend, Saisonalität und Residuen, und versuchen, mit dieser Zeitreihendekomposition Zukunftsprognosen abzuleiten. Ein Beispiel ist die bekannte Holt-Winters-Methode [3]. Diese Methoden sind bei stabilen Saisonalitäten und reichhaltigen historischen Verkaufsdaten recht gut. Bayes'sche und ARIMA-Ansätze hingegen berücksichtigen die Auswirkungen von Vorinformationen in den Verkaufsdaten. Daher sind sie in Szenarien mit häufigen Trendänderungen, volatiler Nachfrage und begrenzten historischen Verkaufsdaten gut geeignet.
Algorithmen des maschinellen Lernens zur Vorhersage haben alle jüngsten Forecasting-Wettbewerbe auf Kaggle [4] gewonnen und die traditionellen Methoden in Bezug auf die Genauigkeit übertroffen. Die Anwendung von Methoden des maschinellen Lernens in der Produktion auf täglicher oder wöchentlicher Basis kann jedoch eine große Herausforderung darstellen. Es erfordert eine hohe Qualität der Eingabedaten und eine ständige Pflege der Modellparameter, um diese hochwertigen Ergebnisse in großem Umfang zu erzielen. Entscheidungsbäume wie Gradient-Boosting-Algorithmen [5] liefern bei richtiger Anwendung in der Regel hohe Genauigkeiten für Zeitreihenprobleme.
Die meisten Unternehmen auf dem Markt verwenden traditionelle Methoden für die Nachfrageprognose. In letzter Zeit haben jedoch Methoden des maschinellen Lernens zunehmend die Aufmerksamkeit von Unternehmen und Softwareanbietern auf sich gezogen, da externe Daten für die Vorhersage künftiger Verkäufe in unbeständigen Marktumgebungen wichtig sind.
KPIs und Metriken im Nachfrageplanungsprozess
Prognosemetriken sind wichtige Aspekte des Nachfrageplanungsprozesses. Die Wahl der Indikatoren hat großen Einfluss auf das Ergebnis der Prognose. So wird bei einem schwachen RMSE Ausreißern große Bedeutung beigemessen, und bei einem schwachen MAE besteht die Gefahr einer verzerrten Prognose. Eine vollständige Übersicht der Kennzahlen finden Sie in unserem Artikel zu Forecast KPIs. Um dies zu verhindern, könnte eine Kombination verschiedener KPIs sinnvoll sein.
Im Folgenden wird ein nicht holistischer Überblick über verschiedene KPIs gegeben, und es werden Hinweise gegeben, wann sie verwendet werden sollten.
Wenn Ihre Kennzahlen für ein bestimmtes Element ständig von der Norm abweichen, sollten Sie Ihre Prognosemethode oder Ihren Prozess überprüfen. Höchstwahrscheinlich ist der Forecasting-Prozess falsch konfiguriert. Es ist auch wichtig, die KPIs der Prognosen mit dem erforderlichen Horizont und den Zeitbuckets in Einklang zu bringen.
Eine Metrik, die für die Erstellung von Nachfrageplanungs-Frameworks verwendet werden kann, ist die Metrik "Forecast Value Add". In der einfachsten Form kann damit überprüft werden, ob eine Änderung einer Methode oder eine Prozessanpassung einen zusätzlichen Wert zum Status quo oder einer einfachen Prognosemethode, z. B. einer naiven Prognose, bringt. Sie kann aber auch verwendet werden, wenn sich eine bestimmte Änderung des Planungsprinzips, z. B. der Prognosegranularität, positiv auf geschäftskritische KPIs wie entgangene Umsätze auswirkt.
Ziel Prozess für die Nachfrageplanung
Die oben genannten Gestaltungsprinzipien müssen in einen Nachfrageplanungsprozess eingebettet werden, der durch die richtige bestehende oder neue Technologiearchitektur und den richtigen organisatorischen Aufbau ermöglicht wird.
Die Schaffung eines robusten Demand Planning Prozesses mit dem richtigen Maß an Freiheit, um einerseits On-Demand-Signale auf agile Weise zu übernehmen und andererseits zu viel "Rauschen" für vorgelagerte Prozesse zu vermeiden, muss sorgfältig abgewogen werden.
Ein guter Indikator hierfür ist die Prognose-Mehrwert-Metrik. Sie misst, ob ein zusätzlicher Input, eine zusätzliche Methode oder ein zusätzlicher Stakeholder einen zusätzlichen Wert für den Forecasting-Prozess darstellt. Um den neuen Anforderungen eines volatileren Umfelds gerecht zu werden, müssen die Prozesse so gestaltet werden, dass sie häufigere Prognosen mit detaillierten Analysen der Nachfragetreiber ermöglichen, um besser auf externe Störungen reagieren zu können. Außerdem geht der Trend dahin, die richtigen Eingaben zu machen und das wahrscheinlichste zukünftige Ergebnis auf der Grundlage dieser externen Eingaben vorherzusagen, wobei Eingaben wie Promotion-, CRM- und IoT-Informationen berücksichtigt werden. Dies steht im Gegensatz zu dem Ansatz, eine Basisprognose zu erstellen und diese manuell durch Vertriebs-, Marketing- oder Produktmanagement-Teams zu ergänzen.
Auch die Technologie spielt eine entscheidende Rolle bei der Verbesserung der Prognosegenauigkeit. Eine KI Forecasting Software sollte externe Nachfragetreiber einbeziehen, eine berührungslose ("no-touch") / automatisierte Nachfrageplanung ermöglichen und Funktionen zur Bedarfsermittlung bieten, um die Planung von Produktneueinführungen oder Werbeaktionen zu unterstützen. Technologien ermöglichen erhebliche Effizienzsteigerungen für Nachfrageplanungsteams und verbessern die Prognosegenauigkeit.
Nachfrageplanungsorganisationen haben viele verschiedene Interessengruppen: Marketing, Vertrieb, Produktmanager und Finanzen, die Nachfragesignale liefern. Auf der Angebotsseite müssen korrekte Prognosen für die Logistik, die Produktion oder die Beschaffung bereitgestellt werden. Für all diese Beteiligten sollten manuelle Übergaben vermieden und nahtlos in den Nachfrageplanungsprozess integriert werden. Eine kritische Frage, die hier zu beantworten ist, lautet: Wer ist für die Prognosen zuständig? Mit neuen Technologien entstehen auch neue Rollen und Aufgaben. Rollen wie Data Stewards, die sicherstellen, dass die Eingabedaten die richtige Qualität haben, und Demand Planning Data Scientists, die Prognosemodelle entwickeln und pflegen. Externe Partner, wie z. B. Kunden, können wertvolle Informationen für den Nachfrageplanungsprozess liefern. In einigen Fällen kann es sinnvoll sein, mit ihnen an einem gemeinsamen Nachfrageplan zusammenzuarbeiten.
Genaue und qualitativ hochwertige Eingangsdaten und Prognosemetriken sind der letzte Baustein eines resilienten Ziel Prozesses für die Nachfrageplanung. Die richtige Granularität und zeitnahe Aggregation, wie oben beschrieben, spielt hier eine entscheidende Rolle. Externe Daten, wie Point-of-Sales-Daten, CRM-Daten oder IoT-Daten, können die Nachfrageplanung ebenfalls verbessern. Der Demand Planning Prozess kann mit den richtigen Metriken überwacht und gesteuert werden, damit das Betriebsmodell optimal läuft.
Sie möchten sehen, wie numi Ihren Nachfrageplanungsprozess automatisiert? Vereinbaren Sie eine kostenlose Demo.
Quellen:
- https://www.mckinsey.com/business-functions/growth-marketing-and-sales/our-insights/b2b-sales-omnichannel-everywhere-every-time
- https://blog.adobe.com/en/publish/2021/11/09/adobe-shoppers-have-seen-over-2-billion-out-of-stock-messages-online-october-2021#gs.gn1jvf
- https://en.wikipedia.org/wiki/Exponential_smoothing
- https://www.kaggle.com/c/m5-forecasting-accuracy
- https://en.wikipedia.org/wiki/Gradient_boosting
- https://towardsdatascience.com/holt-winters-exponential-smoothing-d703072c0572
