Absatzprognose: das Datenproblem hinter jeder schwachen Prognose

Ein Vorhaben zur Absatzprognose wird meist als Modellierungsaufgabe aufgesetzt: Verfahren auswählen, auf der Verkaufshistorie trainieren, Fehler messen, in das Planungssystem übernehmen. Bleibt das Ergebnis hinter der Tabelle zurück, die es ersetzen sollte, folgt die Suche nach einem besseren Verfahren. In den Landschaften, in denen wir arbeiten, beschrieb die Historie etwas anderes als Nachfrage, und kein Algorithmus stellt Information her, die in den Daten fehlt. Dieser Artikel behandelt diese Eingangsprobleme.

Warum das Verfahren die Absatzprognose selten begrenzt

Prognoseverfahren sind ausgereift und weitgehend austauschbar geworden. Die Familie der exponentiellen Glättung, Gradient Boosting auf aufbereiteten Kalender- und Preismerkmalen und die üblichen Ansätze zur hierarchischen Abstimmung liegen in Bibliotheken vor, sind dokumentiert und für die meisten kommerziellen Nachfragereihen ausreichend. Zwischen zwei sauber umgesetzten Verfahren auf denselben sauberen Daten liegen üblicherweise wenige Prozentpunkte Fehler.

Zwischen einer intakten und einer beschädigten Historie liegt deutlich mehr. Dieser Unterschied bleibt in der Modellbewertung unsichtbar, weil Training und Test auf derselben beschädigten Grundlage stattfinden. Ein Modell, das eine systematische Verzerrung in beiden Teilen vorfindet, weist einen guten Wert aus und prognostiziert die Verzerrung.

Deshalb laufen Programme, die mit der Verfahrensauswahl beginnen, häufig auf ein Plateau. Welche Methode zu welcher Frage passt, behandeln wir gesondert in Prädiktive Analyse: welche Methode zu welcher Frage passt. Hier wird vorausgesetzt, dass das Verfahren ausreicht, und gefragt, was die Historie überhaupt festhält.

Zensierte Nachfrage: was die Verkaufshistorie auslässt

Das ist das folgenreichste Eingangsproblem und gleichzeitig das häufigste.

Das führende System hält verkaufte, gelieferte oder fakturierte Mengen. Nachfrage ist, was Kunden wollten. Beide Größen stimmen überein, solange Ware verfügbar war. Während einer Fehlmenge fällt der Absatz auf das, was der Restbestand zuließ, und dieser reduzierte Wert geht als Nachfrage der Periode in die Historie ein.

Daraus entsteht ein Kreis, der sich selbst bestätigt. Das Modell lernt eine niedrige Nachfrage für den Artikel an diesem Standort, prognostiziert niedrig, die Disposition bestellt entsprechend, der Bestand reicht erneut nicht, und die Folgeperiode bestätigt das Muster. Am stärksten betroffen sind die wachsenden Artikel, weil bei ihnen der Bestand am ehesten nicht ausreicht.

Die Korrektur setzt voraus, dass bekannt ist, wann ein Artikel nicht verfügbar war, also der Bestandsverlauf auf der Ebene, auf der prognostiziert wird. Viele Unternehmen halten nur den aktuellen Bestand, damit ist die historische Verfügbarkeit nicht rekonstruierbar. Der erste Schritt ist dann, die Aufzeichnung zu beginnen. Wo ein täglicher Bestandsverlauf vorliegt, lassen sich Perioden mit Bestand nahe Null kennzeichnen und die Nachfrage dieser Perioden als zensiert behandeln: aus dem Training ausgenommen oder aus vergleichbaren, nicht betroffenen Standorten geschätzt.

Zwei angrenzende Effekte gehören hierher.

• Substitution. Der Kunde greift zur Alternative. Die Nachfrage wird dem falschen Artikel zugeschrieben, und im Aggregat verschwindet die Lücke vollständig.
• Nachfrage ohne jede Spur. Im Distanzhandel erscheint ein nicht verfügbarer Artikel unter Umständen in keinem Protokoll. Wo Such- und Warenkorbdaten vorliegen, ist unerfüllte Nachfrage teilweise beobachtbar und lohnt die Anbindung an die Prognoseeingänge.

Granularität der Absatzprognose und hierarchische Abstimmung

Eine Prognose entsteht auf der Ebene, auf der entschieden wird. Die Disposition braucht Artikel und Lagerort. Die Produktionsplanung braucht Artikel, Werk und Woche. Die Finanzplanung braucht Warengruppe und Monat. Das sind verschiedene Prognosen derselben Nachfrage, und sie müssen zueinander passen.

Zwei Fehlerbilder wiederholen sich. Das erste ist die Prognose allein auf Aggregatebene mit anschließender Verteilung nach historischen Anteilen, wodurch Wachstum Standorten zugewiesen wird, die nicht wachsen. Das zweite ist die Prognose allein auf der feinsten Ebene mit Summierung nach oben, wodurch die Gesamtzahl das Rauschen tausender dünn besetzter Reihen erbt.

Tragfähig ist die Prognose auf mehreren Ebenen mit anschließender Abstimmung, sodass die Werte je Artikel und Lagerort eine Warengruppensumme ergeben, die für sich vertretbar ist. Das setzt korrekte und stabile Artikel- und Standorthierarchien voraus, und damit das nächste Problem.

Stammdatenänderungen und Nummernwechsel in der Historie

Prognosequalität verschlechtert sich nach Sortimentswechseln, Systemmigrationen und Reorganisationen. Die Ursache ist in der Mehrzahl der Fälle struktureller Art.

• Ein Artikel wird umbenannt oder unter einer neuen Artikelnummer neu angelegt. Die alte Reihe endet, die neue beginnt ohne Historie, und das Modell behandelt einen etablierten Artikel als Neueinführung.
• Zwei Artikelnummern werden zusammengelegt, oder eine wird in Varianten aufgeteilt. Die entstehende Reihe enthält einen Bruch, den kein saisonales Verfahren korrekt verarbeitet.
• Die Warengruppenhierarchie wird umgebaut. Aggregierte Reihen ändern ihre Zusammensetzung, ein Vorjahresvergleich umfasst dann zwei verschiedene Definitionen.
• Mengeneinheiten ändern sich. Eine neue Verpackungseinheit oder ein geänderter Umrechnungsfaktor verändert die Zahlenreihe, während der Artikel unverändert aussieht. Es entsteht eine Stufe, die wie eine Nachfrageverschiebung wirkt.
• Ein Standort wechselt die Region. Volumen verschiebt sich zwischen Aggregaten, ohne dass sich an der zugrunde liegenden Nachfrage etwas ändert.

Keiner dieser Fälle erzeugt einen Fehler. Die Strecke läuft, die Prognose entsteht, und die Verschlechterung wird der Marktlage zugeschrieben.

Die Kontrolle ist eine gepflegte Zuordnung von Nummernwechseln, Zusammenlegungen und Aufteilungen, angewendet beim Aufbau der Historie, sodass die Reihe dem Produkt folgt und nicht dem Schlüssel. Diese Zuordnung ist eine Aufgabe der Stammdatenpflege. Sie braucht Gültigkeitsdaten: ohne Datum im Änderungsprotokoll lässt sich eine Korrektur nicht auf den richtigen Abschnitt der Historie anwenden. Wie sich Fehler dieser Art systematisch abfangen lassen, bevor sie in eine Auswertung laufen, steht in Datenqualität im Unternehmen sicherstellen.

Aktionen, Preis und fehlende Treiber in der Absatzprognose

Ein erheblicher Teil der Nachfrageschwankung in kommerziellen Reihen geht auf Entscheidungen des eigenen Unternehmens zurück: eine Aktion, eine Preisänderung, eine gewonnene oder verlorene Listung, eine Kampagne, eine Sortimentsänderung beim Wettbewerb.

Hält die Historie den resultierenden Absatz ohne die Ursache, muss das Modell den Ausschlag mit der einzigen verfügbaren Information erklären, dem Kalender. Es schließt, dass die dritte Märzwoche stark ist, und prognostiziert den Ausschlag im nächsten März, unabhängig davon, ob die Aktion wiederholt wird. Der Fehler fällt damit gerade bei den Artikeln und Perioden am größten aus, für die im Vertrieb geplant wurde.

Die Aktionshistorie in die Eingänge zu bringen ist überwiegend eine Integrationsaufgabe. Der Aktionskalender liegt in einem Planungswerkzeug des Vertriebs oder in Tabellen, mit Mechanik, Zeitraum, teilnehmenden Standorten und Rabattstufe in einer Form, die für die Durchführung gedacht war und nicht für die Auswertung. Eine rückwirkende Rekonstruktion ist langsam und selten vollständig. Praktikabel ist, die Erfassung in einer nutzbaren Struktur jetzt zu beginnen und im ersten Jahr mit teilweiser Aktionshistorie zu arbeiten.

Der Preis verdient eigene Behandlung. Liegt der tatsächlich fakturierte Preis je Periode und Standort vor, lässt sich Preiselastizität schätzen, und die Prognose wird abhängig von einer Preisentscheidung. Für einen Planer ist eine Aussage dieser Art erheblich nützlicher als eine unbedingte Fortschreibung. Ist nur der Listenpreis gepflegt, bleibt der größte Teil der Wirkung unsichtbar, besonders im Großhandel mit kundenindividuellen Konditionen und Rückvergütungen.

Diese Arbeit an den Eingängen gehört in die erste Phase. In der Praxis von DNA Solutions für Predictive Analytics beginnt ein Prognoseprojekt deshalb mit einer Bestandsaufnahme der Historie. Die Modellierung folgt danach und dauert in der Regel kürzer.

Sporadische Nachfrage und das Ersatzteilgeschäft

Artikel mit vielen Nullperioden sind im Ersatzteilgeschäft, im technischen Großhandel und in der Instandhaltung die Regel, und Standardverfahren behandeln sie schlecht. Eine Mittelung erzeugt eine gebrochene Menge, die als Bestellmenge nie plausibel ist, und prozentuale Fehlermaße brechen zusammen, wenn der Istwert Null ist.

Daraus folgt zweierlei. Diese Reihen sollten ausdrücklich erkannt und an Verfahren für sporadische Nachfrage geleitet werden, die Bedarfsmenge und Abstand zwischen zwei Bedarfen getrennt schätzen. Diese Verfahrensklasse ist etabliert und in den gängigen Planungssystemen vorhanden, sie muss lediglich den richtigen Artikeln zugewiesen werden, und dafür braucht es eine Klassifizierung der Reihen nach Nullanteil und Streuung. Und die Ausgabe, die zählt, ist häufig keine Punktprognose: für ein Ersatzteil ist die nützliche Antwort ein Bestand, der einen vereinbarten Lieferbereitschaftsgrad erreicht. Das ist eine Frage an die Verteilung und nicht an den Mittelwert. Werden sporadische Artikel in dieselbe Strecke und dieselbe Genauigkeitskennzahl wie Schnelldreher gezwungen, entsteht eine Zahl, die formal eine Prognose ist und operativ nicht verwendbar.

Ein Sonderfall in der Fertigung verdient Beachtung. Bedarf, der aus Wartungsintervallen, Garantielaufzeiten oder der installierten Basis folgt, lässt sich aus der Anlagen- und Vertragslage rechnen. Eine statistische Schätzung aus der Vergangenheit ist dort die schwächere Quelle, und die bessere Grundlage liegt in Systemen, die mit der Absatzplanung häufig nicht verbunden sind.

Retouren, Stornos und die Definition der Zielgröße

Die Zielgröße braucht eine schriftliche Definition, und der naheliegende Kandidat ist in der Praxis mehrdeutig.

Ist die Einheit der Auftrag, die Lieferung oder die Rechnung? Zählen stornierte Aufträge mit? Werden Retouren gegengerechnet, und gegen die Periode des Verkaufs oder die Periode der Rücksendung? Sind Umlagerungen zwischen Lagerorten und Innenumsätze ausgeschlossen, oder blähen sie die Reihe auf? Bei hohen Retourenquoten, wie im Bekleidungsversand, erzeugt eine Gegenrechnung in der Rücksendeperiode negative Nachfragewerte, die die meisten Verfahren schlecht verarbeiten.

Keine dieser Fragen hat eine allgemein richtige Antwort. Entscheidend ist, dass die Definition schriftlich vorliegt, mit den Planern abgestimmt ist, die die Prognose nutzen, und auf Historie und Bewertung gleich angewendet wird. Ein großer Teil der Auseinandersetzungen über Prognosegenauigkeit stellt sich bei näherer Prüfung als zwei Parteien heraus, die verschiedene Größen messen.

Prognosefehler: Verzerrung, Genauigkeit und Planüberschreibung

Prognosefehler wird meist als Genauigkeit in Prozent berichtet. Die Verzerrung, also der mittlere vorzeichenbehaftete Fehler, ist die handlungsrelevantere Größe und wird seltener ausgewiesen.

Eine dauerhaft zu niedrige Prognose wird nachgelagert korrigiert, durch einen Planer, der einen Zuschlag setzt, oder durch einen Sicherheitsbestandsparameter, der die Lücke auffängt. Die Korrektur bleibt in der Genauigkeitszahl unsichtbar und ist im Umlaufvermögen teuer, und sie verstärkt sich über jede Stufe der Lieferkette. Die Verzerrung je Artikelgruppe, Standort und Horizont zu messen, lokalisiert sie.

Das zugehörige strukturelle Problem ist der Konsensprozess. Eine statistische Prognose entsteht, wird in einer Planungsrunde angepasst, in der Vertrieb, Marketing und Finanzen je eine eigene Sicht haben und mindestens eine Partei eine Zielvorgabe an der Zahl hängen hat. Der angepasste Wert wird der Plan.

Übersteuerungen sind berechtigt. Ein Planer kennt häufig einen Kundenvertrag, eine Listungsentscheidung oder einen Werksstillstand, der in keiner Historie steht. Die Anforderung ist, beide Zahlen zu behalten und beide zu messen. Werden statistische Prognose und finaler Plan getrennt gespeichert und ihre Fehler über die Zeit verglichen, wird der Beitrag der Übersteuerung sichtbar. Er ist für einige Warengruppen deutlich positiv und für andere negativ. Ohne diese Aufzeichnung hat die Diskussion keine Belege.

Zur Genauigkeit selbst gehören zwei Festlegungen. Ein volumengewichteter absoluter prozentualer Fehler ist weniger verzerrt als ein einfacher Mittelwert über alle Artikel, weil er verhindert, dass tausende kleine Reihen die Kennzahl bestimmen. Und die Messung muss auf dem Horizont erfolgen, den die Entscheidung nutzt. Eine Prognose, die eine Woche im Voraus bewertet wird, sagt wenig über die achtwöchige Wiederbeschaffungszeit, an der die Bestellung tatsächlich hängt.

Absatzprognose verbessern: die Reihenfolge der Maßnahmen

In den Landschaften, die wir sehen, ist die Reihenfolge mit der schnellsten Wirkung stabil.

Zuerst die Zielgröße definieren und mit den Planern abstimmen. Dann die Bestandsverfügbarkeit über Zeit aufzeichnen, falls sie heute nicht gehalten wird, weil sie rückwirkend nicht herstellbar ist. Die Zuordnung der Nummernwechsel aufbauen, damit eine Reihe über einen Wechsel der Artikelnummer hinweg zusammenhängt. Sporadische Artikel trennen und an geeignete Verfahren leiten. Aktionskalender und fakturierten Preis in die Eingänge bringen, mit teilweiser Historie im ersten Jahr. Danach die Verzerrung je Segment und Horizont messen und die statistische Prognose neben dem finalen Plan speichern.

Die Verbesserung des Verfahrens kommt danach, und sie ist mehr wert, sobald die Eingänge Nachfrage beschreiben.

Eine tragfähige Absatzprognose aufbauen

DNA Solutions unterstützt Unternehmen im DACH-Raum beim Aufbau einer tragfähigen Absatzprognose: von der Definition der Zielgröße über die Behandlung zensierter Nachfrage und die Zuordnung von Nummernwechseln bis zu Aktionskalender und fakturiertem Preis in den Eingängen. Wenn die Prognose hinter der Tabelle zurückbleibt, die sie ersetzen sollte, beginnen wir bei der Historie und der Frage, was sie festhält. Wo Artikel- und Standorthierarchien über mehrere Quellsysteme hinweg zu reparieren sind, bevor eine Prognose trägt, läuft dieser Teil unter Datenanalyse; denselben Zusammenhang auf der Kundenseite, also Vorhersagen je Kunde statt je Artikel, behandelt Prädiktive Kundenanalyse. Sprechen Sie uns an.