Was ist Forecasting?

Business Forecasting zielt darauf ab, die Kundennachfrage nach Produkten oder Dienstleistungen einzuschätzen, Verkäufe zu prognostizieren oder Wachstum und Expansion einzuschätzen. Es kann die Zuweisung von Budgets, Kapital, Personalressourcen und mehr erleichtern. Kurz gesagt: Business Forecasting hilft bei der Entscheidungsfindung.

Forecasting wird oft mit der Analyse von Big Data und vorausschauender Analyse in Verbindung gebracht. Heutzutage stützen sich viele Forecasting-Techniken auf künstliche Intelligenz (KI) und Methoden des maschinellen Lernens, um Prognosen schneller und genauer zu erstellen. Laut Studien des Unternehmensberatungsunternehmens McKinsey können KI-gestützte Tools Forecasting-Fehler um bis zu 50 % reduzieren, was zu einem Rückgang der Fehlbestände und Umsatzeinbußen um bis zu 65 % führt.¹

Forecasting sind Vorhersagen, was bedeutet, dass sie oft nicht zu 100 % genau sind. Und der Zeithorizont für eine Vorhersage ist wichtig – kurzfristige Vorhersagen können präziser sein als langfristige Vorhersagen. Es kann auch hilfreich sein, Daten zu aggregieren oder Techniken zu kombinieren, um eine höhere Genauigkeit zu erreichen, und Forecasting als Orientierungshilfe und nicht als ultimativen Bestimmungsfaktor für Entscheidungen zu betrachten.

Der Forecasting-Prozess kann für jedes Unternehmen anders aussehen, umfasst aber im Allgemeinen die folgenden Schritte:

Definieren, was vorhergesagt werden soll: Unternehmen identifizieren einen bestimmten Geschäftsfall oder eine bestimmte Metrik, die sie vorhersagen möchten, und berücksichtigen alle relevanten Annahmen und anwendbaren Variablen.

Daten sammeln: Dieser Schritt umfasst das Sammeln der erforderlichen Daten. Wenn bereits historische Daten vorhanden sind, geht es anschließend darum, die am besten geeigneten Datensätze zu ermitteln.

Auswahl einer Forecasting-Methode: Wählen Sie eine Forecasting-Technik, die nicht nur zum Geschäftsfall oder der Metrik, sondern auch zu den zugehörigen Variablen, Annahmen und Datensätzen am besten passt.

Prognose erstellen: Die Daten werden mithilfe der gewählten Methode analysiert und auf Grundlage dieser Analyse wird eine Prognose erstellt.

Überprüfen der Prognose: Prüfen Sie die Vorhersagen und prüfen Sie, ob Optimierungen möglich sind, um eine genauere Prognose zu erstellen.

Präsentation der Prognose: Es kann eine Datenvisualisierung eingesetzt werden, um die Prognose in einem anschaulicheren Format darzustellen, das die Stakeholder besser verstehen und in den Entscheidungsprozess einbeziehen können.

Forecasting kann auf verschiedene Weise erfolgen, aber jeder Ansatz wird in der Regel in eine von zwei Haupttechniken eingeteilt: qualitatives Forecasting und quantitatives Forecasting.

Qualitatives Forecasting basiert auf menschlichem Urteilsvermögen, wie Verbrauchermeinungen, Expertenerkenntnisse und die Ansichten von hochrangigen Führungskräften. Bei dieser Forecasting-Methode wird ein Bewertungsmechanismus als systematisches Mittel zur Umwandlung qualitativer Informationen in quantitative Daten angewendet.

Im Folgenden finden Sie einige häufig verwendete qualitative Forecasting-Ansätze:

Bei der Delphi-Methode werden mehrere Experten gebeten, eine Reihe von Fragebögen zu beantworten und ihre Sichtweise auf den Geschäftsfall oder die Metrik, die prognostiziert werden soll, darzulegen. Die Antworten sind anonym, so dass alle Standpunkte gleichermaßen berücksichtigt werden können. Die Antworten dieses Fragebogens werden für die Erstellung des nächsten Fragebogens verwendet, und dieser Prozess wird fortgesetzt, bis ein Konsens über eine Prognose erzielt wird.

Unternehmen nehmen die Hilfe von Marktforschungsunternehmen in Anspruch, um Kundenbefragungen durchzuführen und ihre Meinung zu Produkten oder Dienstleistungen zu erfragen. Die aus diesen Umfragen gesammelten Daten fließen dann in Verkaufsprognosen und Initiativen zur Produkt- oder Serviceverbesserung ein.

Qualitatives Forecasting hat folgende Vorteile:

• Es kann eingesetzt werden, wenn die Datenlage begrenzt ist, z. B. bei der Bewertung der Marktakzeptanzrate oder der Marktdurchdringungsrate neuer Produkte oder Technologien.

• Es bezieht Informationen von Experten und Personen mit ein, die das Unternehmen und seine Angebote sehr gut kennen, was durch quantitative Daten möglicherweise nicht abgedeckt ist.

• Dabei können oft einmalige Vorfälle oder untypische Szenarien, wie eine Krise oder eine Katastrophe, berücksichtigt werden. Dies bedeutet, dass qualitatives Forecasting für Situationen geeignet sein könnte, in denen sich die Bedingungen ständig verändern.

Aber diese Art des Forecasting hat auch Nachteile:

• Da es sich auf menschliches Urteilsvermögen gründet, kann ein qualitatives Forecasting subjektiv sein und Verzerrungen enthalten, was dazu führt, dass Faktoren und Annahmen überbewertet oder übersehen werden.

• Qualitative Informationen berücksichtigen manchmal nur die neuesten Ereignisse oder Erfahrungen aus erster Hand, so dass langfristige Trends oder Muster aus früheren Daten übersehen werden könnten.

Quantitatives Forecasting basiert auf numerischen Daten, wobei mathematische Modelle und statistische Methoden angewendet werden, um eine Vorhersage zu treffen. Viele Techniken des quantitativen Forecasting nutzen Data Science, KI und maschinelles Lernen, um den Prozess zu unterstützen.

Im Folgenden einige gängige Strategien für quantitatives Forecasting:

Bei dieser quantitativen Methode werden als Zeitreihen modellierte historische Daten verwendet, um zukünftige Ergebnisse vorherzusagen. Eine Zeitreihe ist eine Reihe von Datenpunkten, die in chronologischer Reihenfolge dargestellt werden.

Zeitreihenmodelle im Forecasting können dabei helfen, vorhersehbare Trends in den Daten aufzuzeigen, die durch Zyklen, unregelmäßige Fluktuationen, Saisonalität und andere Variationen beeinflusst werden.

Neben Zeitreihen-Forecasting wird häufig die Zeitreihenanalyse genannt. Während es bei der Zeitreihenanalyse darum geht, Zeitreihendaten zu verstehen, um daraus Erkenntnisse zu gewinnen, geht das Zeitreihen-Forecasting über die Analyse hinaus, um zukünftige Werte vorherzusagen.

Das Zeitreihen-Forecasting umfasst eine Reihe von Methoden:

Naiv

Die naive Methode verwendet den Datenpunkt der vorherigen Periode als Prognose für die nächste Periode. Dies macht sie zur einfachsten Methode des Forecasting und wird oft als vorläufiger Benchmark betrachtet.

Einfacher gleitender Durchschnitt

Die Technik des einfachen gleitenden Durchschnitts berechnet den Durchschnitt der Datenpunkte aus den letzten Zeiträumen. Dieser Durchschnitt dient dann als Prognose für den nächsten Zeitraum.

Gewichteter gleitender Durchschnitt

Diese Methode basiert auf der Technik des einfachen gleitenden Durchschnitts, wobei jedoch auf jeden Datenpunkt der letzten Zeiträume eine Gewichtung angewendet wird.

Exponentielle Glättung

Bei der exponentiellen Glättung wird ein exponentiell gewichteter Durchschnitt auf Zeitreihendaten angewendet. Die Gewichtungen nehmen exponentiell ab, wenn die Daten älter werden – je aktueller die Daten sind, desto höher ist die Gewichtung.

Ein Glättungskoeffizient (auch als Glättungsfaktor oder Glättungsparameter bezeichnet) steuert die Gewichtungen, die vergangenen und aktuellen Daten zugewiesen werden. Aus diesen Gewichtungen wird dann der gewichtete gleitende Durchschnitt berechnet, der als Prognose dient. Diese Prognose ist eine geglättete Version einer Zeitreihe, die Schwankungen, Rauschen, Sonderfälle und zufällige Schwankungen aus den Daten eliminiert.

Die exponentielle Glättung erfordert in der Regel keinen großen Datensatz, weshalb sie sich gut für kurzfristiges Forecasting eignet. Und da die aktuellen Daten durch die exponentielle Glättung höher gewichtet werden, kann sie schnell an neue oder sich ändernde Trends angepasst werden.

Saisonaler Index

Ein saisonaler Index kann für Unternehmen wertvoll sein, deren Produktion oder Nachfrage nach Waren oder Dienstleistungen saisonal bedingt ist.

Um den saisonalen Index zu berechnen, nehmen Sie die durchschnittliche Nachfrage für eine bestimmte Jahreszeit und dividieren diese durch die durchschnittliche Nachfrage aller Jahreszeiten. Diese Durchschnittswerte werden normalerweise mit einer Methode des gleitenden Durchschnitts berechnet, aber eine exponentielle Glättung kann auch hier angewendet werden, indem nur Zeitreihendaten für die betreffende Jahreszeit verwendet werden. Ein daraus resultierender saisonaler Index kleiner 1 bedeutet eine unterdurchschnittliche Nachfrage, während ein Wert größer 1 eine überdurchschnittliche Nachfrage darstellt.

Um eine Vorhersage für die nächste Jahreszeit zu machen, wird die prognostizierte Nachfrage für diese Jahreszeit mit dem entsprechenden saisonalen Index multipliziert.

Kausalmodelle sind ein mathematischer Ausdruck von kausalen Zusammenhängen in Daten. Diese Forecasting-Modelle können für Prognosen mit einem längeren Zeithorizont geeignet sein.

Regression-Modelle

Regressionsbasierte Modelle analysieren die Beziehung zwischen einer Prognose oder abhängigen Variable und einer oder mehreren Prädiktor- oder unabhängigen Variablen. Ein Beispiel für ein Regression-Modell ist die lineare Regression, die eine lineare Beziehung zwischen einer Prognosevariablen und einer Prädiktorvariablen darstellt.

Ökonometrische Modelle

Ökonometrische Modelle ähneln Regression-Modellen, konzentrieren sich aber auf wirtschaftliche Variablen wie Zinssätze und Inflation sowie auf wirtschaftliche Beziehungen wie Marktbedingungen und Asset-Preise.

Quantitatives Forecasting bietet folgende Vorteile:

• Es basiert auf Zahlen und Mathematik, was zu objektiveren Vorhersagen führen kann. 

• Es liefert konsistente, wiederholbare und strukturierte Ergebnisse, die dazu beitragen, die Analyse über bestimmte Zeiträume hinweg zu optimieren.

Doch dieser Forecasting-Ansatz birgt auch einige Tücken:

• Es ist schwierig, Expertenwissen, Insiderinformationen und andere qualitative Daten zu quantitativen Prognosen zusammenzufassen.

• Es wird eine ausreichende Menge historischer Daten benötigt, um zuverlässige Vorhersagen zu treffen.

Beim Forecasting werden KI und Algorithmen des maschinellen Lernens für quantitative Forecasting-Methoden wie Zeitreihen-Forecasting und Regression-Modelle eingesetzt. KI-Prognosen können riesige Datenmengen verarbeiten, schnelle Berechnungen durchführen, komplexe Vorhersagen treffen und Zusammenhänge schnell aufdecken.

Im Folgenden finden Sie einige gängige Modelle und Techniken des maschinellen Lernens, die bei KI-Forecasting verwendet werden:

• Entscheidungsbäume
• Deep Learning
• Ensemble-Lernen fasst mehrere Lernende zusammen, um die Vorhersageleistung zu verbessern
• KNN-Algorithmus (K-Nearest-Neighbors)
• Neuronale Netze

Beim Einsatz von KI-Forecasting ist es wichtig, die Ausrichtung eines Modells auf die Forecasting-Ziele eines Unternehmens zu bewerten. Überwachen Sie die Leistung des Modells regelmäßig, um festzustellen, ob es mit neuen Daten neu trainiert oder zur Optimierung seiner Leistung feinabgestimmt werden muss. Überlegen Sie auch, ob ein Modell erklärbar ist, sodass alle Stakeholder verstehen können, wie Vorhersagen getroffen wurden und wie diese Vorhersagen zu interpretieren sind.

Forecasting kann in verschiedenen Geschäftsbereichen implementiert werden:

Forecasting-Software bietet erweiterte Funktionen, wie z. B. die Integration von Daten aus verschiedenen Quellen und die Analyse von Interaktionen zwischen mehreren Variablen. Diese können Unternehmen dabei helfen, zuverlässige Prognosen zu entwickeln und Forecasting-Modelle und -Simulationen effizient zu aktualisieren und zu verwalten. Andere Forecasting-Tools verfügen ebenfalls über integrierte KI-Funktionen zur Automatisierung von Workflows, zur Verbesserung der Genauigkeit und zur Beschleunigung des Prozesses.