Die Nachfragenprognose: Von der traditionellen Statistik zu prädiktiven Systemen

Die größte Unbekannte eines jeden Unternehmens ist, wie viel es verkaufen wird. Das hängt ab von der Nachfrage des Marktes. Die Nachfrage bestimmt die Aufgaben der Produktion, der Lagerung, des Vertriebs, des Einkaufs, der Instandhaltung, des Personals uvm. Die gesamte Organisation ist davon betroffen, da die Abteilungen, die durch den Verkauf bedingt sind, über die Lieferkette selbst hinausgehen.

Unter den Produkten gibt es solche die „stabil“ sind, das heißt sie haben eine geringere Fluktuation an Anforderungen. Dadurch können genaue Prognosen auf Grundlage der historischen Aktivität getroffen werden. Allerdings erhöht die Nachfrage ihre Volatilität als Folge, durch den raschen Verbrauch von Trends und Moden. Auch die häufigeren Wetterschwankungen, bewirken eine Veränderung im Marktverhalten. Zum Beispiel können im Winter Heizungen durch das Aufkommen von wärmeren Temperaturen als üblich schlechter verkauft werden oder die Nachfrage steigt in einer Kältewelle außerhalb der üblichen Monate.

Ein Beispiel für unerwartete und massive Nachfrage ist sehr aktuell. Das durch die COVID-19-Krise ausgelöste Bedürfnis, häufig ins Freie zu gehen, soziale Beziehungen zu meiden und länger drinnen zu bleiben, löste die Nachfrage nach Schwimmbädern und Fahrrädern aus, die sowohl in den physischen als auch in den Online-Verkaufskanälen ausverkauft blieben und erhebliche Wartelisten anhäuften. Aber der größte Schock für viele war der plötzlich massive Verkauf an Klopapier der so nicht erwartet wurde.

Ereignisse wie die Pandemie, die wir gerade erleben, sind nicht vorhersehbar, aber es ist möglich, die Bedürfnisse der Bevölkerung kurz- und langfristig abzuschätzen. Die Beschränkung in China, gefolgt von denen in Italien, gab der Welt viele Hinweise darauf, wie der Verlauf im eigenen Land aussehen würde.

Mit Bedarfsprognose– oder Vorhersagesystemen wäre es nicht möglich gewesen, eine 100%ige Genauigkeit bei den Schätzungen zu erreichen, aber sie wären effektiv genug gewesen, um das Angebot der Industrie weitgehend an die Bedürfnisse der Verbraucher anzupassen. Wie der Name schon sagt, erstellen diese Tools Prognosen oder zukünftige Vorhersagen des Verkaufsverhaltens, basierend auf objektiven Daten, die je nach gewähltem Schätzsystem unterschiedlich sind. Schauen wir uns die Optionen an, die wir haben, und ihre optimale Anwendungsumgebung.

Traditionelle statistische Vorhersage

Statistische Prognosen werden seit Jahrzehnten verwendet, um den Umsatz auf der Grundlage historischer Aktivitäten zu schätzen. Diese Systeme basieren auf der Prämisse, dass das, was in früheren Kampagnen passiert ist, mit hoher Wahrscheinlichkeit auch in den kommenden Kampagnen passieren wird. Es wird davon ausgegangen, dass die Kampagnen stabil sind und keine unerwarteten Ereignisse oder Situationen eintreten, die zu Umsatzeinbrüchen oder erheblichen Nachfragesteigerungen führen können, auf die nicht reagiert werden kann.

Bedarfsplanung mit maschinellem Lernen

Der Einsatz von maschinellem Lernen zur Bedarfsplanung basiert auf der Verwertung von Daten auf höchstem Niveau, d. h. es werden sowohl interne als auch externe Datenquellen benötigt, um genaue Prognosen erstellen zu können. Im Gegensatz zur traditionellen statistischen Analyse ermöglicht der Einsatz von künstlicher Intelligenz die Extraktion von Informationen aus internen und kontextbezogenen Quellen und die Arbeit mit strukturierten Daten (historische Verkäufe, Einkäufe, Finanzdaten usw.) und unstrukturierten Daten (Wettervorhersagen, Trendanalysen, Marketingaktionen usw.).

Maschinell lernende Systeme sammeln alle verfügbaren Daten, und wir sprechen hier von tausenden von Daten (Big Data), behandeln sie mit mathematischen Algorithmen und ermitteln Muster, aus denen sie die erfassten Elemente in Informationen umwandeln. Bei jeder dieser Aktionen lernen die maschinellen Lernmodelle Verhaltensweisen und passen ihre Vorhersagen an, wodurch eine höhere Effizienz ermöglicht wird. Dieser Sprung in der Automatisierung und Genauigkeit erfordert jedoch mehr technische Ressourcen und die Implementierung durch technische Data-Science-Teams.

Jedes System ist für bestimmte Geschäfts- und Marktbedingungen geeignet, wobei maschinelles Lernen in Situationen effektiver ist, in denen die Arbeit mit historischen Aktivitäten nicht möglich ist, wie z. B.:

•     die Planung von unstabilen und wechselnden Anforderungen

•     die Markteinführung neuer Produkte

•     und kurz- und mittelfristige Prognosen.

Bedarfsprognose

Die Nachfrageprognose macht einen wichtigen Sprung von Modellen, die den Absatz prognostizieren, zu solchen, die die Nachfrage vorhersagen. Die Nuance mag klein erscheinen, aber sie ist sehr wichtig. Modelle, die auf Nachfrageprognosen basieren, schätzen die Nachfrage, die auftreten kann, was keine völlige Gewissheit bedeutet, während die neuen Modelle vorhersagen, was passieren wird, was das Verhalten der Käufer sein wird, abhängig von den Umständen des Marktes, der Wirtschaft, der Gesellschaft … die Reaktionsfähigkeit auf unvorhergesehene Ereignisse, die die Marktbedingungen ändern. Das Forecasting ermöglicht es, jene Gewissheit zu erlangen, die die Vorhersage nicht bietet, denn sie schätzt nicht, sondern zeigt mit hoher Effizienz den zukünftigen Bedarf.

Um Vorhersagen treffen zu können, benötigen wir wiederum Daten. Je mehr und je besser die Qualität dieser Daten ist, desto genauer sind die Informationen, auf die sich Teams verlassen können, um Geschäftsprozesse zu steuern. Wir arbeiten daher mit internen und externen Quellen: ERP, CRM, Sensoren, Arbeitskalender, Wirtschaftsindikatoren, Meteorologie, historische Aktivitäten, Markttrends, Werbekampagnen… die mit prädiktiven Algorithmen behandelt werden, um sie in Qualitätsinformationen über die zukünftige Marktnachfrage umzuwandeln.

Bedarfsprognosesysteme zeigen ihre maximale Effizienz und Nützlichkeit bei mittel- und langfristigen Strategien. Sie zeigen auch großartige Ergebnisse bei der Erstellung von Vorhersagen in volatilen und sich verändernden Umgebungen und bei der Einführung neuer Produkte, für die es einen Mangel an vorherigen Informationen gibt, da sie eine Vielzahl von endogenen und exogenen Variablen berücksichtigen, um vorherzusagen, was passieren wird, mit einem hohen Grad an Korrelation mit der zukünftigen Realität.

Fazit

Es besteht kein Zweifel, dass die Verwertung von Daten in der Unternehmensführung unverzichtbar ist. Heute, im Zeitalter von Big Data und künstlicher Intelligenz, werden Unternehmen, die sich dieser Revolution nicht anschließen, nicht mehr wettbewerbsfähig sein. Allerdings ist jedes Tool für eine bestimmte Art von Produkt und Aktivität geeignet. Bevor man sich also für ein Prognose-, Schätz- oder Vorhersagesystem entscheidet, ist es notwendig, die intrinsischen Bedingungen des Unternehmens selbst, seiner Produkte und Märkte zu untersuchen, um die am besten geeignete und effektivste Option für jede Produktionsumgebung zu wählen.