Nachfrage prognostizieren und Sicherheitsbestand bemessen – ohne Unsicherheit zu verstecken

Ein Bestandsplan beginnt mit zwei verschiedenen Fragen: Welche Nachfrage kann kommen? und Welchen Puffer willst du finanzieren, falls es anders kommt? Wer beides in eine unerklärte Bestellgrenze presst, versteckt genau die Annahmen, auf die es ankommt. Im Rechenbeispiel unten bekommt ein Artikel, der rund 10 Einheiten pro Woche verkauft, einen Sicherheitsbestand von 18 Einheiten, einen Zielbestand von 48, eine Lücke von 23 Einheiten bis zum Ziel – und allein im Puffer sind 72 $ gebunden. Jede dieser Zahlen folgt aus einer Annahme, die du siehst und ändern kannst.

Mit brauchbarer Historie beginnen

Eine Woche mit echten Nullverkäufen ist eine Information. Eine Woche, in der der Artikel nicht verfügbar war, ist kein Beweis, dass ihn niemand wollte. War ein Filter am Dienstag ausverkauft und wurde bis Wochenende nichts mehr verkauft, lernt jede Prognosemethode aus einer „0“, dass die Nachfrage gefallen ist – und der nächste Puffer wird genau dort zu klein, wo der Artikel schon einmal fehlte.

Deshalb solche Perioden getrennt kennzeichnen:

• Vollständige Periode – der Artikel war verfügbar, die Periode ist abgeschlossen. Eine Null ist hier eine echte Null.
• Fehlbestand – der Artikel war ausverkauft. Die Periode ist eine Lücke, keine Null.
• Verfügbarkeit unbekannt – nicht feststellbar. Ebenfalls eine Lücke.
• Offene Periode – die laufende Woche. Sie wird prognostiziert, aber nicht als Historie verwendet.

Fehlende Daten dürfen auch nicht still zu Nullen werden. Fehlen im Export zwei Wochen, weil die Kasse einer Filiale offline war, sind diese Wochen fehlend – nicht „ohne Verkauf“. Und Retouren sind keine negative Nachfrage: Korrigiere zuerst die Quellhistorie (etwa Retouren aus der Woche des ursprünglichen Verkaufs herausrechnen) und notiere, wie.

Im fiktiven Demo-Geschäft hatte ein Artikel in den letzten Monaten zwei Wochen Fehlbestand und eine Woche mit unbekannter Verfügbarkeit. Sein jüngster lückenloser Abschnitt vollständiger Wochen ist nur 11 Wochen lang – also verweigert das Tool die Pufferschätzung, statt so zu tun, als wären die Lücken Nullen gewesen.

Einfache Methoden vergleichen, bevor es kompliziert wird

Letzter Wert, gleitender Durchschnitt, exponentielle Glättung und saisonale Wiederholung liefern aus derselben Historie sehr unterschiedliche Ergebnisse. Ehrlich wählen heißt: alle anwendbaren Methoden auf denselben vergangenen Perioden testen und jede Testprognose nur mit dem trainieren, was vor ihrem Datum bekannt war. Sonst verrät der Test der Prognose die Antwort.

Genau das macht ein Backtest mit rollierendem Ursprung. Man nimmt die letzten 12 vollständigen Wochen (oder ein Viertel der Historie, wenn das weniger ist – mindestens aber 4). Für jede dieser Wochen wird jede Methode auf den Wochen davor angepasst und prognostiziert einen Schritt voraus. Dann werden die Abweichungen verglichen.

Für den Lehrartikel „Filter A“ aus der Demo mit 52 Wochen Historie (eine davon Fehlbestand) ergab der Ein-Schritt-Test über dieselben 12 vergangenen Wochen:

Der 13-Wochen-Durchschnitt gewinnt; seine Prognose liegt konstant bei 10 Einheiten pro Woche. Was nicht in der Tabelle steht: die saisonale Wiederholung über 52 Wochen. Sie braucht zwei volle Jahre vollständiger Historie – 104 Wochen –, der Artikel hat 51 vollständige Wochen. Ein Tool, das hier trotzdem eine „Saisonprognose“ zeigt, erfindet ein Muster, das es nie zweimal gesehen hat.

Zwei Regeln halten den Vergleich fair. Erstens wird eine Methode nur gerankt, wenn sie in jeder Testperiode anwendbar war; lässt sich ein gleitender Durchschnitt in einer Woche mit Fehlbestand im Fenster nicht berechnen, bekommt er keine Note auf weniger, leichteren Wochen. Zweitens werden Gleichstände nach einer festen Regel aufgelöst (kleinerer RMSE, dann feste Reihenfolge) – dieselbe Datei in anderer Zeilenreihenfolge liefert dasselbe Ergebnis.

Einen Fehler verwenden, den man deuten kann

Der mittlere absolute Fehler (MAE) beschreibt die durchschnittliche Abweichung in Nachfrageeinheiten: „Wir liegen meist 1,9 Einheiten daneben.“ Die Verzerrung (Bias) zeigt die Richtung – eine dauerhaft zu hohe Prognose füllt das Regal mit Geld. Der RMSE bestraft große Abweichungen stärker als kleine.

Prozentuale Fehler brauchen Vorsicht, wenn die tatsächliche Nachfrage null ist. Der gewichtete absolute Prozentfehler (WAPE: Summe der absoluten Fehler geteilt durch die Summe der Ist-Nachfrage) eignet sich zum Vergleich unterschiedlich großer Artikel, aber bei null Ist-Nachfrage in den Testwochen fehlt der Nenner. Ein Modell darf dann keine beruhigenden 0 % zeigen; die ehrliche Antwort lautet „nicht verfügbar“.

Und klar sagen, was der Test misst: Er ist ein Ein-Schritt-Test. Er zeigt, wie gut eine Methode die nächste Woche aus den Vorwochen vorhergesagt hat – nicht, wie genau eine Prognose für sechs Monate ist.

Die Prognosespanne ehrlich halten

Ein schattiertes Band um die Prognose wirkt beruhigend. Für „Filter A“ lagen das 10. und 90. Perzentil der 12 historischen Ein-Schritt-Fehler bei −2 und +2,14; die Spanne für die nächste Woche reicht damit etwa von 8 bis 12,1 Einheiten. Das ist nützlicher Kontext, aber bitte richtig beschriftet: eine historische Ein-Schritt-Residuenspanne, kein kalibriertes Wahrscheinlichkeitsintervall für eine Sechs-Monats-Prognose. Mit weniger als 8 Testfehlern ist sie nicht berechenbar, und es sollte kein Band erscheinen.

Dann den Puffer prüfen

Der Sicherheitsbestand ist ein eigenes, näherungsweises Modell. Seine Annahmen solltest du ausdrücklich bestätigen: Nachfrage und Lieferzeit sind unabhängig und nicht negativ, ihre Parameter ausreichend stabil, und eine Normalverteilungsnäherung ist vertretbar. Unter diesen Annahmen tragen Schwankungen von Nachfrage und Lieferzeit zur Unsicherheit über die Schutzperiode bei – Lieferzeit plus Prüfintervall.

Angenommen, die mittlere Nachfrage beträgt zehn Einheiten pro Periode, ihre Standardabweichung zwei, die mittlere Lieferzeit drei Perioden mit einer Standardabweichung von eins, bei laufender Bestandsprüfung:

• Schutzperioden: T = 3 + 0 = 3
• Varianz: V = T·s² + μ²·sL² = 3 × 2² + 10² × 1² = 12 + 100 = 112
• Standardabweichung: σ = √112 ≈ 10,583
• Bei 95 % Zyklus-Servicegrad ist z = 1,644853627, also z·σ ≈ 17,41, aufgerundet auf ganze Einheiten: Sicherheitsbestand 18

Bei einer konstanten Prognose von 10 Einheiten beträgt die erwartete Nachfrage über 3 Schutzperioden 30, der Zielbestand 30 + 17,41 aufgerundet, also 48.

Beachte, woher die Varianz kommt: 12 der 112 stammen aus wöchentlichen Nachfrageschwankungen, 100 aus der unsicheren Lieferzeit. Kürzere oder verlässlichere Lieferungen helfen dem Puffer oft mehr als jede Prognosemethode.

Zwei praktische Details: Ist die Lieferzeit in Tagen erfasst, die Historie aber wöchentlich, rechne zuerst Tage in Wochen um (18 Tage sind 2,57 Wochen) und runde erst dann die Schutzperiode auf; 2,57 Wochen Lieferzeit plus eine Woche Prüfintervall ergeben 4 Schutzwochen, und das Ergebnis sollte die Rundung ausweisen. Bei Ware nach Gewicht oder Volumen wird der Puffer auf den Schritt aufgerundet, in dem du tatsächlich lagerst, etwa auf einen halben Liter.

Den Puffer bepreisen und die Lücke finden

Ist die Bestandsposition – Lagerbestand plus bestellt minus Rückstände – 20 + 10 − 5 = 25, fehlen bis zum Ziel 23 Einheiten. Bei 4 $ pro Einheit bindet allein der Puffer 72 $.

Eine Stufenleiter der Servicegrade macht die Abwägung für denselben Artikel greifbar:

Der Schritt von 95 % auf 99 % kostet bei diesem einen Artikel weitere 28 $ Bestand. Über ein Sortiment von einigen hundert Artikeln an mehreren Standorten ist das genau das Gespräch, das man mit Zahlen vor Augen führen sollte.

Das ist ein annahmebasiertes Planungsergebnis, keine Bestellung und keine Garantie für eine Lieferquote. „95 % Zyklus-Service“ heißt: Unter den genannten Annahmen enden etwa 95 % der Nachschubzyklen ohne Fehlbestand – nicht, dass 95 % der Einheiten geliefert werden.

Alles zusammen

„Nachfrageprognose und Sicherheitsbestand“ hält Prognose, historischen Test und Puffer-Ökonomie zusammen. Die feste Demo zeigt ein kleines Sortiment und ein mittelgroßes Beispiel mit mehreren Standorten: 240 Artikel an 4 Standorten über 104 Wochen, jeder Artikel mit eigener getesteter Methode und Pufferkapital je Währung. Für die anschließende Frage nach Packungen, Mindestmengen und einem begrenzten Einkaufsbudget gibt es den Stock Purchase Planner.

Demo von „Nachfrageprognose und Sicherheitsbestand“ öffnen