Ein besserer Forecast braucht sichtbare Annahmen, einen einfachen Benchmark und eine echte Prüfung auf neuen Perioden. Ein auf das Ziel angepasster Forecast verliert seine Frühwarnfunktion.
Für Finanzleitung, Controlling und Verantwortliche für Finanzprozesse. Quellen sind an den jeweiligen Aussagen und am Ende des Beitrags verlinkt. Die Arbeitsmodelle stammen von Praxishebel; Rechenbeispiele sind fiktiv.
Plan, Forecast und Szenario erfüllen unterschiedliche Zwecke
Ein Plan oder Budget beschreibt Ziel und Ressourcenentscheidung. Ein Forecast beschreibt die derzeit bestmögliche Erwartung. Ein Szenario fragt: „Was wäre, wenn eine bestimmte Annahme eintritt?“ Ein Prognoseintervall beschreibt Unsicherheit um eine Vorhersage. Diese Größen dürfen in einer Managementrunde zusammenstehen, aber nicht als dieselbe Zahl ausgegeben werden. Hyndman und Athanasopoulos erläutern die Grenzen und Methoden des Forecastings in ihrem frei zugänglichen Fachbuch [1].
Der Unterschied ist praktisch: Wenn das Absatzziel 2.000 Stück beträgt, die aktuelle Prognose aber 1.800, bleibt die Lücke von 200 Stück sichtbar. Wer den Forecast aus politischem Druck auf 2.000 hochschreibt, entfernt lediglich das Signal. Diese Redaktionsempfehlung folgt dem Kapitel 2.4 des Praxishebel-Buchprojekts.
Für jeden wichtigen Treiber eine Annahme dokumentieren
Wählen Sie wenige Faktoren, die die Zielgröße tatsächlich bewegen: Absatz, Preis, Auslastung, Zahlungsziel oder Personalkapazität. Für jede Annahme dokumentieren Sie Wert, Stichtag, Datenquelle, Eigentümer, Gültigkeit und bekannte Unsicherheit. Prüfen Sie, ob Vertriebsdaten, gebuchte Ist-Werte und Produktionskapazität denselben Horizont beschreiben. Datengenauigkeit allein reicht nicht, wenn die Semantik der Kennzahlen auseinanderläuft; die ISO-8000-Reihe behandelt Datenqualität auch als Frage von Bedeutung und Austausch [2].
Fiktiv: 2.000 Stück × 100 € ergeben einen Ausgangsumsatz von 200.000 €. Im Folgemonat wird die Menge auf 1.800 gesenkt. Das Protokoll vermerkt, ob Aufträge verschoben wurden, eine Annahme geändert wurde oder die alte Datenbasis falsch war. Nur so lässt sich später aus Fehlern lernen.
Eine einfache Prognose als Messlatte verwenden
Komplexe Verfahren müssen sich gegen eine einfache, zur Datenstruktur passende Baseline behaupten, etwa „letzter beobachteter Wert“ oder „gleicher Saisonmonat des Vorjahres“. Hyndman und Athanasopoulos empfehlen für die Beurteilung von Prognosegenauigkeit echte Testdaten außerhalb der Modellanpassung; Trainingsresiduen sind kein Ersatz [3]. Für wiederholte Aktualisierungen eignet sich eine zeitlich vorwärts laufende Validierung [4].
Bewerten Sie bei gleicher Zielgröße und gleichem Horizont zum Beispiel den mittleren absoluten Fehler: MAE = Summe der absoluten Prognosefehler / Anzahl der Perioden. Ein Prozentfehler kann bei Ist-Werten nahe null unbrauchbar werden. Zusätzlich relevant sind systematische Über- oder Unterschätzung, Pünktlichkeit der Prognose und die Entscheidungen, die damit getroffen werden.
Manuelle Änderungen als eigene Hypothese führen
Fachleute wissen manchmal etwas, das in historischen Daten noch nicht steckt: ein Großauftrag, eine Lieferunterbrechung, eine Preisaktion. Ein Override sollte daher Referenzwert, geänderten Wert, Begründung, Informationsquelle, Person und Zeitpunkt enthalten. Anschließend vergleichen Sie die Prognose mit und ohne Änderung anhand späterer Ist-Werte. Hyndman und Athanasopoulos beschreiben sowohl den möglichen Nutzen als auch Verzerrungen solcher menschlichen Anpassungen [5].
Eine „Managementkorrektur“, die nur das Ziel trifft, ist keine belegte neue Information. Lassen Sie freie Änderungen zu, aber messen Sie ihren Beitrag. So entsteht eine Lernschleife, ohne Fachurteil durch ein Modell zu ersetzen.
Unsicherheit und Handlung verbinden
Beispiel: Die mittlere Erwartung liegt bei 1.800 Stück. Ein Lieferrisiko-Szenario prüft 1.600, ein beschleunigter Auftragseingang 2.000. Das sind bewusst gesetzte Bedingungen, kein statistisch kalibriertes Prognoseintervall. Zeigen Sie, welche Beschaffungs- oder Personalentscheidung bei welchem Fall anders wäre.
Wenn Sie Intervalle angeben, überprüfen Sie über wiederholte Zeitpunkte, wie oft Ist-Werte tatsächlich innerhalb des angegebenen Bereichs liegen. Das trennt kommunikative Sicherheit von gemessener Kalibrierung. Halten Sie die Freigabe beim für die Entscheidung zuständigen Team.
Das richtige Fehlermaß für die richtige Entscheidung wählen
Der mittlere absolute Fehler MAE ist leicht zu erklären, aber auf Größen mit verschiedener Skala nicht direkt vergleichbar. Prozentfehler wie MAPE werden bei kleinen Ist-Werten instabil oder undefiniert. Ein skaliertes Maß wie MASE vergleicht den Fehler mit einem einfachen Referenzverfahren; Hyndman und Athanasopoulos erläutern die Voraussetzungen und Berechnung [3]. Für eine Liquiditätsentscheidung kann zudem ein systematisch zu optimistischer Fehler gravierender sein als ein gleich großer pessimistischer Fehler.
Berichten Sie daher neben dem Gesamtmaß die Richtung der Fehler, betroffene Geschäftsbereiche und den Prognosehorizont. Eine Verbesserung für den nächsten Monat kann eine Verschlechterung für das nächste Quartal verdecken. Dokumentieren Sie, zu welchem Datenstand die Prognose erzeugt wurde; ein nachträglich mit neuen Informationen aktualisierter Wert darf nicht wie eine ursprüngliche Vorhersage bewertet werden. Der Modellvergleich soll die Entscheidung verbessern und kein Schönheitswettbewerb zwischen Verfahren sein.
Ein Vier-Wochen-Test
Wählen Sie eine wesentliche Zielgröße und einen festen Prognosehorizont. Archivieren Sie vier aufeinanderfolgende Prognosestände einschließlich Annahmen, Baseline und Overrides. Vergleichen Sie nach Eintritt der Ist-Werte Fehler und Richtung. Bei nur vier Beobachtungen ist das ein erster Lernversuch, kein belastbarer Vergleich zwischen vielen Modellen. Setzen Sie ihn fort, bevor Sie eine allgemeine Verbesserung behaupten.
Quellen und Einordnung
Die Quellen stützen die fachlichen Grundsätze an den gekennzeichneten Stellen. Die konkreten Prüffragen, Abläufe und fiktiven Berechnungen sind redaktionelle Praxishebel-Arbeitshilfen.
- Hyndman / Athanasopoulos, Forecasting: Principles and Practice, 3. Auflage (online)
- ISO 8000-110:2021, semantische Kodierung und Austausch von Stammdaten
- Hyndman / Athanasopoulos, Evaluating point forecast accuracy
- Hyndman / Athanasopoulos, Time series cross-validation
- Hyndman / Athanasopoulos, Judgmental adjustments
