Prognosegüte: die Kennzahl, die kaum ein Mittelständler misst

Fragen Sie in einer Runde von Führungskräften nach der Prognosegüte des letzten Quartals — meistens erhalten Sie nachdenkliches Schweigen. Prognostiziert wird ständig: im Vertrieb, im Einkauf, im Budget. Aber kaum jemand schreibt diese Zahlen auf, friert sie ein und prüft drei Monate später, welche davon eigentlich gestimmt hat.

Das ist bemerkenswert, denn die Prognose steuert still die teuersten Entscheidungen im Unternehmen: was eingekauft wird, was produziert wird, wie viel Kapital im Lager gebunden ist. Und ein Prognosefehler verschwindet nie einfach. Er wird zu Expressfracht, Überstunden und Abschreibungen auf Ware, die niemand brauchte — oder zu leeren Regalen und Kunden, die still woanders bestellen.

Die gute Nachricht: Prognosegüte zu messen ist weder teuer noch kompliziert. Sie brauchen drei Zahlen und die Disziplin, jeden Monat draufzuschauen.

1. Bias: Liegen Sie systematisch in eine Richtung daneben?

Der Bias ist die einfachste und wertvollste der drei Zahlen. Nehmen Sie alle Prognosen einer Periode, vergleichen Sie sie mit der tatsächlichen Nachfrage und schauen Sie auf das Vorzeichen des Fehlers. Eine gesunde Prognose liegt ungefähr gleich oft zu hoch wie zu tief. Eine verzerrte Prognose irrt Monat für Monat in dieselbe Richtung.

Bias hat fast immer eine organisatorische Ursache, keine statistische. Der Vertrieb prognostiziert zu hoch, weil Optimismus belohnt wird und der Pipeline-Druck real ist. Die Operations prognostiziert zu tief, weil niemand derjenige sein will, der zu viel bestellt hat. Keine Seite lügt — beide reagieren auf Anreize.

Die nützliche Unterscheidung lautet: Eine Prognose, die zufällig danebenliegt, ist ein Statistikproblem. Eine Prognose, die immer 15 % zu hoch ist, ist ein Prozessproblem — und Prozessprobleme lassen sich lösen, sobald sie sichtbar sind.

2. Gewichteter MAPE: Wie groß ist der Fehler?

Der MAPE — Mean Absolute Percentage Error — beantwortet die Frage: „Um wie viel Prozent liegen wir im Schnitt daneben?“ Eine Prognosegüte von 92 % (ein MAPE von 8 %) heißt: Die Prognosen verfehlen die tatsächliche Nachfrage im Schnitt um 8 %, in beide Richtungen.

Zwei praktische Verfeinerungen sind wichtig:

• Gewichten Sie nach Umsatz oder Marge. Ein 40-%-Fehler bei einem C-Artikel, der zweimal im Jahr verkauft wird, darf nicht gleich zählen wie ein 10-%-Fehler beim Topseller. Der gewichtete MAPE (WMAPE) hält die Kennzahl ehrlich.
• Messen Sie auf der Ebene, auf der entschieden wird. Der Einkauf entscheidet je Artikel, also messen Sie je Artikel. Kapazitätsentscheidungen fallen je Produktfamilie, also verfolgen Sie auch diese Ebene. Aggregierte Güte sieht immer schmeichelhaft aus, weil sich Fehler gegenseitig aufheben — genau deshalb versteckt sie Probleme.

3. Forecast Value Added: Lohnt sich der Aufwand?

Diese Auswertung tut weh — und genau deshalb ist sie so nützlich. Vergleichen Sie Ihren Prognoseprozess mit der dümmsten denkbaren Messlatte: „Nächster Monat = Durchschnitt der letzten drei Monate“ oder, bei Saisongeschäft, „wie im Vorjahr“. Das nennt man eine naive Prognose, und sie kostet nichts.

Forecast Value Added (FVA) fragt: Schlägt jeder Schritt Ihres Prozesses — das statistische Modell, die Vertriebskorrektur, der Management-Eingriff — diese naive Prognose überhaupt? In vielen Unternehmen machen große Planungsrunden und manuelle Eingriffe die Prognose schlechter als die naive Basislinie. Wenn das bei Ihnen so ist, haben Sie mit einer einzigen Analyse freie Zeit und bessere Prognosen gefunden. In Konzern-Planungsorganisationen ist dieser Demutstest Standard; er verdient seinen Platz auch im Mittelstand.

So starten Sie — in Excel, noch diesen Monat

1. Frieren Sie die Prognose ein. Speichern Sie zu jedem Monatsende die aktuelle Prognose als Werte in ein Archivblatt. Überschreiben Sie niemals die Historie — der häufigste Grund, warum Unternehmen ihre Güte nicht messen können, ist eine „lebende“ Prognose, deren gestrige Zahlen weg sind.
2. Wählen Sie den relevanten Zeitversatz. Vergleichen Sie die Ist-Werte mit der Prognose von vor einer Wiederbeschaffungszeit. Wer mit drei Monaten Horizont bestellt, muss wissen, was er vor drei Monaten geglaubt hat.
3. Bauen Sie eine Pivot-Tabelle. Bias und WMAPE je Produktfamilie, im Zeitverlauf. Mehr Mathematik braucht der Anfang wirklich nicht.
4. Schauen Sie monatlich 30 Minuten drauf. Jeden Monat dieselben drei Diagramme. Besprechen Sie die fünf größten Abweichungen — nicht alle — und notieren Sie je eine Maßnahme.

Was „gut“ bedeutet

Vergessen Sie Branchen-Benchmark-Tabellen; Prognosegüte hängt zu stark von Sortiment, Granularität und Horizont ab, um zwischen Unternehmen vergleichbar zu sein. Was zählt, ist der Trend: ein Bias, der gegen null geht, ein WMAPE, der Quartal für Quartal sinkt, und Eingriffe, die nachweislich Wert stiften.

Fazit — Sie brauchen keine Software, um Prognosegüte zu messen. Frieren Sie jede Prognose ein, vergleichen Sie mit dem Versatz Ihrer Wiederbeschaffungszeit, verfolgen Sie Bias und gewichteten MAPE je Familie und schauen Sie monatlich drauf. Unternehmen, die das konsequent tun, bekommen innerhalb von zwei, drei Zyklen bessere Prognosen — nicht weil die Mathematik raffiniert wäre, sondern weil Prognosen plötzlich Verantwortliche haben.