Was ist Prognose?
Forecasting ist die Vorhersage der zukünftigen Nachfrage auf Basis von historischen Daten, saisonalen Einflüssen und Trends. Eine Prognose ermöglicht es Ihnen, Kaufentscheidungen zu treffen und mit Ihren Lieferanten über Bestellungen, Lieferzeiten und Produktpreise in Kontakt zu bleiben. Auf diese Weise bilden Informationen über Ihren Einkauf in einem bestimmten Zeitraum den Anfang der Lieferkette. Experten sagen: „Prognose bestimmt den Rhythmus der Lieferkette“.
Warum sind Prognosen in der Bestandsverwaltung wichtig?
Die Vorhersage des Kundenverhaltens und der Marktnachfrage ist wichtig für Ihr Unternehmen. Eine genaue Prognose hilft Ihnen, diese Konzepte in Kaufentscheidungen umzusetzen. Auf diese Weise können Sie Ihr Wissen über das Kundenverhalten und die Marktnachfrage nutzen, um die kommenden Jahre zu „prognostizieren“ und Ihr Lagermanagement in Ordnung zu bringen.
Wenn Sie mit Ihrem Unternehmen skalieren möchten, müssen Sie bestimmte Dinge automatisieren. Datengetriebene Prognosemodelle können Ihrem Unternehmen dabei helfen. Das KI-Prognosemodell von Optiply verfolgt Ihre Einkaufsagenda in Echtzeit und lässt Sie sich vom „Kaufen nach Gefühl“ verabschieden. Damit eine falsche – menschliche – Entscheidung nicht direkt dazu führt, zu viel oder zu wenig Lagerbestand zu kaufen.
Haben Sie zu viel eingekauft, führt dies zu höheren Lagerkosten und wirkt sich negativ auf den Cashflow aus. Auch ein zu geringer Lagerbestand kann unangenehme Folgen für Ihr Unternehmen haben, denn wenn Sie keine Ware zum Verkaufen haben wirkt sich das negativ auf den Servicegrad Ihres Unternehmens aus. Eine geringere Kundenzufriedenheit kann dazu führen, dass Ihre Kunden zu einem Wettbewerber wechseln. Dies kann zu Umsatzeinbußen für Ihr Unternehmen führen.
Was bringt die Prognose?
Prognosen helfen Ihnen beim Priorisieren. Eine ABC-Analyse kann dabei helfen, indem sie aufzeigt, welche Produkte zur beliebtesten A-Kategorie gehören, welche Produkte zur B-Kategorie gehören und welche Artikel wenig Einfluss auf Ihren Umsatz haben: die C-Kategorie. Eine ABC-Analyse macht Ihr Lagermanagement effektiver und leitet Ihre Kaufentscheidungen. Fehlentscheidungen können zu veralteten Lagerbeständen führen, was bedeutet, dass die Produkte in Ihrem Lagerbestand keinen oder nur einen geringen Einfluss auf Ihren Umsatz haben. Oder sie bewirken, dass Ihr Sicherheitsbestand aus den falschen Produkten besteht. Dies ist der Bestand, der als Puffer fungiert, um unerwartet erhöhte Nachfrage und/oder Versorgungsprobleme aufzufangen.
Darüber hinaus geben Prognosen Ihrer Geschäftstätigkeit Struktur. Sie stellen sicher, dass Sie über genügend verkaufsfähige Produkte verfügen, rechtzeitig eine Marketingkampagne starten und genügend Lagerpersonal einplanen.
Forecasting ermöglicht es Ihnen auch, mit Ihren Lieferanten über zukünftige Bestellungen, Lieferzeiten und Preise zu verhandeln. Auf diese Weise funktioniert die Prognose auch „vorgelagert“ – mit Lieferanten und Produzenten – in der Lieferkette. Eine Prognose liefert also weit mehr als nur eine Prognose für ein Produkt oder eine Produktgruppe. Es liefert Input in den Einkaufsprozess und lässt Ihr Unternehmen und die gesamte Lieferkette besser funktionieren.
Was sind die am häufigsten verwendeten Prognosemodelle?
Eine genaue Prognose gibt Ihren Kaufentscheidungen, Ihrer Bestandsverwaltung und Ihrem Geschäftsbetrieb die Richtung vor. Ein Prognosemodell strukturiert Ihre Prognose und Sie wählen sie anhand der folgenden Elemente aus: Branche, Periodenindikatoren, Produktgruppe und Produkte. Im Folgenden erläutern wir die globale Funktionsweise von drei „manuellen“ Prognosemodellen und zeigen, wie sich diese Nachfragemodelle „bewegen“.
Lineare Trendprognose
Die lineare Trendprognose ist eine gute Wahl für den regelmäßigen Anstieg und Rückgang der Marktnachfrage. Dieses statische Modell ist geeignet, wenn sich die Nachfrage wenig ändert und sich entlang einer konstanten Linie bewegt. Deshalb eignet sich dieses Modell gut für junge Unternehmen, die wenig Daten zur Verfügung haben.
In der folgenden Tabelle sind die orangefarbenen Zellen historische Daten (vorherige Monate) und die rosafarbenen Zellen zeigen die Prognose (kommende Monate). Es wird prognostiziert, dass die Nachfrage im Einklang mit den ersten vier Monaten (linear ansteigende Linie in der Grafik) weiterhin allmählich steigen wird.
Einzelne exponentielle Glättungsprognose (ES-Modell)
Dieses Modell ist eines der am häufigsten verwendeten kurzfristigen Prognosemodelle und Sie können es verwenden, wenn Sie vom Trend überzeugt sind, aber unerklärliche Abweichungen in der Trendlinie sichtbar sind (siehe Diagramm „J-1 aktuell“). Sie verwenden einen Glättungsfaktor, der auf der Zuverlässigkeit Ihrer Daten basiert. Ein niedriger Faktor zeigt an, dass Sie wenig Vertrauen in Ihre historischen Bedarfsdaten haben und wann die Abweichungen auftreten. Sie beschließen, die Daten zu „glätten“, sodass Sie ein stabiles, schrittweises Prognosediagramm erhalten (siehe J-1-Prognose). Wenn Sie einen höheren Gewichtungsfaktor wählen, haben Sie mehr Vertrauen in Ihre Bedarfsdaten und die Abweichungen sind sichtbarer. In diesem Fall verleihen die Abweichungen Ihrem Diagramm einen unregelmäßigeren Verlauf.
Prognosemodell für die Saisonalität
Das Saisonabhängigkeitsmodell wird verwendet, um Zunahmen und Abnahmen der Nachfrage vorherzusagen, die jedes Jahr ungefähr zur gleichen Zeit auftreten. Daher benötigen Sie historische Daten aus mindestens zwei Jahren, um zu verstehen, dass die Abweichungen saisonbedingt sind. Die Basis ist eine lineare Prognose, aber Sie passen das Modell an, um die Saisonalität anzuzeigen. Damit Sie nicht ständig unter oder über der Realität „vorhersagen“ (siehe die gelbe J-Linie in der Grafik).
Nehmen Sie die Jahressumme und bestimmen Sie pro Monat einen saisonalen Index basierend auf dem Profil der Verkäufe der letzten zwei Jahre. Dann multiplizieren Sie diesen saisonalen Index mit der prognostizierten Jahressumme aus dem linearen Modell. Das Ergebnis ist eine lineare Prognose mit Saisonabhängigkeit (siehe die grüne J-Linie im Diagramm).
KI-Prognosemodell
Die drei oben beschriebenen Methoden sind nur eine kleine Auswahl der verfügbaren Prognosemodelle. Es kann ziemlich viel Recherche erfordern, um das richtige Modell für die gewünschte Prognose zu finden. Optiply führt mehr als 40 Modelle in einem KI-Prognosemodell zusammen, damit Sie als Einkäufer und/oder Unternehmer Ihre Aufmerksamkeit auf Themen lenken können, bei denen menschlicher Einfluss entscheidend ist. Arbeiten Sie an internen Geschäftsprozessen, Bestandsoptimierung und Ihrem Lieferantenmanagement.
Wie sieht der Prognoseprozess aus?
unerlässlich. Stellen Sie sicher, dass Ihre Bestandsverwaltung in Ordnung ist und dass Sie über zuverlässige Daten verfügen. Seien Sie sich bewusst, dass Ihre Prognose jedes Mal besser wird, wenn Sie die Kontrolle über die von Ihnen verwendeten Daten gewinnenund behalten. Ihr ultimatives Ziel ist es, die Lücke zwischen Vorhersage und Realität zu minimieren.
Prognosesoftware sorgt dafür, dass alle Daten richtig zusammengeführt werden, damit Sie interne und externe Daten analysieren können. Auf diese Weise können Sie sofort damit beginnen, Ihre Kaufentscheidungen und Ihr Lagermanagement zu verbessern. Im Folgenden beschreiben wir den Prognoseprozess in fünf Schritten.
1. Kennen Sie Ihren Markt und Ihre Zielgruppe
Kennen Sie Ihren Markt und Ihre Zielgruppe. Die Nachfrage von B2B-Kunden ist oft stabiler als die Nachfrage von Verbrauchern (B2C). Sie unterliegt durch den Einfluss von Jahreszeiten und Trends einem stärkeren Wandel.
2. Daten sammeln
Sammeln und speichern Sie Daten in einem internen System (ERP oder WMS). Mittels einer ABC-Analyse können Sie Produktkategorien analysieren, sodass Sie wissen, auf welche Produktgruppen und Produkte Sie sich konzentrieren sollten.
3. Wählen Sie das richtige Prognosemodell
Nutzen Sie den Input Ihres Vertriebsteams, beispielsweise wenn Sie wenig historische Daten oder relativ wenige Kunden haben. Andererseits können Sie die Daten in Ihrem internen System verwenden. Betrachten Sie den Gesamtmarkt und Ihren Marktanteil (top-down) oder schauen Sie sich den Umsatz pro Produkt und Kunde an und schätzen Sie Ihren Gesamtumsatz (bottom-up). Bestimmen Sie den Zeitraum (z.B. monatlich) und die Dauer (z.B. ein Jahr). Anschließend finden Sie das Verkaufsmuster heraus, sodass Sie das Modell auswählen können, welches dem Fragetyp entspricht.
4. Testen Sie Ihre Prognose
Sammeln Sie die Daten unternehmensweit. Denken Sie daran, dass mehr Indikatoren, Formeln und Stakeholder eine manuelle Prognose komplexer machen. Prüfen Sie dann, ob die Ergebnisse im Vergleich zu Ihrem aktuellen Umsatz realistisch sind und ob die Prognose marktsynchron ist oder abweicht.
5. Wiederholen Sie den Vorgang
Analysieren Sie weiter und halten Sie die Prognose „am Leben“. Wenn Größe und Richtung der Prognose über einen bestimmten Zeitraum abweichen, stellen Sie sicher, dass Sie die Bestandsvariablen (Größe) anpassen oder die Abweichungen in positiver/negativer Richtung (Richtung) analysieren.
Auch innovativ mit Optiply?
Möchten Sie wissen, wie Ihr Shop innovative Bestandsoptimierung anwenden kann? Vereinbaren Sie eine Demo mit uns. Innerhalb von 30 Minuten wissen Sie, wie KI und Prognosemodelle auf innovative Weise für mehr Umsatz und weniger Zeitaufwand im Einkauf eine Rolle spielen.