Ein schlechter Forecast ist kein Personalproblem. Er ist fast immer ein Methodenproblem. Wer das versteht, kann aufhören, sein Team zu optimieren – und anfangen, seinen Ansatz zu verändern.
Stell dir vor, du bist Kapitän eines Schiffes. Um Kurs zu halten, schaust du ausschließlich durch das Heckfenster. Du siehst, wo du gewesen bist. Die Wellen von gestern. Den Hafen von vor drei Stunden. Du fährst trotzdem vorwärts, aber deine gesamte Navigationsgrundlage zeigt in die falsche Richtung.
Genau das tun die meisten mittelständischen Unternehmen mit ihrem Forecast. Sie schauen auf historische Verkaufszahlen, korrigieren manuell, arbeiten mit Erfahrungswerten – und wundern sich dann, warum die Planung regelmäßig scheitert. Der Rückspiegel ist wichtig. Aber er reicht nicht aus, um vorauszuschauen.
In diesem Artikel erkläre ich, warum das so ist, was die drei Stufen der Datenanalyse damit zu tun haben und – konkret – was du heute anders machen kannst. Ohne Data-Science-Team. Ohne Millionenbudget. Aber mit einer ehrlicheren Bestandsaufnahme dessen, womit du gerade arbeitest.
Dein Forecast-Modell arbeitet gegen dich. Schon die ganze Zeit.
Schau dir einmal an, wie dein aktueller Forecast entsteht. In den meisten mittelständischen Unternehmen sieht das so aus: Die Verkaufszahlen der letzten zwölf Monate landen in Excel. Jemand trägt Korrekturen ein – für die bekannte Saisonalität, für den Sonderauftrag vom letzten Jahr, der sich nicht wiederholt, für die Produktneuheit, die im Oktober lanciert wird. Dann wird ein Wert herausgerechnet. Manchmal stimmt er überraschend gut. Meistens nicht.
Das Problem ist nicht Excel. Und es ist nicht der Kollege, der den Forecast erstellt. Das Problem ist, dass dieser Ansatz strukturell dazu verdammt ist, ungenau zu sein – egal wie viel Erfahrung dahintersteckt.
Was in den meisten Unternehmen gerade passiert
Der typische Forecast-Prozess – und wo er bricht
Verkaufsdaten aus dem ERP werden manuell in eine Excel-Tabelle exportiert. Jemand aus dem Vertrieb oder der Disposition trägt seine Einschätzungen ein. Der Forecast wird in einer Besprechung besprochen – und dann oft doch wieder manuell angepasst, weil ein Vertriebsleiter ein Bauchgefühl hat.
Das Ergebnis: Der finale Planwert ist eine Mischung aus Vergangenheitsdaten und subjektiver Einschätzung. Er gibt keine Information darüber, wie sicher diese Schätzung ist. Und er berücksichtigt keine Signale, die im Unternehmen vorhanden, aber nicht sichtbar gemacht werden – wie veränderte Bestellrhythmen einzelner Großkunden, Lagerzeiten bei kritischen Lieferanten oder Website-Anfragen für Produkte, die noch gar nicht im regulären Sortiment sind.
Das ist kein Vorwurf. Es ist der aktuelle Stand in einem großen Teil des deutschen Mittelstands. Und es ist lösbar.
Der entscheidende Denkfehler ist dieser: Ein Forecast ist keine Vorhersage der Zukunft. Er ist das Ergebnis einer Methode. Und die Methode bestimmt, wie nah er der Realität kommt. Wer seine Methode nicht versteht, kann sie nicht verbessern.
Ein Forecast ist nicht falsch, weil die Zukunft unvorhersehbar ist. Er ist falsch, weil die Methode dahinter nicht zur Komplexität der Realität passt.
Dennis Schmal
Um zu verstehen, welche Methode du brauchst, musst du zunächst verstehen, welche Analyse-Stufe du heute nutzt – und warum das nicht ausreicht.
Deskriptiv, prädiktiv, präskriptiv: Wo du stehst – und wo du hinmusst.
In der Datenanalyse gibt es drei grundlegende Methoden. Sie unterscheiden sich nicht nur technisch, sondern in dem, was sie dir überhaupt ermöglichen. Verstehst du diesen Unterschied, verstehst du sofort, warum dein Forecast so ist, wie er ist.
Stufe 1 – Deskriptive Analyse: Der Rückspiegel
Deskriptive Analyse beschreibt, was passiert ist. Sie fasst vergangene und gegenwärtige Daten zusammen, um sichtbar zu machen, was gewesen ist. Das ist die häufigste Form der Analyse in Unternehmen – und sie ist wertvoll. Aber eben nur als Ausgangspunkt.
SCM-Beispiel: Deskriptive Analyse
Was du siehst – und was du nicht siehst
Du wertest aus, wie viele Einheiten von Produkt A du in den letzten drei Jahren im Oktober verkauft hast. Das System zeigt: immer zwischen 1.200 und 1.400 Stück. Also bestellst du dieses Jahr 1.300.
Was du dabei nicht siehst: Ein Wettbewerber hat im September ein vergleichbares Produkt zwanzig Prozent günstiger auf den Markt gebracht. Dein größter Einzelkunde hat intern restrukturiert und kauft seit Q3 über eine neue Einkaufsabteilung, die andere Lieferrhythmen hat. Und deine eigenen Vertriebskontakte berichten seit Wochen, dass Gespräche zögerlicher werden.
Diese Signale sind in deinem Unternehmen vorhanden. Sie stecken nur nicht in deinen historischen Verkaufsdaten.
Das ist das Kernproblem der deskriptiven Analyse: Sie ist exakt für das, was war. Aber das, was war, erklärt nicht zwingend, was kommt. Besonders dann nicht, wenn sich Marktbedingungen schnell verändern.
Stufe 2 – Prädiktive Analyse: Der Blick nach vorne
Prädiktive Analyse nutzt historische Daten als Basis – verbindet sie aber mit statistischen Modellen, Mustern und aktuellen Signalen, die für das menschliche Auge unsichtbar bleiben. Das Ziel ist nicht, die Vergangenheit zu beschreiben. Es ist, wahrscheinliche Zukunftsszenarien zu berechnen.
Das klingt nach großer Technologie. In der Praxis bedeutet es oft zunächst etwas viel Schlichteres: systematisch mehr Faktoren in den Forecast einbeziehen, als ein Mensch gleichzeitig im Blick haben kann.
SCM-Beispiel: Prädiktive Analyse
Wie ein Modell sieht, was Menschen übersehen
Ein prädiktives Modell für denselben Forecast würde nicht nur auf historische Stückzahlen schauen. Es würde gleichzeitig auswerten: Bestellverhalten der Top-10-Kunden in den letzten 60 Tagen. Veränderungen in der Lieferzeit kritischer Vorprodukte. Saisonale Muster, differenziert nach Kundengruppe und Region. Preissignale aus dem Wettbewerb, sofern verfügbar. Anfragen auf der eigenen Website für verwandte Produkte.
Kein Mensch kann diese Faktoren gleichzeitig verarbeiten. Ein Modell kann es. Und je mehr relevante Signale es erhält, desto genauer wird sein Ergebnis. Dabei geht es nicht darum, die Zukunft vorherzusagen. Es geht darum, wahrscheinlichere Szenarien von unwahrscheinlicheren zu unterscheiden – und Bestandsentscheidungen entsprechend zu treffen.
Stufe 3 – Präskriptive Analyse: Die Handlungsempfehlung
Das ist die höchste Stufe. Das System empfiehlt nicht nur, was passieren wird. Es empfiehlt, was zu tun ist. Bestell jetzt 800 Einheiten. Verschiebe die Lieferung von Lieferant X um zwei Wochen. Erhöhe den Sicherheitsbestand für Produkt C in der Region Süd um 15 Prozent.
Nicht als Bauchgefühl. Als datenbasierte Handlungsempfehlung, die auf Simulationen und Optimierungsmodellen basiert. Standortentscheidungen für neue Distributionszentren, Make-or-Buy-Analysen, Lieferantenstrategien – das sind klassische Anwendungsfelder präskriptiver Analyse im Supply Chain Management.
SCM-Beispiel: Präskriptive Analyse
Wenn das System nicht nur fragt "was passiert?" sondern "was sollen wir tun?"
Ein Lebensmittelhersteller setzt präskriptive Modelle ein, um Produktionsplanung und Rohstoffeinkauf zu synchronisieren. Das Modell simuliert täglich verschiedene Szenarien: Was passiert mit dem Deckungsbeitrag, wenn wir Produkt A priorisieren und Produkt B um zwei Wochen verschieben? Was kostet es, einen zweiten Lieferanten für Rohstoff X zu qualifizieren – und was kostet es, wenn wir es nicht tun, aber dieser Lieferant in Q3 einen Engpass hat?
Das Ergebnis sind keine Zahlen, die ein Controller interpretieren muss. Es sind konkrete Entscheidungsvorschläge, die direkt an die Verantwortlichen geliefert werden – inklusive der Annahmen und der Bandbreite der Unsicherheit.
Für die meisten mittelständischen Unternehmen ist Stufe 3 das mittelfristige Ziel. Der sinnvolle und realistische Einstieg ist Stufe 2. Und der Ausgangspunkt dafür ist immer die ehrliche Frage: Welche Daten hast du wirklich – und in welcher Qualität?
Warum dein Forecast trotz guter Mitarbeiter und vorhandener Daten daneben liegt.
Die meisten Unternehmen, die ich kenne, haben Daten. Sie haben ein ERP-System. Sie haben Bestandshistorien, Verkaufszahlen, Lieferantenperformance-Kennzahlen. Trotzdem stimmt der Forecast nicht. Warum?
Es gibt drei Ursachen, die ich immer wieder sehe. Nicht in der Theorie. In echten Supply-Chain-Prozessen im deutschsprachigen Mittelstand.
Ursache 1: Deine Daten sehen gut aus – aber sie sind inkonsistent
Du hast ein ERP-System. Die Daten sind strukturiert. Alles sieht ordentlich aus. Das Problem: Was im System als „Artikel A" hinterlegt ist, heißt im Rechnungssystem „Produkt A" und im Kundenexport „Art. A". Drei Bezeichnungen. Dieselbe Ware. Drei verschiedene Datenpunkte, die kein automatisches Modell zusammenführen kann, ohne dass jemand manuell aufräumt.
Das ist kein Extrembeispiel. Das ist der Normalzustand in Unternehmen, die über Jahre gewachsen sind, unterschiedliche Systeme eingeführt und nie eine systematische Datenpflege betrieben haben. Datenkonsistenz ist kein IT-Thema. Es ist das Fundament jedes zuverlässigen Forecasts.
Was inkonsistente Daten mit deinem Forecast machen
Garbage in, garbage out – auch im besten Modell
Ein mittelständischer Maschinenbauer wollte seinen Ersatzteilforecast automatisieren. Die Daten waren vorhanden: Lagerhistorien, Kundenbestellungen, Wartungszyklen. Das Projekt scheiterte nicht an der Software. Es scheiterte daran, dass dieselbe Ersatzteilnummer in zwei verschiedenen Systemen mit unterschiedlichen Mengeneinheiten hinterlegt war – einmal in Stück, einmal in Packungseinheiten. Das Modell rechnete monatelang mit dem Faktor 12 daneben, ohne dass jemand es sofort bemerkte.
Drei Wochen Datenbereinigung im Vorfeld hätten das verhindert. Stattdessen wurden drei Monate Projektzeit in Fehlersuche investiert.
Ursache 2: Du misst das Falsche
Viele Unternehmen messen, was einfach zu messen ist – nicht, was relevant ist. Das ist kein Fehler. Es ist ein natürlicher Reflex. Aber er kostet Genauigkeit.
Beispiel: Du trackst Lieferzeiten pro Lieferant. Gut. Aber du trackst nicht, welche Lieferverzögerungen tatsächlich zu Produktionsausfällen oder Bestandslücken geführt haben – und welche nicht. Lieferant A liefert immer zwei Tage zu spät, aber ausschließlich bei unkritischen C-Teilen mit hohem Pufferbestand. Lieferant B liefert im Schnitt pünktlich, aber die Streuung ist hoch – und er liefert kritische Schlüsselkomponenten für deine Kernprodukte.
Wenn dein Modell diese Unterscheidung nicht kennt, priorisiert es die falsche Lieferantenbeziehung. Und dein Forecast trägt das Rauschen dieser Fehlpriorisierung weiter.
Praxistipp: Die wichtigsten Kennzahlen für deinen Forecast
Was du messen solltest – und was du weglassen kannst
Messen: Forecast-Genauigkeit pro Produktkategorie und Zeithorizont. Streuung der Nachfrage (nicht nur Durchschnittswerte). Lieferperformance gewichtet nach Kritikalität des Teils. Bestellzyklen der Top-20-Kunden. Lagerreichweite in Tagen, nicht nur absoluter Lagerbestand.
Weglassen oder deprioritisieren: Durchschnittswerte ohne Streuungsmaß. Lieferzeiten ohne Gewichtung nach Materialklasse. Gesamtbestandswert ohne Segmentierung nach ABC/XYZ-Klasse.
Der Unterschied zwischen diesen zwei Listen ist der Unterschied zwischen einem Forecast, der beschreibt, was war, und einem, der erklärt, warum es so war – und was daraus folgt.
Ursache 3: Dein Forecast ist ein Monolog
Dein Supply-Chain-Team erstellt den Forecast. Ohne strukturierte Rückkopplung aus dem Vertrieb. Ohne die Information über den Großkunden, der intern restrukturiert und in Q3 weniger bestellen wird. Ohne das Wissen der Produktionsleitung über die geplante Maschinenumrüstung, die im Juli zwei Wochen Kapazität kostet.
Diese Informationen existieren in deinem Unternehmen. Sie sind in den Köpfen deiner Kolleginnen und Kollegen. Sie fließen nicht in den Forecast ein – nicht weil niemand sie teilen will, sondern weil es keinen strukturierten Prozess gibt, sie sichtbar zu machen.
Was ein strukturierter Forecast-Prozess leisten kann
Sales & Operations Planning als Antwort auf den Monolog
Sales & Operations Planning (S&OP) ist der strukturierte Prozess, um genau dieses Problem zu lösen. In regelmäßigen Zyklen – oft monatlich – bringen Vertrieb, Produktion, Einkauf und Logistik ihre Informationen in einen gemeinsamen Planungsprozess ein. Nicht als Wunschliste. Als strukturierte Datenpunkte, die in den Forecast einfließen.
Ein mittelständischer Haushaltsgerätehersteller hat durch die Einführung eines einfachen S&OP-Prozesses – ohne neue Software, nur mit klarer Verantwortlichkeit und einem standardisierten Meeting-Format – seine Forecast-Genauigkeit im ersten Jahr um 18 Prozent verbessert. Nicht durch bessere Daten. Durch besseren Informationsfluss.
Das ist kein Ausreißer. Informationssilos kosten in den meisten Unternehmen mehr Forecast-Genauigkeit als fehlende Technologie.
Prädiktive Analyse im Mittelstand: Was realistisch ist und was nicht.
Hier kommt der Punkt, an dem viele Gespräche aufhören. Du hörst „KI" und „Predictive Analytics" – und denkst sofort an monatelange IT-Projekte, sechsstellige Beraterhonorare und ein Data-Science-Team, das erst aufgebaut werden muss.
Das stimmt für manche Anwendungsfälle. Für deinen ersten Schritt nicht.
Praxisbeispiel: Gustav Seeland GmbH, Hamburg
Wie ein Schwergutlogistiker mit 85 Mitarbeitenden Transparenz in seine Supply Chain brachte
Die Gustav Seeland GmbH ist ein mittelständisches Logistikunternehmen mit Schwerpunkt Schwergut und Spezialtransporte. 85 Mitarbeitende. Jedes Projekt individuell. Streckenprüfungen, Genehmigungen, Berechnungen – kaum etwas gleicht sich. Eine Branche, in der Planbarkeit traditionell schwierig ist.
Trotzdem – oder gerade deshalb – entschied die Geschäftsführung, mehr Transparenz in die eigenen Daten zu bringen. Das Ziel war kein komplexes KI-Modell. Es war ein einfaches Dashboard: Wer sind unsere wichtigsten Kunden? Welche Projekte sind profitabel, welche nicht? Wo entstehen regelmäßig Abweichungen zwischen Plan und Ist?
Das gewählte Werkzeug: Microsoft Power BI. Kostengünstig. Integrierbar in die bestehende Microsoft-Umgebung ohne zusätzliche Infrastruktur. Die Datenquellen: das branchenspezifische ERP-System, das Rechnungssystem, einige lokale Excel-Dateien. Keine Data Scientists. Kein Datenbankprojekt. Kein externes Beratungsteam für die Analyse selbst.
Der erste aussagekräftige Report war nach wenigen Wochen live. Er zeigte etwas, das vorher niemand gesehen hatte: Zwei Kunden generierten zusammen über 40 Prozent des Umsatzes – aber nur 18 Prozent des Deckungsbeitrags. Das hatte operative Konsequenzen. Sofort. Nicht irgendwann.
Das ist kein Einzelfall. Es ist das Ergebnis eines strukturierten Vorgehens, das mit einer ehrlichen Bestandsaufnahme der eigenen Daten beginnt – und nicht mit der Softwareauswahl.
Wer zuerst die Software kauft und dann fragt, welches Problem sie lösen soll, zahlt zweimal. Einmal für die Lizenz. Einmal für die Erkenntnis, dass das Problem woanders lag.
Dennis Schmal
Die richtige Reihenfolge ist immer dieselbe: Verstehe, welche Fragen du beantworten willst. Prüfe, welche Daten dafür vorhanden sind und in welcher Qualität. Dann erst wählst du das Werkzeug – das kann Power BI sein, Tableau, eine offene Lösung wie KNIME, oder in komplexeren Fällen Python-basierte Modelle.
Was du nicht brauchst, um anzufangen: einen Data Scientist. Was du brauchst: die Bereitschaft, deine eigenen Daten einmal ehrlich anzuschauen.
Bevor du über Software nachdenkst: Verstehe, wo du stehst.
Der erste und wichtigste Schritt ist nicht die Toolauswahl. Er ist die Situationsanalyse. Konkret: Weißt du, welche deiner Daten tatsächlich nutzbar sind – und welche nicht?
Diese Fragen musst du beantworten, bevor ein Forecast-Projekt beginnen kann:
1. Welche Motivation treibt dich an, den Forecast zu verbessern – und wie dringend ist das wirklich?
2. Welche Datenquellen liegen vor, und in welcher Qualität und Konsistenz sind die Daten?
3. In welchen Prozessen entstehen gerade die meisten manuellen Analysen und Korrekturen?
4. Wer im Unternehmen bräuchte welche Information – und bekommt sie heute nicht?
5. Welche IT-Infrastruktur ist vorhanden, und wie gut ist sie mit anderen Systemen vernetzt?
6. Wer trägt die Verantwortung für das Projekt, und steht das Top-Management dahinter?
Diese Fragen klingen einfach. Die Antworten sind es meistens nicht – und das ist gut so. Denn ehrliche Antworten sind die einzige belastbare Grundlage für alles, was danach kommt.
Was du jetzt mitnimmst – auf einen Blick
Forecast-Probleme sind in fast allen Fällen Methoden-Probleme. Die gute Nachricht: Methodenprobleme lassen sich lösen. Du brauchst dafür keinen Data Scientist und kein sechsstelliges Budget. Du brauchst Klarheit über deine Ausgangssituation – und einen strukturierten nächsten Schritt.
| Analyse-Stufe | Was sie beantwortet | SCM-Beispiel | Typischer Einstieg |
|---|---|---|---|
| Deskriptiv | Was ist passiert? | Lagerbestände im Jahresverlauf, Verkaufszahlen nach Monat | BI-Dashboard, Power BI, Tableau |
| Prädiktiv | Was wird passieren? | Bedarfsprognose mit Saisonalität, Lieferantenrisiko-Score | Statistische Modelle, ML-Tools, BI mit Forecasting-Modul |
| Präskriptiv | Was sollen wir tun? | Optimale Bestellmenge, Standortentscheidungen, Make-or-Buy | Simulations- und Optimierungsmodelle, spezialisierte SCM-Software |
| Ursache schlechter Forecasts | Typisches Symptom | Erster konkreter Schritt |
|---|---|---|
| Inkonsistente Daten | Analysen widersprechen sich je nach System | 2-Wochen-Datenaudit: gleiche Artikel in verschiedenen Systemen vergleichen |
| Falsche Kennzahlen | KPIs sehen gut aus, aber Probleme bleiben | Kennzahlen nach Kritikalität gewichten, nicht nur nach Einfachheit |
| Informationssilos | Vertrieb weiß Dinge, die im Forecast fehlen | Monatliches S&OP-Meeting mit klarer Agenda und Datenpflicht einführen |
Wenn du aus diesem Artikel nur eines mitnimmst: Das nächste Mal, wenn dein Forecast wieder nicht stimmt – frag dich nicht, wie du ihn noch einmal manuell korrigieren kannst. Frag dich, welche Methode hinter ihm steckt. Und ob diese Methode zur Komplexität deiner Supply Chain passt.
Meistens tut sie es nicht. Und das ist die gute Nachricht: Methodenprobleme lassen sich lösen. Man muss nur wissen, wo man anfangen soll.
Kurzfassung: Schlechte Forecasts sind fast immer Methoden-Probleme, keine Personalprobleme. Deskriptive Analyse allein reicht nicht – sie beschreibt die Vergangenheit, aber nicht die Zukunft. Prädiktive Modelle brauchen keine Data Scientists, aber saubere Daten und klare Fragen. Die drei häufigsten Ursachen: inkonsistente Daten, falsche Kennzahlen und fehlender Informationsfluss. Und der erste Schritt ist immer die ehrliche Bestandsaufnahme – nicht die Softwareauswahl.
Von deskriptiv zu prädiktiv – im Kurs, nicht irgendwann
Im Digital SCM Kurs lernst du, wie du deinen Forecast-Prozess Schritt für Schritt auf prädiktive Methoden umstellst – mit sauberen Daten, klaren Modellen und einem ersten messbaren Ergebnis in 90 Tagen. Für den Mittelstand. Auf Deutsch.
Kurs ansehen und Platz sichern