Bestimmt Prognosegenauigkeit Ihre Entscheidungen? 5 diagnostische Fragen für Planungsverantwortliche

Apr 16, 2026 • 8 min

Zwar misst jeder Einzelhändler die Prognosegenauigkeit, doch nur wenige können erklären, wie diese Messungen mit den Bestellungen zusammenhängen, die ihre Systeme täglich aufgeben. In dieser Lücke zwischen der Erfassung einer Zahl und ihrer Nutzung für bessere Bestandsentscheidungen geht der größte Teil des Mehrwerts verloren.

Diese fünf Fragen stammen aus einem RELEX-Webinar zur Prognosegenauigkeit mit Brian Kilcourse, Managing Partner bei RSR Research, einem Unternehmen, das sich seit fast zwei Jahrzehnten mit der Einführung von Technologie im Einzelhandel befasst. Gemeinsam mit RELEX-Experten untersuchte Brian, warum sich die Genauigkeitswerte verbessern, die Bestandsergebnisse jedoch nicht – und was tatsächlich nötig ist, um diese Lücke zu schließen. Die Fragen helfen Ihnen herauszufinden, ob Ihre Genauigkeitsmessung Ihre Supply-Chain-Entscheidungen tatsächlich beeinflusst – oder lediglich ein Dashboard füllt.

„Die Prognose hat sich von dem, was ich früher als Projekt betrachtet habe – etwas, das wir regelmäßig durchführten –, zu etwas entwickelt, das ständig im Hintergrund läuft. Man vergleicht sie mit der aktuellen Leistung und nimmt bei Bedarf Anpassungen vor.“
Brian Kilcourse, Managing Partner, RSR Research

1: Messen Sie auf der Ebene, auf der Entscheidungen getroffen werden?

Warnsignal: Sie erfassen die Genauigkeit monatlich auf Kategorieebene, aber Dispositionsaufträge werden täglich auf Artikel-Standort-Ebene erteilt. Die Messung und die Entscheidung stimmen nicht überein.

Die wahren Kosten: Genauigkeitswerte auf Kategorieebene können gut aussehen, während einzelne Filialen ausverkauft sind oder Überbestand anhäufen. Eine Genauigkeitsbewertung von 92 % auf Kategorie-Monats-Ebene könnte die Tatsache verschleiern, dass die Hälfte Ihrer Artikel-Standort-Prognosen so stark abweicht, dass sie zu falschen Bestellmengen führen.

Planer verbringen Zeit damit, Verbesserungen der Genauigkeit anzustreben, die jedoch nie tatsächlich etwas an den Bestellungen ändern. Wenn die Bestellvorlaufzeit für ein Produkt drei Wochen beträgt, Sie die Genauigkeit jedoch mit einer Verzögerung von einem Monat messen, bewerten Sie die Prognose erst, nachdem die Bestellentscheidung bereits getroffen wurde – zu spät, um noch verwertbare Erkenntnisse zu gewinnen.

Der Druck, dies richtig zu machen, wächst. RSR Research hat herausgefunden, dass 99 % der Einzelhändler zumindest eine Lokalisierung ihres Sortiments in Betracht ziehen, angetrieben von Verbrauchern, die einen relevanten, filialspezifischen Bestand anstelle einheitlicher Sortimente erwarten. Eine Genauigkeitsmessung auf aggregierter Ebene kann lokalisierte Dispositionsentscheidungen nicht unterstützen.

Die Lösung: Passen Sie die Granularität und den Zeitpunkt Ihrer Messungen an die Entscheidungen an, die am wichtigsten sind. Wenn Dispositionsaufträge täglich auf Filial-SKU-Ebene erteilt werden, messen Sie die Genauigkeit auf dieser Ebene. Wenn die Bestellvorlaufzeit 3 Wochen beträgt, vergleichen Sie die Prognoseversion von vor 3 Wochen mit den tatsächlichen Verkaufszahlen. Kategorie-Monats-Kennzahlen haben nach wie vor ihren Platz in S&OP-Gesprächen, sollten aber nicht die einzige Perspektive sein.

RELEX berechnet die Prognosegenauigkeit auf der Ebene, auf der Entscheidungen getroffen werden, z. B. auf Filial-SKU-Tag-Ebene für die Dispositionsplanung oder auf Verteilzentrum-SKU-Woche-Ebene für die Distributionsplanung, und passt den Messhorizont an die tatsächlichen Vorlaufzeiten an. Das bedeutet, dass die Genauigkeitswerte, die Planer sehen, direkt die Prognosen widerspiegeln, aus denen ihre Bestellungen generiert wurden.

**Abb. 1:** RELEX-Anwender können detaillierte Prognosen und Projektionen sowohl auf Filial- als auch auf Distributionszentrumsebene einsehen – nicht nur aggregierte Ansichten.

Lesen Sie den vollständigen Leitfaden zur Messung der Prognosegenauigkeit

2: Behandeln Sie Abweichungen genauso ernst wie den durchschnittlichen Fehler?

Warnsignal: Sie verfolgen den MAPE oder den durchschnittlichen Fehler, aber nicht die Richtungsabweichung. Sie wissen, dass die Prognose danebenliegt, aber nicht, ob sie durchweg zu hoch oder zu niedrig ist.

Die tatsächlichen Kosten: Über- und Unterprognosen haben sehr unterschiedliche Folgen, doch die meisten Kennzahlen für den durchschnittlichen Fehler behandeln sie als identisch. Überprognosen führen zu Überbestand und Abwertungen und erhöhen direkt den Verderb bei Frischeprodukten. Unterprognosen führen zu leeren Regalen, entgangenen Verkäufen und Kundschaft, die sich entscheidet, woanders einzukaufen.

Eine kleine Abweichung auf Artikelebene mag für sich genommen unbedeutend erscheinen. Aber wenn sich dieselbe Überprognose von 2–3 % über Hunderte von Filialen und Tausende von Artikelnummern wiederholt, bindet sie still und leise Kapital in Lagerbeständen, die gar nicht nötig wären. Rechnet man das auf das Verteilzentrum hoch, wird das Ungleichgewicht offensichtlich – doch dann ist der Schaden bereits angerichtet.

Die Lösung: Verfolgen Sie neben Ihren Fehlerkennzahlen auch richtungsbezogene Prognoseverzerrungen auf Produkt-Standort-Ebene. Achten Sie auf systematische Muster, beispielsweise darauf, ob Sie bei Langsamdrehern durchweg zu hohe und bei Sonderangeboten zu niedrige Werte prognostizieren. Diese Muster weisen auf Ursachen hin, die durch durchschnittliche Fehlerwerte vollständig verdeckt werden.

Die KI-gestützte Plattform von RELEX erkennt systematische Verzerrungsmuster automatisch und markiert sie, bevor sie sich verstärken. Da die Plattform Verzerrungen auf Produkt-Standort-Ebene verfolgt, können Planer genau sehen, wo Prognosen durchweg zu hoch oder zu niedrig ausfallen und ob diese Verzerrungen groß genug sind, um Dispositionsaufträge zu verzerren.

**Abb. 2:** Diese Teilansicht zeigt, wie Nutzer die KI-gestützten Dashboards von RELEX konfigurieren können, um Nachfrageveränderungen auf Filialebene zu beobachten und deren Auswirkungen auf die Beschaffungspläne zu ermitteln.

3: Wissen Planer, welche Prognosefehler am wichtigsten sind?

Warnsignal: Alle Prognosefehler werden gleichermaßen markiert, unabhängig davon, ob sie eine Bestellung ändern oder geschäftliche Auswirkungen haben würden.

Die tatsächlichen Kosten: Ein Planer passt eine Prognose von 4,2 auf 4,8 Einheiten an. Die Kartonmenge beträgt 12. Beide Prognosen führen zur gleichen Bestellung, sodass die „Verbesserung“ keinen Mehrwert erbracht hat. Unterdessen weist eine andere SKU einen Fehler auf, der groß genug ist, um jeder Bestellung einen zusätzlichen Karton hinzuzufügen – doch dieser geht in derselben Ausnahmeliste unter.

Ohne eine Möglichkeit, Fehler, die Bestellschwellen überschreiten, von denen zu unterscheiden, die dies nicht tun, verteilen Planer ihre Aufmerksamkeit gleichmäßig auf Probleme von völlig unterschiedlicher Bedeutung. Artikel mit geringem Volumen beanspruchen dieselbe Überprüfungszeit wie solche mit hohem Wert. Das Ergebnis: viel Aufwand mit wenig Ertrag.

Die Lösung: Die Aufmerksamkeit der Planer auf Prognosefehler lenken, die tatsächlich beeinflussen, was bestellt wird. RELEX hat speziell hierfür Batch-basierte Genauigkeitskennzahlen entwickelt: Prognosefehler und Verzerrungen in Batches messen, ob ein Fehler groß genug war, um zu einer anderen Bestellmenge zu führen, als sie bei einer perfekten Prognose entstanden wäre.

Die Schwellenwerte sind einfach. Ein Zyklusfehler unter 0,25 bedeutet, dass die Prognoseungenauigkeit keinen Einfluss auf die Bestellungen hat, sodass keine Maßnahmen erforderlich sind. Ein Zyklusfehler über 1,0 deutet darauf hin, dass Ungenauigkeiten die Bestellmengen aktiv verzerren – dort sollte der Fokus liegen. Da diese Kennzahlen skalierungsunabhängig sind, gelten dieselben Schwellenwerte unabhängig davon, ob ein Produkt 1 Einheit oder 1.000 Einheiten pro Tag verkauft, sodass Planer Prioritäten auf der Grundlage tatsächlicher geschäftlicher Auswirkungen statt auf der Grundlage von Rauschen setzen können.

4: Können Sie Verbesserungen der Genauigkeit mit Geschäftsergebnissen in Verbindung bringen?

Warnsignal: Die Genauigkeitswerte haben sich verbessert, aber niemand kann als Ergebnis darauf verweisen, dass der Bestand gesunken, die Verfügbarkeit verbessert oder der Ausschuss verringert wurde.

Die wahren Kosten: Wenn sich Genauigkeitsverbesserungen nicht sichtbar in Geschäftsergebnissen niederschlagen, beginnt die Führungsebene, die Investition in Frage zu stellen. Die Prognose wird zu einer reinen Berichtsübung – einer Zahl, die auf einem Dashboard steigt oder fällt, ohne dass jemand versteht, was sich operativ geändert hat.

Diese Diskrepanz entsteht in der Regel, weil die Genauigkeit auf eine Weise gemessen wird, die nicht mit den Dispositionsentscheidungen übereinstimmt. Eine Verbesserung des MAPE um 2 Prozentpunkte klingt gut – aber wenn diese Gewinne von Produkten stammen, bei denen der Fehler bereits unterhalb der Bestellschwelle lag, hat sich nachgelagert eigentlich nichts geändert.

Die Lösung: Verfolgen Sie, wie sich Verbesserungen der Genauigkeit auf die wirklich wichtigen Kennzahlen auswirken: Lagerbestände, Servicelevel, Verderbnisraten und Betriebskapital. Batch-basierte Genauigkeitskennzahlen machen diesen Zusammenhang konkret und zeigen, wann eine Prognoseverbesserung groß genug war, um eine Bestellung zu ändern – und Sie können diese Bestelländerung bis zu ihren Auswirkungen auf Lagerbestand und Verfügbarkeit zurückverfolgen.

RELEX-Kunden erkennen diesen Zusammenhang deutlich. Europris, ein norwegischer Discounter, zentralisierte die Disposition mit RELEX und erzielte innerhalb von 18 Wochen eine Bestandssenkung im Distributionszentrum von mehr als 17 %, während die Verfügbarkeit in den Filialen von 91 % auf über 97 % stieg.

Ametller Origen, eine katalanische Lebensmittelkette, verzeichnete segmentübergreifend deutliche Verbesserungen: eine Steigerung der Verfügbarkeit nicht verderblicher Waren um 12 Prozentpunkte bei einer Bestandssenkung um 9 Prozentpunkte sowie eine Steigerung der Verfügbarkeit gekühlter Waren um 4 Prozentpunkte bei einer Bestandssenkung um 24 Prozentpunkte.

Das Ausmaß der Chancen ist größer, als den meisten Planungsteams bewusst ist. Für einen Einzelhändler mit einem Sicherheitsbestand von 1 Milliarde US-Dollar kann eine Verringerung der Prognosefehler um 10 % rund 100 Millionen US-Dollar an Betriebskapital freisetzen. Diese Rechnung geht auf, da der Sicherheitsbestand in direktem Zusammenhang mit Prognosefehlern steht: Wenn die Fehlerquote sinkt, sinkt auch der Pufferbestand, der zum Ausgleich benötigt wird.

„Wenn wir unser Kapital effizienter einsetzen können, um die richtigen Bestände zur richtigen Zeit am richtigen Ort bereitzustellen, können wir mit diesem Geld eine Menge erreichen, was zuvor nicht möglich war.“
– Brian Kilcourse, Managing Partner, RSR Research

5: Wer ist für die Messung der Genauigkeit zuständig – und wer für die Disposition?

Warnsignal: Die Bedarfsplanung misst die Genauigkeit. Die Supply Chain trifft die Dispositionsentscheidungen. Die beiden Teams koordinieren sich über Berichte und Besprechungen, nicht über gemeinsame Systeme.

Die tatsächlichen Kosten: Wenn die Prognosegenauigkeit in den Berichten eines Teams liegt und die Disposition in denen eines anderen, wird die Genauigkeitsmessung zu einem Dokument, auf das niemand reagiert. Bessere Prognosen führen nicht automatisch zu besseren Bestellungen, da der Übergang zwischen den Teams Verzögerungen, Fehlinterpretationen und konkurrierende Prioritäten mit sich bringt.

Das Problem verschärft sich bei Werbeaktionen und saisonalen Schwankungen, wenn Genauigkeit am wichtigsten ist. Ein Team aktualisiert die Prognose, das andere sieht sie nicht rechtzeitig, und das Dispositionssystem arbeitet mit veralteten Zahlen. Das Ergebnis: Lieferengpässe während Kampagnen, Überbestände danach und beide Teams, die sich gegenseitig die Schuld geben.

Die Lösung: Die Messung der Prognosegenauigkeit und die Ausführung der Disposition müssen im selben System unter Verwendung derselben Daten erfolgen. Wenn diese miteinander verbunden sind, fließen Verbesserungen der Prognose direkt in die nächste Bestellberechnung ein – ohne manuelle Übergaben oder Probleme bei der Versionskontrolle.

RELEX vereint Prognose und Disposition auf einer einzigen Plattform. Dasselbe Machine-Learning-basierte Nachfragesignal, anhand dessen die Genauigkeitskennzahlen berechnet werden, steuert auch die Bestellvorschläge. RELEX-KI-Agenten diagnostizieren, empfehlen und setzen Entscheidungen für Planer um, die neben den aus diesen Prognosen resultierenden Bestellungen auch die Genauigkeitswerte sehen, sodass sie erkennen können, wo Verbesserungen den größten Einfluss auf Verfügbarkeit und Bestand haben. Wenn beide Funktionen einen gemeinsamen Überblick über Nachfrage, Kapazität und Bestandspositionen haben, verschwindet das Silo-Problem.

„KI hilft uns dabei, von einer Verwaltung, bei der alles als gleich wichtig behandelt wird, zu einer Verwaltung überzugehen, bei der das wirklich Wichtige im Vordergrund steht.“
– Brian Kilcourse, Managing Partner, RSR Research

Die Prognosegenauigkeit schafft nur dann einen Mehrwert, wenn sie eine Dispositionsentscheidung beeinflusst.

Wenn Ihr Messansatz nicht widerspiegelt, wie Bestellungen tatsächlich aufgegeben werden, wird eine Verbesserung der Genauigkeitswerte die Bestandsergebnisse nicht verbessern. Drei Dinge, auf die Sie sich konzentrieren sollten:

Messen Sie dort, wo Entscheidungen getroffen werden. Granularität und Zeitpunkt müssen mit dem Planungsprozess übereinstimmen, den sie unterstützen sollen.
Verfolgen Sie Verzerrungen, nicht nur Fehler. Die Richtung ist genauso wichtig wie das Ausmaß – Über- und Unterprognosen verursachen sehr unterschiedliche Probleme.
Machen Sie Fehler verwertbar. Markieren Sie nur das, was eine Bestellung ändern würde. Alles andere ist Störsignal.

Sehen Sie sich das Webinar an: Den Code der Genauigkeit knacken