Kurz und bündig: Prognosegenauigkeit 

Andreas Kemmner

Unter der Prognosegenauigkeit (forecast accuracy) versteht man die Abweichung einer Prognose von den späteren tatsächlichen Ist-Werten. Die Prognosegenauigkeit wird über einen Prognosefehler ausgedrückt, der misst, wie stark eine Prognose von den späteren Ist-Werten abweicht.

Prognosegenauigkeit, Prognosefehler und Prognosezeitraum

Eine Prognosegenauigkeit und ein Prognosefehler beziehen sich immer auf einen bestimmten Prognosezeitraum, z.B ein Drei-Monats-Forecast. Häufig misst man in der Praxis die Prognosefehler für verschiedene Prognosezeiträume. Vom Verfolgen der Prognosegenauigkeit verspricht man sich zum einen eine kontinuierliche Verbesserung der Prognose und andererseits das Identifizieren eines evtuellen systematischen Prognosefehlers (forecast bias) in Form einer kontinuierlich zu hoher oder zu tiefer Prognosewerte. Sofern ein systematischer Prognosefehler vorliegt, kann dieser zu einer Korrektur künftiger Prognosen herangezogen werden.

Zur Messung des Prognosefehlers gibt es zahlreiche unterschiedliche Formeln, deren jeweilige Vor- und Nachteile in der Praxis heftig diskutiert werden.

Unser Tipp

Die Prognosegenauigkeit als Bewertungskriterium der Qualität einer Prognose greift in vielen Fällen zu kurz. Egal mit wieviel Aufwand Prognosen erarbeitet werden, es bleibt immer ein Residuum an chaotischem Marktverhalten und somit ein nicht weiter zu verringernder Prognosefehler.

Bei der Mehrheit der Artikel zeigt sich im Allgemeinen auch kein systematischer Prognosefehler. Solche systematischen Prognosefehler sind eher bei menschlichen Prognosen anzutreffen. Wird mit leistungsfähigen maschinellen Prognosen gearbeitet (statistische Aussagen; KI-Verfahren) reduzieren die Algorithmen den Fehler selbst so weit wie möglich. Prognosegenauigkeit hat damit nur nachrichtliche Bedeutung, stellt aber kein Regelungskriterium dar, um Prognosen kontinuierlich genauer zu machen.

Wir beobachten in der Praxis sogar die Gefahr, dass der Fokus auf die Prognosegenauigkeit dazu führt, mathematisch immer weiter aufzurüsten, ohne dass sich daraus in den meisten Fällen ein praktischer Nutzen ergibt; chaotisches Verhalten lässt sich nicht in einen einzelnen Vorsagewert pressen. Da man andererseits die Breite des chaotischen Marktverhaltens messen kann, können und müssen Sicherheitsbestände die verbleibende Prognoseungenauigkeit abgefangen.

 Aus diesem Grunde ist es wichtig, Sicherheitsbestände vom System berechnen zu lassen und nicht von Hand zu setzen.


Autor | author

Prof. Dr. Kemmner hat in über 25 Jahren Beratertätigkeit in Supply Chain Management und Sanierung weit über 150 nationale und internationale Projekte durchgeführt.2012 wurde er von der WHZ zum Honorarprofessor für Logistik und Supply Chain Management bestellt.Die Ergebnisse seiner Projekte wurden bereits mehrfach ausgezeichnet.

Weitere Beiträge | READ MORE