Prognosegenauigkeit: Warum sie überschätzt wird und welche Kennzahlen wirklich zählen
Ein Maschinenbauer aus dem Süddeutschen Raum präsentierte mir vor einigen Monaten seinen Forecast-Report. Der MAPE-Wert (nicht meine bevorzugte Kennzahl für die Prognosegenauigkeit) lag bei unter 18 Prozent, deutlich besser als der Branchenschnitt. Das Planungsteam war stolz, die Geschäftsführung zufrieden. Dann schauten wir uns den Lagerbestand an: 43 Prozent der Artikel waren überlagert, die artikelbezogene Lieferbereitschaft bei den schnelldrehenden Positionen lag unter 91 Prozent, und die Lagerkosten stiegen seit drei Quartalen. Prognosegenauigkeit zu messen und zu verbessern, ohne die eigentlichen Zielgrößen zu kontrollieren, ist wie eine Maschine auf Hochglanz zu polieren, die das falsche Teil produziert.
Prognosegenauigkeit ist nur ein Mittel zum Zweck, kein Zweck an sich. Der eigentliche Zweck der Supply Chain besteht darin, Bestände niedrig zu halten, Kunden zuverlässig zu beliefern und Logistikkosten zu minimieren. In über 200 Supply-Chain-Projekten beobachteten wir bei Abels & Kemmner immer wieder dieses Muster: Unternehmen mit exzellenten Prognosewerten und gleichzeitig überhöhten Beständen und schwacher Lieferbereitschaft.
Dieser Artikel zeigt, warum das so ist, welche Kennzahlen stattdessen zählen und welches Instrumentarium nötig ist, um sie tatsächlich zu messen und zu steuern.
Warum ist Prognosegenauigkeit kein geeigneter Steuerungs-KPI?
Prognosegenauigkeit ist eine Prozessmetrik der Planung: Sie misst die Abweichung zwischen Bedarfsvorhersage und tatsächlicher Nachfrage im Planungssystem, nicht ob Bestandsniveaus, Lieferbereitschaft oder Kosten stimmen.
Der Denkfehler liegt in einem fehlenden Glied der Kausalkette. Eine Prognose beeinflusst Bestände und Lieferbereitschaft nicht direkt. Sie tut dies nur indirekt, vermittelt über Dispositionsparameter: Sicherheitsbestände, Sicherheitszeiten, Meldebestand, Losgrößen, Reichweitengrenzen. Wer die Prognosegenauigkeit verbessert, ohne diese Parameter gleichzeitig anzupassen, ändert am Bestand und an der Lieferbereitschaft nichts. Der Forecast wird besser, die Supply Chain bleibt gleich.
Eine Peer-Review-Studie, veröffentlicht im Journal of Business Research (2020), untersuchte, wie Unternehmen Prognosegenauigkeit als Leistungskennzahl einsetzen. Das Ergebnis: Indikatoren der Prognosegenauigkeit sind “not always strongly correlated with outcome measures such as inventory performance or customer service levels.” Die Autoren fanden in qualitativen Interviews, dass viele Planungsabteilungen den MAPE-Wert als Steuerungsgröße verwenden, obwohl kaum empirische Belege für seine Wirkung auf operative Ergebnisse vorliegen. (Peer-Review-Studie zu Prognosegenauigkeit als KPI)
Ein weiteres Symptom zeigt sich in der Forecast-Value-Added-Analyse. Die von Michael Gilliland bei SAS entwickelte Methodik analysiert, welche Planungsschritte tatsächlich zur Prognosequalität beitragen. In einer Untersuchung von über 60.000 Forecasts wurden 75 Prozent der statistischen Prognosen manuell durch Planer überschrieben. Viele dieser Eingriffe verbesserten die Genauigkeit nicht, einige verschlechterten sie sogar. (Forecast Value Added Methodik (SAS)) Ein enormer Planungsaufwand, der sich in den Outcome-KPIs nicht niederschlägt.
Eine kritische Weiterentwicklung dieser Methodik lieferte Lokad 2024: FVA zeigt zwar, welcher Planungsschritt die Prognosequalität nicht verbessert, aber es erklärt nicht, warum statistische Modelle underperformen, und es beantwortet nicht, ob der Aufwand einer Genauigkeitsverbesserung seinen operativen Nutzen rechtfertigt. (Kritische Evaluation von Forecast Value Added, Lokad 2024)
Zusammengefasst: Prognosegenauigkeit ist eine Prozessmetrik mit einem strukturellen Problem. Sie misst Planungsqualität, nicht Supply-Chain-Ergebnisse. Und sie liefert keinen Hinweis darauf, ob der Aufwand ihrer Verbesserung einen proportionalen Nutzen für Bestand, Lieferbereitschaft oder Kosten erzeugt.
Welche Kennzahlen diese Lücke schließen, zeigt der folgende Abschnitt. (Prognosegenauigkeit – diese Kennzahl bringt Sie nicht wirklich weiter)
Welche Kennzahlen in der Supply Chain wirklich zählen
Kennzahlen, die die Supply Chain Performance direkt wiedergeben sind, z.B.:
- Bestandsreichweite,
- artikelbezogene Lieferbereitschaft auf SKU-Ebene,
- aggregierte monatliche kalkulatorische Lagerhaltungskosten (alternativ und vereinfacht: monatliche Bestandswerte),
- aggregierte kalkulatorische Bestellkosten (Alternativ und vereinfacht: Anzahl der Bestellungen im Monat),
- Wiederbeschaffungszeit und ihre Variabilität,
- Produktionsdurchlaufzeit und ihre Variabilität sowie
Diese neun Kennzahlen sind nicht deshalb relevant, weil sie in Lehrbüchern stehen. Sie sind relevant, weil sie direkt zeigen, ob die Supply Chain das liefert, wofür sie existiert: Verfügbarkeit zu einem wirtschaftlich vertretbaren Preis und in vertretbarer Zeit.
Bestandsreichweite (in Tagen) Bestandsreichweite = durchschnittlicher Bestand / durchschnittlicher Tagesbedarf. Sie zeigt, wie viele Tage der aktuelle Lagerbestand den Bedarf deckt. Zu hohe Reichweiten binden Kapital; zu niedrige gefährden die Lieferfähigkeit. Branchenübliche Zielwerte außerhalb des Bereiches der Fast Moving Consumer Goods liegen je nach Produkttyp zwischen 15 und 45 Tagen für Fertigware. In unseren Projekten bei Abels & Kemmner reduzieren Unternehmen ihren Bestand im 75% der Fälle um mindestens 20%, wenn Bestandsreichweiten systematisch mit den richtigen Dispositionsparametern gesteuert werden.
Artikelbezogene Lieferbereitschaft (auf SKU-Ebene)
Lieferbereitschaft je Artikel = vollständig und termingerecht gelieferte Menge über alle Kundenaufträge je SKU x 100% / Gesamtmenge aus allen Kundenaufträgen je SKU. Warum artikelbezogene Lieferbereitschaft statt OTIF? Nur auf der Betrachtungsebene der Artikel ist die Lieferbereitschaft direkt steuerbar. OTIF-Kennzahlen zeigen das Gesamtergebnis vieler Einzellieferbereitschaftsgrade, erschließen aber nicht, wo Probleme tatsächlich entstehen. Ein schwacher OTIF-Wert sagt: “Wir liefern nicht gut genug.” Die artikelbezogene Lieferbereitschaft sagt: “Diese zwölf Artikel auf Linie 4 und diese drei Lieferanten sind das Problem.” Nur die zweite Kennzahl erlaubt operative Steuerung. OTIF-Kennzahlen sind für die Beschreibung der Ist-Situation wichtig, für die operative Steuerung aber zu grob; auch wenn sie häufig hierfür empfohlen werden. Ein Unternehmen mit gutem OTIF-Wert kann trotzdem bei vielen wichtigen Artikeln systematisch unter der geforderten Lieferbereitschaft liegen, ohne dass dies im aggregierten Wert sichtbar wird.
Monatliche kalkulatorische Lagerhaltungskosten
Formel: durchschnittlicher monatlicher Lagerbestand (in Werteinheiten) × Lagerhaltungskostensatz / 12. Branchenübliche Lagerhaltungskostensätze liegen zwischen 19 und 30 Prozent des Bestandswerts pro Jahr, wie Daten aus Projektanalysen von A&K zeigen. Der kalkulatorische Kostensatz ist für unterschiedliche Artikelsegmente unterschiedlich, wird im Laufe des Jahres aber meist nur selten nachgerechnet, wohingegen der Lagerbestand sich täglich verändert. Deshalb variieren auch die Lagerhaltungskosten von Monat zu Monat, selbst wenn der Satz konstant bleibt. Diese kalkulatorischen Lagerhaltungskosten zu betrachten anstelle einfach den Bestandswert, macht die mit dem Bestand verbundenen Kosten laufend bewusst. Mit dieser Kennzahl werden auch Veränderungen in den Kostenstrukturen deutlich, selbst wenn sich durch die Verschiebung von Beständen zwischen Produktsegmenten der Gesamtbestand kaum ändert.
Monatliche kalkulatorische Bestellkosten
Formel: Anzahl der Bestellungen im Monat × Kosten je Bestellung. Auch die Kosten je Bestellung sind kalkulatorische Kosten, die für unterschiedliche Produktsegmente und Lieferkonditionen unterschiedlich ausfallen. Wie zuvor bei den Lagerhaltungskosten werden diese Werte im Allgemeinen nur ein bis zweimal im Jahr nachkalkuliert. Die monatliche Anzahl an Bestellungen schwankt hingegen mit der Nachfrage, saisonalen Mustern und Dispositionsentscheidungen. Wer diese Kennzahl monatlich verfolgt, erkennt, wann Losgrößenoptimierungen wirken und wann die Bestellfrequenz aus dem Ruder läuft. Wie bei den Lagerhaltungskosten gilt: Die Umrechnung der Anzahl der Bestellungen in die monatlichen kalkulatorischen Bestellkosten hält die dadurch verursachten Kosten bewusst und macht die Kostenstruktur und -differenzierung deutlicher als die alleinige Zählung der Bestellungen.
Wiederbeschaffungszeit und ihre Variabilität
Wiederbeschaffungszeit ist die Zeit von der Bestellauslösung bis zum Wareneingang. Sie wirkt sich direkt auf den Grundbestand aus. Ihre Variabilität (Standardabweichung über die letzten 12 Monate) ist die wesentliche Steuergröße für Sicherheitszeiten oder Sicherheitsbeständen auf der Beschaffungsseite.
(Auf der Beschaffungsseite ist es allerdings wirtschaftlich sinnvoller, mit Sicherheitszeiten, statt mit Sicherheitsbeständen zu arbeiten: Sicherheitszeiten erreichen dieselbe Liefersicherheit bei geringerem gebundenen Kapital)
Produktionsdurchlaufzeit und ihre Variabilität (bei produzierenden Unternehmen)
Wie die Wiederbeschaffungszeit wirken sich die Produktionsdurchlaufzeit und ihre Variabilität direkt auf die Performance der Supply Chain aus und bestimmen deren interne Reaktionsfähigkeit. Eine starke Schwankung der Produktionsdurchlaufzeiten weist darüber hinaus auf eine schlechte Nivellierung der Produktionskapazitäten hin.
Versandzeit
Unter der Versandzeit versteht man die Zeitdauer vom Kundenauftragseingang bis zum Versand der Lieferung an den Kunden. Sie stellt aus Kundensicht einen wesentlichen Teil der erlebbaren Lieferbereitschaft dar.
Der gemeinsame Nenner dieser neun KPIs: sie beschreiben direkt die Gesamtperformance der Supply Chain, werden durch alle operativen Entscheidungen beeinflussbar und sind kausal mit den Unternehmenszielen verbunden. Für die Prognosegenauigkeit als Steuerungsgröße trifft dies nicht zu
Wie ein digitaler Zwilling die KPI steuerbar macht
Um die Performance einer Supply Chain im Hinblick auf Bestände, Lieferbereitschaft und Kosten zu optimieren, muss im Vorhinein erkennbar sein, wie sich geplante Veränderungen, etwa eine höhere Prognosegenauigkeit, angepasste Dispositionsparameter oder veränderte Lieferzeiten – tatsächlich auf diese Kennzahlen auswirken. Genau das ermöglicht ein digitaler Zwilling: Er zeigt die Auswirkungen geplanter Maßnahmen auf Bestandsniveaus, Lieferbereitschaft und Kosten, bevor diese in der realen Supply Chain umgesetzt werden. Entscheidend ist dabei, dass ein solcher digitaler Zwilling nicht bloß Werte in die Zukunft fortschreibt, sondern bei seinen Berechnungen empirische Erkenntnisse und reale Zusammenhänge aus der Vergangenheit berücksichtigt. Das ist der entscheidende Unterschied zu einem BI-Dashboard, das nur zeigt, was war. Der Zwilling zeigt, was bei einer bestimmten Entscheidung passieren wird.
Der Digitale Zwilling nimmt Forecast-Inputs und vollständige Netzwerkparameter auf: Lieferzeiten, Kapazitäten, Bestellmengen, Sicherheitszeiten. Er simuliert dann, wie Forecast-Abweichungen sich in Bestandsniveaus, Lieferbereitschaft und Kosten niederschlagen. Erhöht sich die Beschaffungslieferzeitvariabilität um zwei Wochen, zeigt der Zwilling sofort, welche Sicherheitszeiten angepasst werden müssen und welchen Bestandseffekt das hat. Kein Ausprobieren in der realen Supply Chain mit hohem Risiko von Lieferausfällen oder Überbeständen.
Ein digitaler Zwilling stellt praktisch den Windkanal eine Supply Chain dar: Veränderungen am Design werden virtuell getestet, bevor reale Assets riskiert werden. Wie so etwas funktioniert, können Sie z.B. hier nachlesen.
Mit einem digitalen Zwilling der Planungsprozesse lässt sich erkennen, bei welchen Artikeln Prognose-Verbesserungen tatsächlich einen großen Hebel auf Bestand und Lieferbereitschaft haben.
Welche Voraussetzungen braucht der digitale Zwilling?
Was müssen Sie vorbereiten, bevor ein Digitaler Zwilling operativ wird?
Die erste und wichtigste Entscheidung betrifft die Datenbasis. Aus unserer Implementierungserfahrung gilt: Die Datenbasis sollte von Anfang an möglichst vollständig aus dem ERP-System übernommen werden. Artikelstammdaten, Transaktionsdaten (Bestände, Aufträge, Warenbewegungen), historische und aktuelle Beschaffungslieferzeiten, Produktionsdurchlaufzeiten und Kapazitätsdaten bilden das Fundament. Daten müssen aufbereitet, harmonisiert und modelliert werden. Dieser Aufwand fällt einmalig an. Eine nachträgliche Ergänzung einzelner Datentöpfe ist erheblich teurer als eine breite Erstübernahme.
Davon zu trennen ist die Frage des ersten Anwendungsfalls. Die breite Datenbasis bedeutet nicht, sofort alle strategischen Entscheidungen auf dem Zwilling aufzubauen. Sinnvoller ist es, mit einem überschaubaren Due-Diligence-Case zu starten: die Bestandsoptimierung für eine Produktgruppe simulieren, die Wirkung einer Sicherheitszeitenänderung für die zehn kritischsten Lieferanten testen oder die Konsequenzen einer Lieferantenkonsolidierung durchrechnen. Kleine, gut abgrenzbare Fragestellungen liefern rasch Ergebnisse und bauen intern Vertrauen in das Instrument auf, bevor strategisch größere Entscheidungen darauf basieren.
Technisch braucht ein Digitaler Zwilling Schnittstellen zum ERP-System und je nach Aufgabenstellung zu WMS, TMS und APS-Systemen.
Organisatorisch hilft es bei der Einführung und Anwendung eines digitalen Zwillings im Supply Chain Planning und Supply Chain Management, einen Sponsor auf oberer Führungsebene zu haben, um sicherzustellen, dass Simulationsergebnisse in operative Entscheidungen umgesetzt werden. Ein Digitaler Zwilling, der Erkenntnisse produziert, die niemand nutzt, bleibt eine intellektuelle Übung ohne operative Wirkung.
Der globale Markt für digitale Zwillinge im Supply Chain Management wächst jährlich durchschnittlich mit ca. 12 Prozent und war 2022 rund 2,5 Milliarden US-Dollar groß, wie eine Markterhebung von Grand View Research dokumentiert. Das signalisiert sinkende Einstiegskosten und wachsende Systemreife. Für Mittelständler bedeutet das: Der Aufbau eines Zwillings ist kein Großprojekt mehr, das sich nur Konzerne leisten können.
Take Away
- Prognosegenauigkeit ist eine Prozessmetrik der Planung. Studien zeigen: Sie korreliert nicht zuverlässig mit Bestand, Lieferbereitschaft oder Kosten.
- Neun direkt steuerbaren Outcome-KPIs, die die Supply Chain Performance gut beschreiben, sind: Bestandsreichweite, artikelbezogene Lieferbereitschaft (SKU-Ebene), monatliche Lagerhaltungskosten, monatliche Bestellkosten, Wiederbeschaffungszeit und Variabilität, Produktionsdurchlaufzeit und Variabilität, Versandzeit.
- Forecast-Verbesserungen entfalten Wirkung nur bei gleichzeitiger Anpassung von Dispositionsparametern und Sicherheitsbeständen. Ansonsten verbessern sie Bestände und Lieferbereitschaft weniger als oft erhofft.
- Digitale Zwillinge machen kausal sichtbar, wie Forecast-Abweichungen auf Bestände und Kosten durchschlagen (zu den ROI-Benchmarks: siehe Abschnitt “Digitaler Zwilling”).
- Bei der Einführung von digitalen Zwillingen gilt: möglichst breite ERP-Datenbasis von Anfang an, aber erste Anwendung mit überschaubaren Due-Diligence-Cases starten.
FAQ – Häufig gestellte Fragen
Was misst Prognosegenauigkeit, und was nicht?
Prognosegenauigkeit misst die Abweichung zwischen Bedarfsvorhersage und tatsächlicher Nachfrage im Planungssystem, nicht ob Bestandsniveaus, Lieferbereitschaft oder Kosten stimmen. Die Supply-Chain-Outcomes werden von den Dispositionsparametern bestimmt, die den Forecast nur als Eingangsgröße nutzen. Eine hohe Prognosegenauigkeit führt deshalb nur dann zu besseren Outcomes, wenn die Parameter gleichzeitig angepasst werden. Dieser fehlende Schritt erklärt, warum viele Prognoseoptimierungsprojekte keine messbaren Bestandseffekte erzielen.
Welche Supply-Chain-KPIs sind wichtiger als Prognosegenauigkeit?
Die direkt steuerbaren Supply-Chain-Outcome-KPIs sind: (1) Bestandsreichweite in Tagen, (2) artikelbezogene Lieferbereitschaft je SKU, (3) monatliche kalkulatorische Lagerhaltungskosten, (4) monatliche kalkulatorische Bestellkosten, (5+6) Wiederbeschaffungszeit und ihre Variabilität, (7+8) Produktionsdurchlaufzeit und ihre Variabilität, (9) Versandzeit vom Auftragseingang bis Versand. Diese neun Kennzahlen sind monatlich messbar, direkt durch operative Entscheidungen beeinflussbar und kausal mit Bestand und Lieferbereitschaft verbunden.
Wie misst man Lieferbereitschaft auf SKU-Ebene richtig?
Lieferbereitschaft auf SKU-Ebene misst die Liefermenge je Artikel, die termingerecht aus dem verfügbaren Bestand geliefert werden konnte, bezogen auf die gesamte Kundenauftragsmenge im Betrachtungszeitraum. Nur diese artikelbezogene Messung ermöglicht operative Steuerung, weil sie zeigt, welche spezifischen Positionen die Performance treiben. Aggregierte OTIF-Werte zeigen das Gesamtergebnis, ohne die Ursachen zu erschließen.
Wie hilft ein digitaler Zwilling bei der KPI-Messung?
Ein digitaler Zwilling in der Supply Chain simuliert, wie sich Änderungen in Forecast, Lieferzeiten oder Dispositionsparametern auf Bestandsreichweite, Lieferbereitschaft und Kosten auswirken, bevor diese Änderungen real umgesetzt werden. Das verwandelt KPI-Messung von retrospektiver Analyse in proaktive Steuerung. Moderne Zwillinge ermöglichen zudem die tägliche automatische Nachsteuerung von Dispositionsparametern, was den Unterschied zwischen einem Analyse-Dashboard und einem echten operativen Steuerungsinstrument ausmacht.
