{"id":229337,"date":"2026-05-21T10:44:10","date_gmt":"2026-05-21T08:44:10","guid":{"rendered":"https:\/\/www.ak-online.de\/?p=229337"},"modified":"2026-05-21T11:15:05","modified_gmt":"2026-05-21T09:15:05","slug":"prognosegenauigkeit-warum-sie-ueberschaetzt-wird-und-welche-kennzahlen-wirklich-zaehlen","status":"publish","type":"post","link":"https:\/\/www.ak-online.de\/de\/prognosegenauigkeit-warum-sie-ueberschaetzt-wird-und-welche-kennzahlen-wirklich-zaehlen\/","title":{"rendered":"Prognosegenauigkeit: Warum sie \u00fcbersch\u00e4tzt wird und welche Kennzahlen wirklich z\u00e4hlen"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t

Prognosegenauigkeit: Warum sie \u00fcbersch\u00e4tzt wird und welche Kennzahlen wirklich z\u00e4hlen<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Ein Maschinenbauer aus dem S\u00fcddeutschen Raum pr\u00e4sentierte mir vor einigen Monaten seinen Forecast-Report. Der MAPE-Wert (nicht meine bevorzugte Kennzahl f\u00fcr die Prognosegenauigkeit) lag bei unter 18 Prozent, deutlich besser als der Branchenschnitt. Das Planungsteam war stolz, die Gesch\u00e4ftsf\u00fchrung zufrieden. Dann schauten wir uns den Lagerbestand an: 43 Prozent der Artikel waren \u00fcberlagert, 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 Zielgr\u00f6\u00dfen zu kontrollieren, ist wie eine Maschine auf Hochglanz zu polieren, die das falsche Teil produziert.<\/p>\n

Prognosegenauigkeit ist nur ein Mittel zum Zweck, kein Zweck an sich. Der eigentliche Zweck der Supply Chain besteht darin, Best\u00e4nde niedrig zu halten, Kunden zuverl\u00e4ssig zu beliefern und Logistikkosten zu minimieren. In \u00fcber 200 Supply-Chain-Projekten beobachteten wir bei Abels & Kemmner immer wieder dieses Muster: Unternehmen mit exzellenten Prognosewerten und gleichzeitig \u00fcberh\u00f6hten Best\u00e4nden und schwacher Lieferbereitschaft.<\/p>\n

Dieser Artikel zeigt, warum das so ist, welche Kennzahlen stattdessen z\u00e4hlen und welches Instrumentarium n\u00f6tig ist, um sie tats\u00e4chlich zu messen und zu steuern.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Warum ist Prognosegenauigkeit kein geeigneter Steuerungs-KPI?<\/strong><\/p>\n

\u00a0<\/p>\n

Prognosegenauigkeit ist eine Prozessmetrik der Planung: Sie misst die Abweichung zwischen Bedarfsvorhersage und tats\u00e4chlicher Nachfrage im Planungssystem, nicht ob Bestandsniveaus, Lieferbereitschaft oder Kosten stimmen.<\/p>\n

\u00a0<\/p>\n

Der Denkfehler liegt in einem fehlenden Glied der Kausalkette. Eine Prognose beeinflusst Best\u00e4nde und Lieferbereitschaft nicht direkt. Sie tut dies nur indirekt, vermittelt \u00fcber Dispositionsparameter: Sicherheitsbest\u00e4nde, Sicherheitszeiten, Meldebestand, Losgr\u00f6\u00dfen, Reichweitengrenzen. Wer die Prognosegenauigkeit verbessert, ohne diese Parameter gleichzeitig anzupassen, \u00e4ndert am Bestand und an der Lieferbereitschaft nichts. Der Forecast wird besser, die Supply Chain bleibt gleich.<\/p>\n

\u00a0<\/p>\n

Eine Peer-Review-Studie, ver\u00f6ffentlicht 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 Steuerungsgr\u00f6\u00dfe verwenden, obwohl kaum empirische Belege f\u00fcr seine Wirkung auf operative Ergebnisse vorliegen. (Peer-Review-Studie zu Prognosegenauigkeit als KPI<\/a>)<\/p>\n

\u00a0<\/p>\n

Ein weiteres Symptom zeigt sich in der Forecast-Value-Added-Analyse. Die von Michael Gilliland bei SAS entwickelte Methodik analysiert, welche Planungsschritte tats\u00e4chlich zur Prognosequalit\u00e4t beitragen. In einer Untersuchung von \u00fcber 60.000 Forecasts wurden 75 Prozent der statistischen Prognosen manuell durch Planer \u00fcberschrieben. Viele dieser Eingriffe verbesserten die Genauigkeit nicht, einige verschlechterten sie sogar. (Forecast Value Added Methodik (SAS)<\/a>) Ein enormer Planungsaufwand, der sich in den Outcome-KPIs nicht niederschl\u00e4gt.<\/p>\n

\u00a0<\/p>\n

Eine kritische Weiterentwicklung dieser Methodik lieferte Lokad 2024: FVA zeigt zwar, welcher Planungsschritt die Prognosequalit\u00e4t nicht verbessert, aber es erkl\u00e4rt 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<\/a>)<\/p>\n

\u00a0<\/p>\n

Zusammengefasst: Prognosegenauigkeit ist eine Prozessmetrik mit einem strukturellen Problem. Sie misst Planungsqualit\u00e4t, nicht Supply-Chain-Ergebnisse. Und sie liefert keinen Hinweis darauf, ob der Aufwand ihrer Verbesserung einen proportionalen Nutzen f\u00fcr Bestand, Lieferbereitschaft oder Kosten erzeugt.<\/p>\n

\u00a0<\/p>\n

Welche Kennzahlen diese L\u00fccke schlie\u00dfen, zeigt der folgende Abschnitt. (Prognosegenauigkeit \u2013 diese Kennzahl bringt Sie nicht wirklich weiter<\/a>)<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t\t\t\t\t\t

Welche Kennzahlen in der Supply Chain wirklich z\u00e4hlen<\/h3>\n

Kennzahlen, die die Supply Chain Performance direkt wiedergeben sind, z.B.:<\/p>\n