Die Nachfrageprognose schätzt, was Kunden über einen definierten zukünftigen Zeitraum benötigen werden. Ihr Wert hängt von der Entscheidung ab, die sie unterstützt: Lagerbestände kaufen, Mitarbeiter einplanen oder Kapazitäten planen. Ein Modell, das den morgigen Bedarf gut vorhersagt, kann dennoch ungeeignet für eine Einkaufsentscheidung sein, die sechs Wochen im Voraus getroffen werden muss.
Die TimesFM-Ankündigung von Google Cloud im November 2025 brachte vortrainierte Prognosefunktionen in BigQuery und AlloyDB. Einfacherer Zugriff macht Experimente praktischer, beseitigt jedoch nicht die Notwendigkeit, Prognosen gegen ein geschäftliches Baseline zu testen.
Beginnen Sie mit dem Entscheidungshorizont
Definieren Sie den Artikel, den Standort, das Zeitintervall und die Vorlaufzeit, bevor Sie ein Modell auswählen. Die tägliche Nachfrage eines einzelnen Geschäfts ist ein anderes Problem als die monatliche Nachfrage in einer Region. Aggregation kann Lagerengpässe an einzelnen Standorten verbergen, auch wenn die Gesamtprognose genau aussieht.
Überprüfen Sie, ob die erfassten Verkäufe die Nachfrage widerspiegeln. Ein leerer Regalplatz kann trotz starkem Kundeninteresse null Verkäufe erzeugen. Kennzeichnen Sie diese Zeiträume und dokumentieren Sie, wie der Prognoseprozess damit umgeht.
Mit einer saisonalen Basislinie vergleichen
Ein einfacher Ausgangspunkt sagt denselben Wert wie eine vergleichbare vorherige Periode voraus, beispielsweise denselben Wochentag in der vorherigen Woche. Verwenden Sie eine Basislinie, die die verfügbare Historie und den Geschäftszyklus widerspiegelt.
Testen Sie beide Methoden an späteren Perioden, die während der Entwicklung nicht verfügbar waren. Wiederholen Sie dies über mehrere Stichtage hinweg, anstatt nur einen günstigen Monat auszuwählen. Unser Leitfaden zur Verhinderung von Datenlecks erklärt, warum die zu jedem Vorhersagedatum verfügbaren Informationen wichtig sind.
Messen Sie Fehler dort, wo sie Konsequenzen haben
Der durchschnittliche absolute Fehler ist in Geschäftseinheiten leicht zu interpretieren. Untersuchen Sie auch systematische Über- und Unterprognosen nach Produkt oder Standort. Prozentuale Fehler erfordern Vorsicht, wenn die tatsächliche Nachfrage nahe null liegt.
Für einen beispielhaften Personalfall kann eine Vorhersage, die wiederholt Stoßzeiten verfehlt, kostspielig sein, selbst wenn ihr täglicher Durchschnittsfehler gering ist. Vergleichen Sie die Fehler mit Verzögerungen im Service, Lagerhaltungskosten oder verpassten Bestellungen, ohne anzunehmen, dass jede Einheit des Fehlers die gleiche Auswirkung hat.
Verwenden Sie Bereiche und explizite Ausnahmen
Ein Unsicherheitsintervall beschreibt einen Bereich möglicher Ergebnisse unter den Annahmen des Modells. Überprüfen Sie, wie oft die beobachtete Nachfrage in den zurückgehaltenen Perioden innerhalb dieses Intervalls liegt. Ein schmales Intervall ist nicht nützlich, wenn es routinemäßig die Realität verfehlt.
Markiere Produkteinführungen, große Werbeaktionen und fehlende Daten zur Überprüfung. Überschreibe Einträge, damit das Team später die ursprüngliche Prognose mit der angepassten vergleichen kann. Überwache Änderungen nach der Bereitstellung mithilfe eines Modell-Drift-Prozesses.
Mache das erste Projekt überschaubar
Wähle eine Planungsentscheidung mit konsistenten historischen Aufzeichnungen und messbaren Folgen. Erkunde No-Code-Maschinelles Lernen mit NextBrain AI und besprich deinen Prognosehorizont und die Daten, bevor du auf jedes Produkt oder jeden Standort ausweitest.