Forecasting

Forecasting (Prognose) schätzt zukünftige Werte einer Kennzahl aus ihrer eigenen Vergangenheit, zum Beispiel den Absatz der nächsten Wochen aus den Verkäufen der letzten Jahre. Das Ergebnis besteht aus zwei Kern-Bausteinen: einem erwarteten Wert pro Zeitpunkt (die Punktprognose) und einer Bandbreite darum, die die Unsicherheit beziffert (das Prognoseintervall). Verfahren reichen von einfachen statistischen Modellen bis zu Machine Learning (ML, selbstlernende Algorithmen). Die Prognose ist die Eingangsgröße für operative Entscheidungen wie Bestandsdisposition, Kapazitätsplanung, Preisoptimierung oder Finanzplanung.

Was ist Forecasting?

Der Begriff stammt aus der Statistik und aus dem Operations Research (dem mathematischen Werkzeugkasten für Planungsentscheidungen). Forecasting schätzt eine Zielgröße nach vorn, im Gegensatz zur nach hinten gerichteten Analyse historischer Daten. Der Output ist eine Zeitreihe (aufeinanderfolgende Werte über die Zeit) pro Prognoseobjekt mit einer Punktprognose (der erwartete Wert, zum Beispiel der Mittelwert) und einem Prognoseintervall in Form von Quantilen. Die Notation p10, p50, p90 bedeutet: der p50-Wert wird mit 50-prozentiger Wahrscheinlichkeit unterschritten (Median), p10 und p90 spannen den Korridor auf, in dem 80 Prozent der plausiblen Verläufe liegen. Die Prognosegenauigkeit fällt mit dem Horizont; der operative Wert einer Prognose entsteht in den meisten Anwendungen im Kurz- und Mittelfrist-Bereich.

Zwei Achsen prägen jede Forecasting-Aufgabe. Die erste ist die Aggregationsebene: grob (Konzern-Umsatz pro Quartal) bis fein (SKU pro Filiale pro Tag oder Netzlast pro Stunde). Auf grober Ebene tragen einfache statistische Verfahren, auf feiner Ebene sind viele Zeitreihen kurz und schwach besetzt, sodass hierarchische Modelle und geteilte Feature-Räume nötig werden. Die zweite Achse ist der Horizont: Kurzfrist (Tage bis Wochen, für Disposition und Einsatzplanung), Mittelfrist (Monate, für Beschaffung und Kapazitätsplanung) und Langfrist (Jahre, für Investitions- und Standortentscheidungen).

Warum der Begriff existiert: Forecasting trennt die prospektive Schätzung mit expliziter Unsicherheitsangabe von der retrospektiven Analytik. Analytik beantwortet, was passiert ist; Forecasting beantwortet, welcher Verlauf wahrscheinlich ist und mit welcher Streuung. Aus diesem methodischen Kern speisen sich die anwendungsspezifischen Ausprägungen (Demand Forecasting, Sales Forecasting, Financial Forecasting, Workforce Forecasting, Capacity Forecasting).

Methodenklassen

Die operativ genutzten Verfahrensklassen lassen sich fünf Familien zuordnen:

• Statistische Zeitreihenverfahren: ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing), Holt-Winters, STL-Zerlegung und Prophet. Modellieren Trend, Saisonalität und Autokorrelation direkt aus der Historie der Zielgröße und tragen bei stabilen Mustern.
• Regressions- und Machine-Learning-Verfahren: Gradient Boosting (XGBoost, LightGBM, CatBoost) und Random Forest dominieren in Praxis-Wettbewerben wie der M5-Competition, weil sie Kalender-, Aktions-, Wetter- und Preis-Features direkt aufnehmen und pro Objekt kein eigenes Modell brauchen.
• Deep-Learning-Verfahren: LSTM (Long Short-Term Memory), Temporal Fusion Transformer (TFT), N-BEATS und DeepAR tragen bei großen Datenmengen und wenn globale Muster über viele Zeitreihen geteilt werden, etwa in Netzen mit hunderttausenden Anschlüssen oder Ketten mit zehntausenden Prognoseobjekten.
• Hierarchische Modelle und Reconciliation: Prognosen auf mehreren Ebenen (SKU, Kategorie, Region, Gesamt) werden konsistent gemacht. Verfahren sind top-down, bottom-up oder Minimum Trace (MinT), um die Prognosen zwischen den Ebenen wieder in Übereinstimmung zu bringen.
• Judgmental Forecasting: menschliche Overrides für Neu-Produkte, seltene Ereignisse und strategische Entscheidungen. In der Regel als Model-Assisted Forecast in Kombination mit einer statistischen Baseline; der Konsens-Forecast entsteht im S&OP-Prozess (Sales & Operations Planning).

Eingangs-Features und Bewertungsmetriken

Forecasting-Modelle speisen sich aus der Historie der Zielgröße und einer wachsenden Zahl externer Merkmale: Kalenderdaten (Wochentag, Feiertag, Ferien), Wetter (Temperatur, Niederschlag, Wind, Sonnenstunden), Aktions- und Preisdaten, makroökonomische Indikatoren, Wettbewerber-Signale und ereignisgetriebene Sondereinflüsse. Die Bewertung erfolgt üblicherweise über MAPE (Mean Absolute Percentage Error) oder gewichtet über WAPE; bei Intermittent Demand mit vielen Null-Beobachtungen sind MASE und Tweedie-Loss geeigneter. Für Bestands- und Kapazitätsentscheidungen zählt die Quantil-Genauigkeit (Pinball-Loss, Service-Level-Sicht) statt des Punkt-Fehlers; eine Punktprognose ohne Intervall unterschätzt regelmäßig den Absicherungsbedarf.

Typische Fehlerquellen sind Verzerrungen durch fehlende Bestands- oder Kapazitätssignale (Nachfrage kann nur da gemessen werden, wo Angebot vorhanden war), unerklärte Struktur­brüche in der Historie, Cold-Start-Situationen ohne Prognose-Historie und Kalender-Effekte wie verschobene Feiertage zwischen Jahren.

Abgrenzung zu verwandten Begriffen

Predictive Analytics ist der weiteste Rahmen und umfasst zusätzlich Klassifikations-Aufgaben (Churn, Kreditrisiko, Betrugsverdacht) und Ereignis-Vorhersagen ohne explizite Zeitachse. Forecasting ist der Teilbereich mit Zeitachse und in der Regel numerischer Zielgröße. Demand Forecasting und Sales Forecasting sind zwei getrennte Anwendungen: sie messen unterschiedliche Zielgrößen (Menge vs. Geldbetrag), haben unterschiedliche Ownership (Operations vs. Sales/Finance) und werden bei variablen Preisen und Sortimenten systematisch abweichen, obwohl sie häufig verwechselt werden. Time Series Forecasting bezeichnet die engere Methodenklasse; moderne Forecasting-Modelle im Handel oder im Netzbetrieb ähneln eher Panel-Regressionen mit Zeitkomponente als reinen Zeitreihenmodellen. Simulation grenzt sich analog ab: Forecasting schätzt den erwarteten Verlauf unter fortgesetzter Historie, Simulation berechnet Verläufe unter definierten Annahmen und liefert keine Wahrscheinlichkeitsverteilung der Zukunft.

Beispiel: Kurzfrist-Lastprognose im Verteilnetz

Ein Energieversorger prognostiziert den stündlichen Netzlastverbrauch der nächsten 72 Stunden für ein Verteilnetz mit 400.000 Anschlüssen. Als Grundlage dienen historische Lastdaten der letzten fünf Jahre, die Wetterprognose (Temperatur, Bewölkung, Wind, Sonnenstunden), Kalenderfeatures (Werktag/Wochenende/Feiertag) und Meldungen zu geplanten Kraftwerks-Revisionen. Ein Temporal Fusion Transformer liefert Punktprognose und Quantile (p10, p50, p90) pro Stunde. Die p90-Werte fließen in die Reserveleistungs-Beschaffung, die p50-Werte in die Fahrplananmeldung am Day-Ahead-Markt.

Die Prognoseobjekt-Ebene ist Netzknoten × Stunde. Wetter-Features werden als externer Regressor kodiert und mit räumlicher Interpolation auf Netzknoten heruntergebrochen. Feiertage und Brückentage gehen als Kalender-Features ein, damit Verschiebungen zwischen Jahren nicht als Ausreißer gelernt werden. Kraftwerks-Ausfälle werden als Struktur­bruch-Signal geführt und nicht in die Baseline-Historie gemischt. Andere typische Einsatzfelder von Forecasting sind Absatz- und Bestandsprognose im Handel (Grundlage für Demand-Forecasting-Anwendungen), Personal- und Kapazitätsplanung in Callcentern und Kliniken, Cash-Flow- und Umsatzprognose in Finance, Wartungs- und Ausfallprognose in Fertigung und Logistik sowie Web-Traffic- und Kapazitäts-Prognose im Plattform-Betrieb.