Was ist eine Lagerprognose?
Eine Lagerprognose hilft dir, die zukünftige Nachfrage nach Produkten über kurze, mittlere oder lange Zeiträume zu schätzen. Sie ist ein zentraler Bestandteil jeder effektiven Bestandsplanung. Mit einer frühzeitigen Prognose kannst du den Kundenservice, die Lagerkontrolle und das Kapazitätsmanagement verbessern.
Auch Kosten können prognostiziert werden, z. B. die voraussichtlichen Kosten bei zukünftigen Bestellungen. Ein weiterer Bereich ist die Lieferzeit (Lead Time), die in der Regel kürzer wird. Egal was du prognostizierst, beachte diese Grundsätze:
- Prognosen sind kurzfristig genauer. Je weiter du in die Zukunft blickst, desto ungenauer werden sie.
- Prognosen sind nie exakt. Es gibt immer einen Fehler, den man kennen und berücksichtigen sollte.
- Prognosen ersetzen keine echten Nachfragedaten.
Arten von Prognosen
Es gibt viele Möglichkeiten zu prognostizieren, und keine Methode ist immer die beste. Die Wahl hängt vom Zeitraum und den verfügbaren Daten ab. Prognosen lassen sich grob in drei Zeiträume einteilen:
- Langfristige Prognosen: mehrere Jahre im Voraus
- Mittelfristige Prognosen: drei Monate bis ein Jahr im Voraus
- Kurzfristige Prognosen: einige Wochen im Voraus
Prognosen können datenbasiert oder auf Schätzungen beruhen. Wenn eine verlässliche Nachfragedatenhistorie vorhanden ist, sollte sie bevorzugt verwendet werden.
Prognosetechniken
Früher haben wir bereits die Economic Order Quantity (EOQ)-Methode behandelt, um zu bestimmen, wie viele Produkte bestellt werden sollten. In diesem Beitrag schauen wir uns drei grundlegende Prognosetechniken an, die auf historischen Daten basieren.
Als Beispiel verwenden wir die Verkaufszahlen von Oktober, November und Dezember 2022, um die ersten drei Monate des Jahres 2023 zu prognostizieren.
Gleitender Durchschnitt
Diese Methode berechnet den einfachen Durchschnitt einer bestimmten Anzahl vergangener Monate, um den nächsten Monat vorherzusagen.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Dezember 2022 | 137 |
| Januar 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februar 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| März 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Gewichteter gleitender Durchschnitt
Bei dieser Methode werden die vergangenen Monate unterschiedlich gewichtet, wobei die jüngeren Werte am stärksten zählen. Sie eignet sich gut für kurzfristige Prognosen von stabilen Produkten.
Hinweis: Die Summe der Gewichte muss 1,00 betragen. In diesem Beispiel verwenden wir 0,6 (aktuellster Monat), 0,3 und 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Dezember 2022 | 137 |
| Januar 2023 | ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129 |
| Februar 2023 | ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131 |
| März 2023 | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Lineares Glätten
Ähnlich wie der gewichtete Durchschnitt, aber die Gewichte werden mithilfe einer Formel linear verteilt. Diese Methode eignet sich ebenfalls für kurzfristige Prognosen stabiler Produkte.
Gewicht für einen Monat zurück = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Gewicht für zwei Monate zurück = 2 / 6 = 0.3
Gewicht für drei Monate zurück = 1 / 6 ≈ 0.17
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Dezember 2022 | 137 |
| Januar 2023 | ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126 |
| Februar 2023 | ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128 |
| März 2023 | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Fazit
Prognosen basieren auf historischen Daten und Modellen. Sie sind nie perfekt und können Fehler enthalten, etwa durch fehlerhafte Modelle, unvollständige Daten oder Fehlinterpretationen. Trotzdem ist eine fundierte Schätzung immer besser als gar keine.
In zukünftigen Beiträgen schauen wir uns fortgeschrittene Methoden wie exponentielle Glättung oder die Methode der kleinsten Quadrate an und wie diese automatisiert im Warenwirtschaftssystem eingesetzt werden können.