Prognosen – Die Notwendigkeit, der große Schaden und die richtige Verwendung
- von Wolfgang Klemm
- AgilePerformance
- AURORA4Growth
- AURORA4Performance
- ControllingTwoZero
- FixTheFlowAndGrow
- MastersOfChange
- Schragenheim
Prognostizieren bedeutet, die Zukunft auf der Grundlage von Daten und Erkenntnissen aus der Vergangenheit vorherzusagen.
Gemäß obiger Definition hängt jede einzelne Entscheidung, die wir treffen, von einer Prognose ab. Dies gilt definitiv für jede Managemententscheidung.
Das Problem bei jeder Vorhersage ist, dass sie nie sicher ist.
Es ist ein großer Fehler, Prognosen wie einen Propheten zu behandeln, der uns die Zukunft voraussagt. Wir benötigen also eine Prognose, die darstellt, wie die Zukunft aussehen könnte, einschließlich dessen, was wahrscheinlicher ist zu geschehen und was etwas weniger wahrscheinlich, aber dennoch möglich ist.
Die Mathematik hat uns gelehrt, dass die Beschreibung jeglichen unsicheren Verhaltens mindestens zwei verschiedene Merkmale/Parameter haben sollte: einen zentralen Wert wie den "erwarteten Wert" und einen anderen, der die "erwartete Abweichung vom Durchschnitt" beschreibt. Daraus ergibt sich die Definition eines "Konfidenzintervalls", in dem die wahrscheinlicheren Ergebnisse liegen. Jede fundierte Entscheidung muss einen Bereich möglicher Ergebnisse berücksichtigen.
Während es verschiedene Möglichkeiten gibt, wirksame Prognosen zu erstellen, die für eine überlegene Entscheidungsfindung verwendet werden können, besteht das eigentliche generische Problem im Missbrauch von Prognosen.
Es gibt zwei wesentliche Fehler beim Einsatz von Prognosen:
- Verwendung von Einzahlprognosen.
- Verwendung des falschen Prognosehorizonts oder Detaillierungsgrads. Der grundsätzliche Punkt besteht darin, dass der genaue Prognosetyp zur Entscheidung passen muss, bei der die Prognose als kritische Informationsquelle betrachtet wird. Ein ähnlicher Fehler besteht darin, die falschen Parameter für computerbasierte Prognosen zu verwenden oder sich auf irrelevante oder minderwertige Daten zu verlassen.
Die Verwendung von Einzahlprognosen
Die überwiegende Mehrheit der in Unternehmen verwendeten Prognosen zeigt nur eine Zahl pro Artikel/Standort/Zeitraum an. Es gibt keine Angabe zum geschätzten Prognosefehler. Wenn also die Prognose besagt, dass in der nächsten Woche 1.000 Einheiten verkauft werden, gibt es keine Angabe, ob es immer noch wahrscheinlich ist, dass 1.500 verkauft werden oder nur 600. Dies verzerrt den Wert der für eine fundierte Entscheidung erforderlichen Informationen, wie beispielsweise die Menge, die für den Verkauf in der nächsten Woche gekauft werden soll.
Jede computerbasierte Prognose, die auf auch dem einfachsten mathematischen Modell basiert, enthält eine Schätzung der durchschnittlichen möglichen Abweichung vom Durchschnitt. Wenn der erwartete Wert einer Prognose in einen vernünftigen Bereich umgewandelt wird, wie zum Beispiel plus/minus 1,5 oder 2 geschätzte Standardabweichungen oder die Verwendung des mittleren absoluten prozentualen Fehlers (MAPE), besteht etwa eine 80-90%ige Chance, dass das tatsächliche Ergebnis in diesem Bereich liegt.
Wie kann ein solcher vernünftiger Bereich Entscheidungen unterstützen?
Die beiden wichtigsten Informationen sind die Grenzen des Bereichs. Jede alternative Entscheidungsoption muss beide Extreme des Bereichs berücksichtigen, um den potenziellen Schaden zu berechnen/abzuschätzen. Wenn die tatsächliche Nachfrage dem unteren Ende des Bereichs entspricht, führt dies zu einem Ergebnis, und wenn die tatsächliche Nachfrage dem oberen Ende entspricht, gibt es ein anderes Ergebnis. Wenn sich die Nachfrage irgendwo innerhalb des Bereichs befindet, liegt das Ergebnis ebenfalls zwischen den Extremwerten. Mit beiden Extremwerten wird die Wahl zwischen den praktikablen Alternativen realistisch und führt zu besseren Entscheidungen als wenn den Entscheidungsträgern kein solcher Bereich vernünftiger Ergebnisse präsentiert wird.
Ein einfaches Beispiel: Die Prognose besagt, dass der Verkauf von Produkt X in der nächsten Woche zwischen 1.000 und 1.400 Einheiten liegen wird. Die Entscheidung betrifft den Lagerbestand zu Beginn der Woche. Für die Einfachheit nehmen wir an, dass es keine praktische Möglichkeit gibt, während der Woche X Einheiten hinzuzufügen oder Einheiten an einen anderen Standort zu verlagern.
Es gibt drei vernünftige Alternativen für die Entscheidung: 1.000 Einheiten halten, 1.400 Einheiten halten oder der Durchschnittsprognose von 1.200 folgen.
Wenn nur 1.000 Einheiten gehalten werden und die Nachfrage genau 1.000 beträgt, ist das Ergebnis perfekt. Wenn sich jedoch herausstellt, dass die Nachfrage 1.400 beträgt, gibt es eine ungedeckte Nachfrage von 400 Einheiten. Der tatsächliche Schaden hängt von der Situation ab: Was könnten die unzufriedenen Kunden tun? Kaufen sie ähnliche Produkte, entwickeln sie eine Abneigung gegen das Unternehmen oder warten sie geduldig auf die nächste Woche?
Wenn die Entscheidung darin besteht, 1.400 auf Lager zu haben, stellt sich die Frage: Kann es zu einem Überschuss an unverkauften Einheiten am Ende der Woche kommen – ist das ein Problem? Wenn der Verkauf in der nächsten Woche weitergeht und die Einheiten weiterhin neu aussehen, besteht der einzige Schaden darin, dass die 400 Einheiten zu früh gekauft wurden. Es könnte natürlich auch andere Fälle geben.
Was ist die rationale Begründung für die Lagerung von 1.200 Einheiten? Es macht nur Sinn, wenn ein Engpass oder ein Überschuss den gleichen Schaden verursachen. Wenn ein Engpass schlimmer ist als ein Überschuss, dann ist die Lagerung von 1.400 die vernünftige Entscheidung. Wenn ein Überschuss einen größeren Schaden verursacht, entscheiden wir uns für die Lagerung von nur 1.000.
Das Beispiel verdeutlicht den Vorteil eines Bereichs anstelle von 1.200 als Einzahlprognose, bei der der Entscheidungsträger sich fragt, wie hoch die Nachfrage sein könnte.
Es gibt zwei sehr unterschiedliche Möglichkeiten, die Nachfrage vorherzusagen. Eine besteht darin, mathematische Prognosealgorithmen zu verwenden, die auf vergangenen Ergebnissen basieren und von einem Computer durchgeführt werden. Der andere Weg besteht darin, diejenigen, die dem Markt am nächsten sind, ihre Intuition zur Vorhersage der Nachfrage nutzen zu lassen. Der mathematische Algorithmus kann verwendet werden, um den erforderlichen Bereich zu erstellen, aber es ist notwendig, die Parameter zu definieren, die den Bereich bestimmen, insbesondere die Wahrscheinlichkeit, dass das tatsächliche Ergebnis innerhalb des Bereichs liegt.
Der andere Typ, bei dem Menschen ihre Intuition zur Vorhersage der Nachfrage nutzen, eignet sich auch zur Vorhersage eines Bereichs anstelle einer einzelnen Zahl. Menschliche Intuition ist definitiv nicht auf eine einzige Zahl abgestimmt. Es sollten jedoch bestimmte Regeln klar formuliert werden, da sonst die von Menschen prognostizierten Bereiche zu weit sein könnten. Die Idee hinter dem vernünftigen Bereich ist, dass mögliche, aber extreme Ergebnisse außerhalb des Bereichs liegen sollten. Dies bedeutet, dass die Organisationskultur akzeptiert, dass das tatsächliche Ergebnis manchmal, wenn auch nicht allzu oft, vom prognostizierten Bereich abweicht. Es gibt keine praktische Möglichkeit, ein intuitives Konfidenzintervall von 90% zu bewerten, da die genauen Wahrscheinlichkeiten, selbst die Formel, die das Verhalten der Unsicherheit beschreibt, unbekannt sind. Dennoch ist es möglich, die Unsicherheit in einer Weise anzunähern, die besser ist, als sie einfach zu ignorieren.
Wir erwarten nicht, dass alle tatsächlichen Ergebnisse innerhalb des Bereichs liegen; wir erwarten, dass 10-20% außerhalb des vernünftigen Bereichs liegen.
Es könnte noch weitere Variationen bei der Schlüsselentscheidung geben. Wenn sowohl Engpässe als auch Überschüsse erheblichen Schaden verursachen, sollte das Operations-Team vielleicht prüfen, ob es möglich ist, eine bestimmte Anzahl von Einheiten in der Mitte der Woche zu beschleunigen. Wenn dies möglich ist, macht es Sinn, zu Beginn der Woche 1.000 Einheiten zu halten und bereit zu sein, während der Woche 400 oder weniger zu beschleunigen. Es setzt jedoch voraus, dass die Beobachtung der tatsächlichen Verkäufe zu Beginn der Woche eine bessere Prognose liefert, d. h. einen viel engeren Bereich. Es setzt auch voraus, dass die Kosten für die Beschleunigung geringer sind als die Folgen von Engpässen oder einer Überlagerung.
Eine weitere Regel, die vollständig verstanden werden muss, besteht darin, die Verwendung kombinierter Bereiche von Artikeln/Standorten zu vermeiden, um die Nachfrage nach Produktfamilien, einem bestimmten Marktsegment oder der Gesamtnachfrage vorherzusagen. Während die Summe der Mittelwerte der Mittelwert der kombinierten Prognosen ist, führt die Kombination der Bereiche zu einer erheblichen Übertreibung des vernünftigen Bereichs. Die mathematische Prognose sollte den Mittelwert und die absolute mittlere Abweichung anhand der Vergangenheitsdaten der kombinierten Nachfrage erneut prognostizieren. Die menschliche Prognose sollte sich erneut auf die menschliche Intuition stützen.
Denken Sie daran, dass das Ziel darin besteht, bessere Entscheidungen zu unterstützen, indem die besten Teilinformationen offengelegt werden, die für die Entscheidung relevant sind. Eine zu weite Spanne zu berücksichtigen, die auch Fälle einschließt, die selten auftreten, unterstützt keine guten Entscheidungen, es sei denn, der seltene Fall könnte katastrophalen Schaden verursachen. Eine zu weite Spanne unterstützt viel zu sichere Entscheidungen, definitiv nicht die erforderlichen Entscheidungen für erfolgreiche Unternehmen.
Warnung: Ein weiterer damit zusammenhängender häufiger Fehler besteht darin, anzunehmen, dass die Nachfrage nach jedem Artikel/Standort unabhängig von der Nachfrage nach einem anderen Artikel oder Standort ist. DIES IST IN DER REGEL FALSCH! Es gibt teilweise Abhängigkeiten der Nachfrage zwischen den Artikeln und Standorten. Allerdings sind die Abhängigkeiten nicht zu 100% vorhanden. Der einzige praktische Ratschlag lautet: Prognostizieren Sie das, was Sie benötigen. Wenn Sie die Prognose für einen Artikel benötigen, machen Sie dies nur für diesen Artikel. Wenn Sie die Prognose für den Gesamtumsatz benötigen, machen Sie dies von Grund auf für das Gesamte. Die eine Information, die Sie verwenden könnten: Die Summe der Mittelwerte sollte dem Mittelwert der Summe entsprechen. Wenn es eine Diskrepanz zwischen der Summe der Mittelwerte und dem Mittelwert der Summe gibt, ist es an der Zeit, die zugrunde liegenden Annahmen sowohl für die Details als auch für die globalen Prognosen zu hinterfragen.
Die richtige Prognose für die spezifische Entscheidung
Nehmen wir an, dass ein kontinuierliches Umsatzwachstum die Frage einer erheblichen Kapazitätserhöhung sowohl bei der Ausrüstung als auch beim Personal aufwirft.
Ist es notwendig, das erwartete Umsatzwachstum jedes Produkts zu berücksichtigen?
Die zusätzliche Ausrüstung wird für mehrere Produktfamilien benötigt, daher hängen die Kapazitätsanforderungen hauptsächlich vom Wachstum des Gesamtumsatzes ab, obwohl einige Produkte eine höhere Kapazität erfordern als andere.
Der Schlüsselparameter ist also das ungefähre neue Umsatzniveau und die Berechnung der erforderlichen Kapazitätserhöhung. Diese Umsatzsteigerung könnte auch eine Erhöhung der Rohstoffe erfordern, die mit den Lieferanten überprüft werden muss. Möglicherweise besteht sogar Bedarf an einer größeren Kreditlinie, um die zeitliche Abstimmung des Materialkaufs, der regulären Betriebskosten zur Aufrechterhaltung der Kapazität und des Zeitpunkts der eingehenden Einnahmen zu überbrücken.
Sich auf die Ansammlung individueller Prognosen zu verlassen, ist problematisch. Es ist gut, den Durchschnitt des Gesamten zu berechnen, aber nicht für die Bewertung der durchschnittlichen Fehler. Durch die Konfrontation mit einer vernünftig konservativen Gesamtprognose im Vergleich zur vernünftig optimistischen Prognose würden das potenzielle Risiko der Investition und der potenzielle Gewinn hervorgehoben.
Eine Entscheidung darüber, wie viel an einem bestimmten Standort gelagert werden soll, sollte auf den individuellen Bereichen pro Artikel/Standort basieren. Dies ist eine andere Art von Prognose, die mit einem höheren Unsicherheitsniveau konfrontiert ist und daher auf kurzen Zeithorizonten und schneller Wiederauffüllung basieren sollte, um besser mit den Schwankungen in der Nachfrage umgehen zu können. Die Hauptannahme von TOC (Theory of Constraints) und Lean ist, dass die Nachfrage für den nächsten kurzen Zeitraum ähnlich wie im letzten Zeitraum ist. Daher ermöglicht eine schnelle Wiederauffüllung entsprechend der tatsächlichen Nachfrage eine schnelle Anpassung an zufällige Schwankungen. Eine längerfristige Planung muss Trends, Saisonalität und andere potenziell bedeutende Veränderungen berücksichtigen. Hierfür sind Prognosen erforderlich, die weiter in die Zukunft schauen und die Wahrscheinlichkeit solcher Veränderungen erfassen und in den vernünftigen Bereich einschließen können.
Es gibt auch Entscheidungen, bei denen die Prognose für eine bestimmte Produktfamilie berücksichtigt werden muss oder Entscheidungen, die ein bestimmtes Marktsegment betreffen, das ein Teil des Marktes ist, an den das Unternehmen verkauft.
Die gängige Praxis bei der computergestützten Prognose besteht darin, detaillierte Prognosen für jeden Artikel zu erstellen und sie nach Bedarf zu akkumulieren. Das Problem besteht jedoch darin, dass während die Akkumulation der Durchschnittswerte den Durchschnitt des Gesamten ergibt, der resultierende Bereich bei den Bereichen viel zu weit ist.
Eine andere Praxis, die normalerweise auf intuitiven Prognosen basiert, besteht darin, den Umsatz einer Produktfamilie/Standorte vorherzusagen und dann eine bestimmte Verteilung innerhalb der einzelnen Artikel anzunehmen. Diese Praxis fügt der durchschnittlichen Nachfrage nach einzelnen Artikeln erhebliches Rauschen hinzu, ohne jeglichen Bezug zur wahrscheinlichen Streuung.
Angesichts der Leistungsfähigkeit heutiger Computer besteht die einfache Lösung darin, mehrere Prognosen basierend auf den Anforderungen der Entscheidungsfindung durchzuführen.
Bei auf menschlicher Intuition basierenden Prognosen besteht Flexibilität darin, die Prognose an die spezifische Entscheidung anzupassen. Der signifikante Unterschied besteht darin, den vernünftigen Bereich als Schlüsselinformation für die vorliegende Entscheidung zu verwenden.
Datenqualität
Ein besonderes Problem bei der Prognose besteht darin, sich darüber im Klaren zu sein, welche vergangenen Daten für die vorliegende Entscheidung wirklich relevant sind. Statistiken sowie Prognosealgorithmen müssen sich auf Zeitreihendaten aus der nicht allzu nahen Vergangenheit verlassen, um Trends, Saisonalität und andere Faktoren zu identifizieren, die zukünftige Verkäufe beeinflussen. Das potenzielle Problem besteht darin, dass sich die Konsumgewohnheiten in Produkt, Markt oder Wirtschaft grundlegend geändert haben könnten, sodass das, was vor der Veränderung geschah, möglicherweise nicht mehr relevant ist.
Covid-19 hat zu einer dramatischen Veränderung vieler Unternehmen geführt, wie zum Beispiel im Tourismus, in Restaurants, Pubs und Kinos. Andere Unternehmen wurden ebenfalls beeinflusst, jedoch in geringerem Maße. Daher sollte bei der Prognose zukünftiger Nachfrage nach Covid-19 besonders darauf geachtet werden, sich auf die Nachfrage während der Pandemie zu stützen. Der Autor geht davon aus, dass sich die zukünftigen Konsumgewohnheiten für die meisten Produkte und Dienstleistungen nach Covid-19 im Vergleich zu 2019 unterschiedlich verhalten werden. Dies bedeutet, dass die Leistungsfähigkeit der computergestützten Prognosen vorübergehend abnehmen könnte, da nicht allzu viele gute Daten verfügbar sein werden. Selbst Prognosen auf der Grundlage menschlicher Intuition sollten mit besonderer Sorgfalt verwendet werden, da Intuition, wie auch computergestützte Prognosen, nur langsam auf Veränderungen reagieren und deren Verhalten vorhersagen können. Die Verwendung von rationaler Ursache-Wirkung-Analyse zur Neugestaltung der Intuition ist der richtige Ansatz.
Fazit
Alle Organisationen müssen ihr Bestes tun, um die zukünftige Nachfrage vorherzusagen, aber alle Manager müssen die grundlegende gemeinsame und erwartete Unsicherheit ihrer Prognosen verinnerlichen und diese Unsicherheit in ihre Entscheidungsfindung einbeziehen.
Sobald diese Erkenntnis vorhanden ist, werden Prognosen, die einen vernünftigen Bereich an Ergebnissen liefern, zu den besten unterstützenden Informationen, die zu deutlich verbesserten Entscheidungen führen. In Zeiten, in denen die gemeinsame und erwartete Unsicherheit erheblich höher ist als vor 2020, werden Organisationen, die schneller lernen, solche Bereichsprognosen zu verwenden, einen entscheidenden Wettbewerbsvorteil erlangen.