74
Ein Vorteil dieser Methode ist, dass nur wenige
historische Daten benötigt werden, da theore-
tisch bereits aus zwei Datenpunkten ein Durch-
schnitt gebildet werden kann. Zudem können
die Prognosen mit wenig Aufwand und einfa-
chen mathematischen Berechnungen ermittelt
werden. Dem gegenüber steht die Tatsache,
dass keinerlei Muster innerhalb der Daten be-
rücksichtigt werden (vgl. Abbildung 2).
Exponentielle Glättung
Als Erweiterung des Simple Moving Average
kann die „exponentielle Glättung“ (engl. „Expo-
nential Smoothing“, hier kurz ES) angesehen
werden. Im Vergleich zum SMA, bei dem alle
vergangenen Beobachtungen gleich gewichtet
werden, wird beim ES die Gewichtung expo-
nentiell geglättet und verringert, je weiter die
Beobachtung entfernt liegt. Mit anderen Wor-
ten, neuere Beobachtungen erhalten in der Pro-
gnose eine relativ größere Gewichtung als die
weiter zurückliegenden. Wird diese Methode
ebenfalls auf das Umsatz-Beispiel gelegt, so
lässt sich erkennen, dass der Trend der Kurve
beibehalten/erkannt wird, die saisonalen
Schwankungen aber auch nicht optimal abge-
bildet werden können.
Die Vorteile der exponentiellen Glättung liegen
in der Einfachheit der Berechnungen, den leicht
durchschaubaren Berechnungsschritten, der
dadurch leichten Programmierbarkeit sowie der
Tatsache, dass die Modelle mit einem einzigen
Parameter gesteuert werden können. Letzteres
Gleitender Mittelwert
Eine der einfachsten Methoden ist der „Gleitende
Mittelwert“ (engl. Simple Moving Average, hier
kurz SMA). Er kann für einfache Vorhersagen ge-
nutzt werden, wenn nur wenige historische Da-
ten zur Verfügung stehen, z. B. bei neu eingeführ-
ten Produkten, und wenn alle anderen Methoden
aufgrund der geringen Datenhistorie nicht sinn-
voll genutzt werden können. Um ein detailliertes
Beispiel aufzuzeigen und die Möglichkeiten zu
vergleichen, wird der Quartalsumsatz eines Un-
ternehmens betrachtet. Die jeweilige Zeitreihe
fängt im 1. Quartal 2007 an und endet im 2.
Quartal 2018. Dabei wird deutlich, dass der glei-
tende Mittelwert dem Trend der tatsächlichen
Werte zwar folgt, aber beispielsweise saisonale
Abweichungen umgekehrt abgebildet werden. In
diesem Beispiel würde daher die Prognose weit-
aus geringer ausfallen als der tatsächliche Wert.
meinsam: Es sind alles rein subjektive Herange-
hensweisen, um einen Forecast zu bilden.
Wenn es darum geht, den Planungsprozess
zeitlich, aber auch inhaltlich zu optimieren, um
sowohl einen genaueren Forecast zu bekom-
men als auch den Verantwortlichen innerhalb
des Planungsprozesses Zeit und Aufwand ab-
zunehmen, bietet sich der Ansatz des „statisti-
schen Forecasts“ an. Dieser macht sich quanti-
tative Methoden zu Nutze, um den Forecast mit
objektiven Betrachtungen zu optimieren. Dazu
werden bekannte statistischen Funktionen ge-
nutzt, die Zusammenhänge oder Muster in den
vorhandenen Unternehmensdaten erkennbar
machen und so entsprechende Vorhersagen
ermöglichen.
Statistical Forecast
Die klassischen Methoden, die sowohl bei der
Planung durch Individuen als auch schon häufig
durch einfache automatisierte Berechnungen
angewendet werden, sind Zeitreihenanalysen.
Die Zeitreihe ist dabei als eine zeitlich geordne-
te Folge von Beobachtungen definiert. Ziel ist
es, Strukturen und Regelmäßigkeiten in diesen
Zeitreihen aufzudecken. Es ist essentiell, die
Zeitreihe in einer chronologischen Abfolge zu
ordnen. Der statistische Forecast nutzt genau
diese Analysen und die erkannten Muster, um
die Zeitreihen in die Zukunft fortzuschreiben.
Für diesen Ansatz existiert eine Vielzahl von
Methoden, im Folgenden werden jedoch nur
drei bekannte und aktuell häufig genutzte be-
trachtet und gegenübergestellt.
Abb. 2: SMA vs. IST
Abb. 3: ES vs. IST
Planungsprozesse mit „statistischem Forecast“
