Ein Forecast zählt erst, wenn jemand danach disponiert

In diesem Format beleuchten wir reale Lessons-Learned-Fälle aus unserem Projektfundus und dem Logistik- und SCM-Kosmos. Wir zeigen die Ausgangslage, den Umsetzungsansatz beziehungsweise die Lösung sowie die konkreten Maßnahmen.

Im ersten Teil dieser Serie ging es um die reaktive Seite: Ein gebuchter Slot ist noch kein eingehaltener, und der Wert eines Zeitfenstersystems entsteht erst am Werktor. Dieser zweite Teil dreht die Blickrichtung um. Statt zu steuern, was schon vor der Rampe steht, geht es darum, früh genug zu wissen, was kommt — und die Transport- und Lagerkapazität zu sichern, bevor der Peak da ist. Die Lehre ist verwandt: Eine Prognose zählt nicht, weil sie existiert, sondern weil jemand rechtzeitig danach disponiert.

Die Ausgangslage: ein Forecast in Excel

Der Fall stammt vom selben Chemie-Logistikstandort wie Teil 1. Das Ziel war eine monatliche Prognose der Gesamtversandmenge — verpackte Ware, Bulk-Verladung und Lohnschnitt —, um Transport- und Lagerkapazitäten frühzeitig zu sichern. Die Grundlage dafür wurde bislang in individuell gepflegten Excel-Listen erstellt: Daten aus ERP und Speditionsabrechnungen, monatlich in Excel konsolidiert, Artikel- und Versandartcodes von Hand bereinigt, Forecast gegen Ist per Pivot-Analyse verglichen.

Die Größenordnung ist überschaubar und gerade deshalb lehrreich: Die Monate lagen 2020 bei rund 20 bis 25 Tausend Tonnen Gesamtvolumen, wobei die Bulk-Verladungen knapp zwei Drittel ausmachten, verpackte Ware etwa ein Drittel und der Lohnschnitt unter fünf Prozent. Die mittlere Prognoseabweichung lag bei unter zehn Prozent — kein schlechter Wert für ein heuristisches Modell. Das Problem lag nicht im Durchschnitt, sondern in den Spitzen: Kurzfristige Mengenpeaks von mehr als zwanzig Prozent führten zu Frachtaufschlägen, Rampenstaus und Überstunden. Denn wenn die Abweichung erst im Ist sichtbar wird, bleibt nur die teure kurzfristige Disposition — ein Zusatz-Lkw hier, eine Schichtanpassung dort.

Der Ansatz: rollierend, eingefroren, gemeinsam

Der Kern der Verbesserung war nicht ein besseres Modell, sondern ein besserer Rhythmus. An die Stelle einer einmal im Monat erstellten Liste trat ein rollierender Forecast-Zyklus mit monatlichem Update und einem Week-0-Abgleich, der die Prognose laufend an die Realität heranführt. Dazu kamen klare Freeze-Zonen — etwa minus vierzehn Tage —, ab denen die Planung nicht mehr angetastet wird, damit die Logistik verlässlich disponieren kann. Und schließlich ein gemeinsames Review-Meeting von Logistik, Planung und Controlling, in dem Forecast und Ist nicht in getrennten Tabellen, sondern an einem Tisch abgeglichen werden.

Der eigentliche Hebel steckt in der Vorwarnzeit. Als Zielgrößen wurden ein Prognosefehler von höchstens acht Prozent (MAPE) und eine Peak-Vorwarnung von mindestens vier Wochen definiert. Damit die Vorwarnung auch trägt, gehören die Forecast-Freeze-Termine fest in den S&OP-Kalender — die Prognose ist kein Nebenprodukt der Logistik, sondern Teil des Planungstakts. Die Zielgrößen sind Zielwerte, keine erzielten Ergebnisse — aber sie beschreiben genau den Unterschied, auf den es ankommt: Ein Peak, der vier Wochen vorher sichtbar ist, lässt sich mit vertraglich gesicherter Kapazität abfedern; ein Peak, der erst im Ist auftaucht, kostet Frachtaufschlag und Overtime. Die Prognose selbst ändert nichts. Was sich ändert, ist der Zeitpunkt, zu dem jemand handeln kann.

Getragen wurde der Forecast von einem festen Kreis mit klaren Rollen: die Supply-Chain-Planung erstellt die Prognose, die Logistikdisposition übersetzt sie in Kapazitäts- und Rampenplanung, Produktion und Werkssteuerung gleichen sie mit der Fertigung ab, das Controlling verantwortet die Abweichungsanalyse, und IT und Data-Management stellen die Daten bereit. Diese Rollenteilung ist der eigentliche Unterschied zwischen einer Tabelle und einem Prozess: Solange der Forecast das Werk nur einer Abteilung ist, bleibt er eine Meinung; erst wenn jede Rolle ihren Teil verantwortet, wird er zur Steuerungsgrundlage.

Das Vorgehen in Phasen

Damit das nicht bei guten Vorsätzen bleibt, lief das Projekt entlang eines Modells in sechs Phasen. Am Anfang steht die Initialisierung mit Scope und KPI-Set — Versandarten, Maßeinheiten und Zeithorizont eindeutig definiert, Zielgrößen wie MAPE und Peak-Notice fixiert. Es folgt die Datenaufbereitung: ein sauberer, konsolidierter Datenpool über einen ETL-Prozess, einheitliches Code-Mapping und eine Historie von mehr als vierundzwanzig Monaten als Basis.

In der dritten Phase entsteht das Prognosemodell über Zeitreihenanalyse, Saisonfaktoren und eine Validierung per Back-Testing, inklusive Gütemaßen. Erst danach kommt die Implementierung, die den Forecast in den Prozess integriert — automatisiertes Upload-Skript, Dashboarding und definierte Alarmschwellen. Der Betrieb sichert über den monatlichen Forecast-Ist-Abgleich und eine Rekalibrierung die kontinuierliche Verbesserung, und die Nachbetrachtung bewertet den Nutzen über KPI-Review und ROI-Analyse und legt den Rollout-Plan fest. Der Wert des Modells liegt wieder in der Reihenfolge: erst saubere Daten, dann ein Modell, dann die Integration in den Prozess — nicht umgekehrt.

Was schwieriger war als gedacht

Zur Ehrlichkeit gehört, dass Excel als Werkzeug einen echten Vorteil hatte: Es ist allen bekannt und ermöglicht einen schnellen Einstieg, und schon der regelmäßige Forecast-Ist-Vergleich senkt Fehlmengen. Der Preis dafür ist allerdings hoch. Der manuelle Aufwand zur Datenbereinigung war die eigentliche Bremse — uneinheitliche Artikel- und Versandartbezeichnungen mussten Monat für Monat von Hand geglättet werden. Excel stößt zudem bei Datenvolumen und Versionierung an seine Grenzen, und die fehlende Automatisierung verhindert eine tagesaktuelle Sicht.

Die zweite, unbequemere Wahrheit betrifft das Modell selbst: Ein rein heuristischer Ansatz auf Basis eines gleitenden Durchschnitts glättet die Vergangenheit, aber er sieht keinen Peak kommen. Genau die Spitzen, die den Schaden anrichten, sind die, die ein Durchschnittsmodell strukturell verpasst. Und schließlich bleibt der Faktor Mensch: Ein rollierender Forecast mit Freeze-Zonen funktioniert nur, wenn Planung, Logistik und Controlling ihn als gemeinsamen Prozess akzeptieren und nicht als weitere Tabelle, die jemand anderes pflegt.

Was sich übertragen lässt

Das Vorgehen eignet sich für alle Werke mit stabilen Periodenmengen und begrenzten Versandarten — vorausgesetzt, die Datenquellen sind verlässlich kombiniert. Vier Punkte lassen sich unmittelbar mitnehmen.

• Etablieren Sie einen rollierenden Forecast-Zyklus mit festen Freeze-Zonen. Der Rhythmus ist wichtiger als das Modell — eine Prognose, die niemand einfriert, kann niemand belastbar disponieren.
• Führen Sie ein Datenqualitäts-Gate ein, etwa über achtzig Prozent Feldvollständigkeit, und ein einheitliches Artikel- und Versandart-Mapping. Ohne saubere Daten prognostiziert jedes Modell nur den nächsten Fehler.
• Weisen Sie die Gütemaße je Versandart getrennt aus. Ein guter Durchschnitt über alle Ströme kann eine schlechte Bulk-Prognose verstecken.
• Setzen Sie Logistik, Planung und Controlling an einen Tisch. Der Forecast ist ein gemeinsamer Prozess, kein Report, den einer erstellt und die anderen ignorieren.

Der Nutzen lässt sich am Ende hart bewerten — über eingesparte Frachtaufschläge und reduzierte Überstunden, nicht über die Schönheit der Prognosekurve.

Der digitale Ausblick

Genau hier setzt die digitale Weiterentwicklung an, und sie schließt den Bogen zu Teil 1. Automatisierte Datenpipelines aus ERP, TMS und WMS würden die manuellen Excel-Updates überflüssig machen, Echtzeit-Dashboards für die Disponenten Sendungsvolumen, Lkw-Slots und Lagerbelegung nebeneinanderstellen, und eine API-Anbindung an die Spediteure die Kapazitäts-Commitments direkt rückkoppeln — dieselben Slots, um deren Einhaltung es in Teil 1 ging.

Für das Modell selbst treten an die Stelle des gleitenden Durchschnitts Zeitreihenverfahren je Versandart und, entscheidend, Peak-Detection-Algorithmen, die genau die Lastspitzen früh melden, die das heuristische Modell verpasst. Der Zielhorizont ist konkret: ein Pilot ist bei verfügbaren ERP- und TMS-Schnittstellen in unter drei Monaten realisierbar, die Herausforderungen liegen in der Harmonisierung historischer Serien, in der Modell-Drift und im Change-Management. Und der Nutzen reicht über die Logistik hinaus — ein belastbarer Mengen-Forecast trägt bis in die Rohstoff-Beschaffung und in ein Customer-Forecast-Sharing mit dem Vertrieb.

Damit schließt sich die Serie: Teil 1 sorgt dafür, dass der gebuchte Slot am Tor auch eingehalten wird. Teil 2 sorgt dafür, dass rechtzeitig klar ist, wie viele Slots morgen überhaupt gebraucht werden. Das eine ist Durchsetzung, das andere Vorausschau — und ein Standort braucht beides.

Dieser Real Case beruht auf einem anonymisierten realen Projekt. Kennzahlen und Rahmendaten sind zum Schutz der Beteiligten verallgemeinert.

Anonymisierter Projektfall aus dem SCM-Projektfundus.