Prognosen im Unternehmen - wann sie sinnvoll sind

Eine Prognose ist nur sinnvoll, wenn sie eine Entscheidung verändert und Zeit bleibt, darauf zu reagieren. Ein Modell, das den Umsatz für morgen vorhersagt, ist nutzlos, wenn Bestellungen beim Lieferanten zwei Wochen im Voraus erfolgen müssen. Das ist die erste, nicht die letzte Frage.

Erst danach lohnt sich das Gespräch über Daten, Modelle und Genauigkeit.

Fünf Bedingungen, ohne die man nicht beginnen sollte

1. Es gibt eine Entscheidung, die die Prognose verändern kann

Fragen Sie direkt: Welcher Schwellenwert oder Ergebnisbereich verändert Bestellung, Schichtplan oder Budget? Wenn die Antwort nur „Dann wissen wir Bescheid“ lautet, müssen zuerst die Entscheidung und Kosten beider Fehlerarten entworfen werden.

Gute Antworten: Wir bestellen mehr Ware, verschieben den Dienstplan, stoppen die Einstellung, starten eine Kampagne oder rufen Kunden aus einer Abwanderungsrisikoliste an.

2. Es bleibt Zeit für eine Reaktion

Der Prognosehorizont muss länger sein als die Zeit, die zum Handeln benötigt wird. Wenn eine Entscheidung zwei Wochen Vorlauf erfordert, ist eine Dreitagesprognose unabhängig von ihrer Genauigkeit wertlos.

3. Es gibt eine Datenhistorie

Die Historie muss für die Entscheidung relevante Muster enthalten, aber es gibt kein universelles Minimum von zwei Saisonzyklen. Die nötige Länge hängt von Beobachtungsfrequenz, Horizont, Stärke der Saisonalität, Zahl ähnlicher Reihen, Preisänderungen und verfügbaren externen Variablen ab. Eine kurze Historie erhöht die Unsicherheit und kann eine glaubwürdige Bewertung einer Saison unmöglich machen.

Wenn Daten fehlen, können Datenkollektoren das erste Projekt sein. Man muss aber nicht immer zwei Jahre warten: Prüfen Sie Transaktionsdaten, externe Quellen, Informationen ähnlicher Produkte und eine einfache Expertenprognose. Jede dieser Quellen hat andere Einschränkungen, die offengelegt werden müssen.

4. Die Zukunft ähnelt der Vergangenheit

Ein Modell nutzt in der Historie gelernte Beziehungen. Eine Änderung des Geschäftsmodells, Marktes, Preises oder Messverfahrens kann sie aufheben. Solche Punkte müssen gekennzeichnet, Fehlerstabilität getestet und manuelle Korrekturen oder Szenarien vorgesehen werden – nicht angenommen werden, dass eine Modellversion unbegrenzt funktioniert.

5. Jemand nimmt die Prognose an und übernimmt Verantwortung dafür

Eine Prognose, die niemand nutzt, weil „wir es ohnehin besser wissen“, ist Kosten ohne Ertrag. Das sollte vor dem Bau geklärt werden, nicht danach.

Was sich tatsächlich prognostizieren lässt

Beispiele mit der wichtigsten Validierungsfalle:

Aufgabe	Wichtigste Falle	Was prüfen
Nachfrage und Umsatz	Aktionen und Sortimentsänderungen	Fehler gegenüber saisonalen Methoden und Kosten fehlender Ware
Auslastung und Besetzung	Feiertage, Ereignisse und geänderte Öffnungszeiten	Fehler für Stunden oder Tage mit fehlenden Ressourcen
Abwanderungsrisiko	Das Label entsteht verzögert	Rankingqualität und Wirkung einer Bindungsmaßnahme
Ausfall eines Geräts oder Prozesses	seltene Ereignisse und geänderte Sensoren	Fehlalarme, übersehene Fälle und Vorwarnzeit
Kundenwert über die Zeit	unvollständige Beobachtung künftiger Käufe	Kalibrierung für neue und reife Kohorten
Wirkung einer Marketingaktion	Korrelation wird mit Wirkung verwechselt	Experiment oder glaubwürdiges kausales Design
Umbruchereignisse	keine repräsentativen Beispiele	Szenarien und Entscheidungsrobustheit statt Scheingenauigkeit

Die letzte Zeile ist wichtig: Ein Modell kann einem seltenen Ereignis eine Wahrscheinlichkeit zuordnen, doch ohne repräsentative Daten ist ein solches Ergebnis schwer glaubwürdig zu bewerten. Dann sind Szenarioanalyse und Reaktionsplan nützlicher.

Wie man über Genauigkeit spricht

Drei Dinge sollten Sie wissen, damit Sie keine Illusion kaufen:

Eine Punktprognose zeigt keine Unsicherheit. „Umsatz im Mai: 340 Tsd.“ kann für einen Plan nützlich sein, sagt aber nicht, wie breit ein vernünftiger Ergebnisbereich ist. Ein Prognoseintervall sollte ein definiertes Überdeckungsniveau haben und an Daten außerhalb der Trainingsstichprobe geprüft werden. Ein längerer Horizont verbreitert das Intervall meist. Quelle: Forecasting: Principles and Practice – prediction intervals.

Genauigkeit braucht einen Vergleichspunkt. Vergleichen Sie das Modell mit einer naiven Methode, etwa dem letzten oder saisonalen Wert, und verwenden Sie ein Maß, das zu den Kosten der Entscheidung passt. Bei Zeitreihen darf Zukunft nicht zufällig mit Vergangenheit gemischt werden; verwendet wird eine Validierung mit verschobenem Prognoseursprung. Quelle: Forecasting: Principles and Practice – time series cross-validation.

Beziehungen können sich ändern. Überwachen Sie Fehler, Abdeckung der Intervalle, Datenverzögerungen und Verteilungsverschiebung. Die Häufigkeit des erneuten Trainings sollte aus diesen Signalen und dem Entscheidungsrhythmus folgen, nicht aus einem festen Kalender.

So führen wir es ein

1. Entscheidung und Horizont. Was verändert die Prognose und mit welchem Vorlauf?
2. Datenprüfung. Gibt es eine Historie, hat sie Lücken, kann man ihr vertrauen?
3. Vergleichspunkt. Eine naive Methode und ihr Fehler – daran messen wir den Fortschritt.
4. Zuerst ein einfaches Modell. Es liefert einen Vergleichspunkt, ist leichter zu diagnostizieren und zeigt, ob eine komplexere Lösung eine den Kosten entsprechende Verbesserung bringt.
5. Bewertung an Daten, die das Modell nicht gesehen hat, und Vergleich mit dem Ausgangspunkt.
6. Einführung mit Unsicherheitsintervallen, nicht mit einer einzelnen Zahl.
7. Regelmäßige Qualitätsprüfung und Neuberechnung des Modells.

Ein einfaches Modell ist auch dann nötig, wenn am Ende eine komplexere Lösung eingeführt wird: Es ist der Vergleichspunkt und erlaubt die Einschätzung, ob die Mehrkosten eine Entscheidung tatsächlich verändern.

Wann eine Prognose nicht die Antwort ist

• Wenn die Qualität der aktuellen Daten unbekannt ist. Sie brauchen nicht immer ein Dashboard, müssen aber Vollständigkeit, Verzögerung und Definition des in der Prognose verwendeten Signals verstehen.
• Wenn das Problem eine Entscheidung betrifft, nicht Information. Manchmal sind alle Zahlen vorhanden, aber die Entscheidung wird dennoch nicht getroffen.
• Wenn die Historie keinen Fehler für den geplanten Horizont bewerten lässt. Sie können dann Daten sammeln, den Entscheidungsumfang einschränken oder Szenarien statt einer automatischen Prognose verwenden.
• Wenn keine Handlung von der Prognose abhängt. Falls das Ergebnis weder eine Entscheidung verändert noch Risiko begrenzt, ist der Aufwand für bessere Genauigkeit schwer zu rechtfertigen.

Was kostet das?

Unsere Preisrahmen vom August 2026: eine Prognoseschicht als Modul einer bestehenden Analyse ab 20.000 PLN netto, Betrieb und Weiterentwicklung der Modelle 2.000–7.000 PLN netto/Monat. Wenn noch keine Datenschicht vorhanden ist, kalkulieren wir ein Dashboard mit Quellenintegration mit 15.000–40.000 PLN netto und eine Plattform mit Kollektoren mit 40.000–120.000 PLN netto.

Häufige Fragen

Erfordert Prognostik künstliche Intelligenz?

Nein. Viele Geschäftsprognosen beruhen auf statistischen Methoden oder maschinellem Lernen, nicht auf Sprachmodellen. Ein LLM kann auf Basis eines strukturierten Ergebnisses einen Text vorbereiten, doch dieser Text muss auf die Modelldaten begrenzt und geprüft werden, damit er keine nicht vorhandene Ursache ergänzt.

Wie genau wird die Prognose sein?

Das lässt sich vor der Sichtung der Daten nicht verantwortungsvoll sagen. Man kann jedoch das Verfahren festlegen: Vergleichspunkt, zeitachsenkonforme Validierung, ein Maß passend zu den Fehlerkosten und ein Test, ob das Ergebnis die Entscheidung ausreichend verändert, um die Betriebskosten zu decken.

Was, wenn das Modell sich irrt und wir eine falsche Entscheidung treffen?

Wir zeigen neben der Punktprognose Intervalle, messen Qualität außerhalb der Trainingsstichprobe und vereinbaren eine Reaktion auf das Überschreiten der Fehlertoleranz. Ein Intervall beseitigt das Risiko nicht und garantiert keine richtige Entscheidung; die Prognose soll den Prozess mitsamt seinen Einschränkungen unterstützen, nicht Verantwortung ersetzen.

---

Wir betreiben eine eigene Analyse- und Prognoseplattform mit Kollektoren und regelmäßigem Reporting. Deshalb sprechen wir über alternde Modelle aus Erfahrung und nicht aus einem Lehrbuch. Sehen Sie sich Daten und Analyse sowie unsere Plattform an.