Wer schon heute weiß, was seine Kunden morgen kaufen, ist klar im Vorteil. Data-Science-Analysen machen solche Prognosen mittels Prognosemodelle möglich. Eine der Grundannahmen dabei lautet: Je mehr über vergangenes Verhalten bekannt ist, desto genauer lassen sich Aussagen über zukünftige Ereignisse treffen. Bei solchen Prognosen handelt es sich zwar lediglich um mögliche Szenarien, die mit einer bestimmten Wahrscheinlichkeit eintreffen – basieren diese jedoch auf aussagekräftigen Daten, so lässt sich die darauf aufbauende Entscheidungsqualität maßgeblich verbessern.

Vereinfacht gesagt können selbst Wetterprognosen zur Gewinnoptimierung dienen: Wird ein sonniges Wochenende erwartet, wird ein Eisproduzent mehr Eis produzieren, um die zu erwartende Nachfrage bedienen zu können. Das Wetter wirkt sich auch auf andere Branchen wie etwa den Hoch- und Tiefbau aus.

Lesen Sie auch unseren Blog-Artikel, in dem wir uns mit den Auswirkungen von Künstlicher Intelligenz auf Absatzprognosen beschäftigen.

Ganz ähnlich sieht es bei Prognosen über die Entwicklung von Aktienkursen, Preisen für Saatgut, Lebensmittel oder Öl auf dem Weltmarkt, die sich auf die Landwirtschaft, die Industrie oder den öffentlichen Sektor auswirken, aus. Um eine Grundlage für datenbasierte Berechnungen zu erhalten, stützen sich Prognosemodelle auf Unternehmensdaten, Daten aus dem Customer-Relationship-Management, Maschinendaten oder Transaktionsdaten.

Prognosemodelle: Grundsätzliche Funktionsweise

Das Ziel ist es, zukünftige Ereignisse frühzeitig und besser einschätzen zu können als die Konkurrenz. Insbesondere in einem immer komplexer werdenden Geschäftsumfeld ist ein solches Wissen von entscheidendem Vorteil.

Dabei ist die prinzipielle Funktionsweise von Prognosemodellen stets ähnlich. Nach der prinzipiellen Klärung der Fragestellung im Unternehmen (Business Processes) folgen in der Regel drei wesentliche Schritte aufeinander: Nach dem Sammeln und der Analyse der Daten (Reporting/Analysis) folgt der Abgleich mit den Daten vom aktuellen Ist-Zustand (Monitoring) und schließlich die Prognose von möglichen zukünftigen Entwicklungen (Predictive Analytics).

Prognosemodelle basieren in der Regel auf drei wesentlichen Schritten:

1. Reporting/Analyse
2. Monitoring
3. Predictive Analytics.

Im Kern geht es also darum, in vorab bestimmten Sets von Daten Muster zu finden, die ein tiefergehendes Verständnis von vergangenen Ereignissen oder von vergangenen Verhaltensweisen von Kunden erlaubt. Diese Erkenntnisse werden dann als Grundlage für die Simulation zukünftigen Verhaltens verwendet.

Je differenzierter ein Prognosemodell dabei arbeitet, desto genauer kann es Vorhersagen treffen. Darum ist es wichtig, so viele relevante Daten wie möglich zu messen und in das Prognosemodell zu integrieren. Um verlässliche Prognosen zu erhalten, ist es nicht immer entscheidend, möglichst viele Daten auszuwerten – mehr Daten bedeuten nicht automatisch eine bessere Prognosegüte.

Schwierigkeiten bei der Interpretation von Prognosemodellen

Beim Einsatz von Prognosemodellen muss eines klar sein:Prognosen können manchmal nicht zutreffen.Wenn beispielsweise unvorhergesehene oder nur schwer messbare Faktoren ein unerwartetes Ereignis herbeiführen, hilft das beste Prognosemodell nicht.

Im unternehmerischen Kontext aber ist es dennoch sinnvoll, auf Prognosemodelle zu setzen. Sie sind Entscheidungen, die auf heuristischen Annahmen, Bauchgefühl oder Intuition beruhen, überlegen. Auch wenn die Prognosen nicht zu 100 Prozent richtig sein können, erfüllen sie den Zweck, die eigenen Entscheidungen abzusichern. Insbesondere im Handel lohnt sich der Aufwand, um Material- und Lagerbestände mit der Teilbedarfsprogrnose zu optimieren und die Logistik kosteneffizient zu steuern.

Machine Learning zur Verbesserung von Prognosemodellen

Um aussagekräftige und realistische Prognosen zu erhalten, müssen Prognosemodelle regelmäßig überprüft und gegebenenfalls erweitert oder angepasst werden. Heute sind Prognosemodelle dank der Fortschritte im Bereich Machine Learning lernfähig. Bestimmte Störeinflüsse und Systemunsicherheiten können so identifiziert und reguliert werden. Je länger ein Prognosemodell entwickelt wird und Erfahrung sammelt, desto besser wird es.

Eine häufige Fehlerquelle ist dabei die Datengrundlage selbst. Prognosemodelle können noch so gut sein, wenn die Datengrundlage nicht stimmt, stimmen auch die Vorhersagen nicht.

Ein aktuelles Problem, das diesen Zusammenhang deutlich macht, sind die sogenannten Social Bots. Diese intelligenten Programme agieren in den sozialen Medien so, als handele es sich um menschliche Nutzer. Dadurch verfälschen sie Social Media Daten so stark, dass Vorhersagen, die auf der Analyse von Social Media Verhalten basieren, nicht mit der Realität übereinstimmen. Die Herstellung und Sicherstellung einer hohen Datenqualität und Validität können daher bei Prognosen von großer Bedeutung sein.

Die wachsende Bedeutung von Trends und Prognosen in Unternehmen

In Unternehmen, die kunden- und marktorientiert arbeiten, ist es von entscheidender Bedeutung, ein gutes Bild vom Status quo und den zukünftigen Entwicklungen am Markt zu haben. Auch wenn sich die Zukunft nicht exakt vorhersagen lässt, ist es oft von entscheidendem Vorteil, die künftigen Entwicklungen besser als die Wettbewerber einschätzen zu können.

Prognosemodelle sind zudem ein wichtiges Instrument, wenn es darum geht, Produkte, Angebote und Services entsprechend der Trends und der Wünsche der Kunden anzupassen. Prognosemodelle können dabei in unterschiedlichsten Branchen und unternehmerischen Bereichen eingesetzt werden.

In einzelnen Abteilungen wie dem Einkauf, Lager und Logistik, aber auch bis hinauf in die Chefetagen kann prognostisches Wissen Entscheidungen verbessern und Prozesse optimieren.

Prognosemodelle haben beim genaueren Hinsehen nicht viel mit dem Blick in eine Kristallkugel zu tun. Vielmehr handelt es sich dabei um Instrumente, die vielfältigen Nutzen haben. Sie können dazu dienen, Lagerbestände zu reduzieren oder zu optimieren, sie verbessern die gesamte Lieferkette, bieten mehr Sicherheit für Entscheider durch datengestützte Grundlagen oder sichern Wettbewerbsvorteile, weil Trends frühzeitig erkannt werden.