Schneller Absatzprognose-Test
Sehen Sie, welches von sieben statistischen Modellen zu Ihrer Absatz- oder Bedarfshistorie passt: Die letzten Perioden werden zum Testen zurückgehalten, das beste Modell wird gewählt und mit allen Daten neu angepasst, um eine Prognose mit näherungsweisem Intervall zu liefern. Das Ergebnis ist eine Basislinie; für eine Entscheidung allein genügt es nicht.
Die Daten werden in Ihrem Browser verarbeitet; es wird nichts gesendet.
Tägliche, wöchentliche oder monatliche Reihe; die Frequenz wird automatisch erkannt. Das Trennzeichen wird automatisch erkannt (Tabulator, ; , |); Dezimalkomma und Dezimalpunkt werden akzeptiert. Datumsformate sind jjjj-mm-tt, tt.mm.jjjj und jjjj-mm. Ohne Datumsspalte gelten die Zeilen als gleichmäßig verteilte Perioden.
01
So funktioniert es
A
Fügen Sie Datums- und Wertespalte ein oder laden Sie eine CSV hoch; die Frequenz wird automatisch erkannt, bei Bedarf ändern Sie sie.
B
Stellen Sie Prognosehorizont und Saisonperiode ein; wählen Sie, wie fehlende Perioden behandelt werden.
C
Prüfen Sie Modellvergleich, Grafik und Prognosetabelle mit Intervallen; laden Sie die Tabelle als CSV herunter.
02
Welche Modelle testet das Werkzeug, und wie?
Es werden sieben Modelle ausprobiert: Naive (schreibt den letzten Wert fort), saisonale Naive (wiederholt die Vorsaison), gleitender Durchschnitt, einfache exponentielle Glättung, Holt (Niveau und Trend) und Holt-Winters (Niveau, Trend und Saison; additiv und multiplikativ). Saisonale Modelle brauchen Trainingsdaten von mindestens zwei vollen Saisons; sonst werden sie übersprungen und der Grund wird angezeigt. Das multiplikative Modell funktioniert nur, wenn alle Werte positiv sind.
Die Glättungskoeffizienten α, β und γ werden mit einer Gittersuche und lokaler Suche so bestimmt, dass die Summe der quadrierten Einschritt-Prognosefehler (SSE) auf den Trainingsdaten minimal wird. Das Fenster des gleitenden Durchschnitts wird nach demselben Kriterium gewählt. Die letzten h Perioden werden zurückgehalten (Test); die Modelle werden mit den übrigen Daten trainiert, und wie gut sie den Testzeitraum vorhersagen, wird mit MAE, WAPE und MASE gemessen.
Das Modell mit dem kleinsten MAE im Test wird gewählt und mit allen Daten neu angepasst, um die Prognose zu erzeugen. Ein einzelnes Testfenster ist verrauscht: Liegen zwei Modelle sehr nah beieinander, kann sich die Rangfolge in einem anderen Fenster ändern. Eine längere Historie und Tests über mehrere Fenster (Backtesting) sind verlässlicher.
03
Warum ist das Prognoseintervall nur eine Näherung?
Die Intervalle beruhen auf dem quadratischen Mittelwert (RMSE) der Fehler des gewählten Modells im Testzeitraum; angenommen wird, dass die Fehler ungefähr normalverteilt sind und künftige Fehler so groß sind wie die bisherigen Testfehler. Verwendet wird der Faktor ±1,28 für das 80-%-Intervall und ±1,96 für das 95-%-Intervall.
Dieses Vorgehen ist praktisch und gut nachvollziehbar, aber in zweierlei Hinsicht optimistisch: Ist der Testzeitraum kurz, wird die Fehlergröße schlecht geschätzt, und die Parameterunsicherheit sowie die mit dem Horizont wachsende Unsicherheit bleiben unberücksichtigt. Lesen Sie das Intervall als grobe Größenordnung der Unsicherheit, nicht als feste Zusicherung.
04
Wozu dient eine Basislinie, und was zeigt sie nicht?
Eine statistische Basislinie beantwortet die Frage „Was passiert, wenn sich vergangene Muster fortsetzen?“. Sie ist ein guter Vergleichsmaßstab, um zu prüfen, ob Ihr bisheriger Prognoseprozess (Planungsteam, ERP-Prognose) besser ist; ein Prozess, der sie nicht schlägt, sollte überprüft werden.
Sie kennt keine Aktionen, Preisänderungen, Lieferengpässe (die keine Nachfrage darstellen), Feiertagskalender, Produkteinführungen oder Wettbewerbsaktionen. Perioden mit Lieferengpässen lassen die tatsächliche Nachfrage niedrig erscheinen und führen das Modell in die Irre. Bestimmen solche Faktoren Ihre Nachfrage, brauchen Sie Modelle mit erklärenden Variablen und Datenaufbereitung.
Häufige Fragen
- Werden meine eingegebenen Daten irgendwohin gesendet?
- Nein. Alle Berechnungen laufen in Code, der in Ihrem Browser ausgeführt wird; die Daten werden weder an einen Server übertragen noch gespeichert.
- Wie viele Perioden an Daten brauche ich?
- Nicht saisonale Modelle brauchen mindestens 6 Perioden, für einen aussagekräftigen Test ist deutlich mehr besser. Saisonale Modelle (saisonale Naive, Holt-Winters) brauchen in den Trainingsdaten mindestens 2 volle Saisons: 24 bei monatlichen, 104 bei wöchentlichen, 14 bei täglichen Daten (Wochensaison).
- Was geschieht mit fehlenden Perioden?
- Lücken in der Datumsspalte gelten als fehlende Perioden. Je nach Auswahl werden sie als 0 angesetzt oder linear zwischen Nachbarwerten aufgefüllt; die Zusammenfassung zeigt, wie viele aufgefüllt wurden. Nehmen Sie 0, wenn tatsächlich nichts verkauft wurde, Auffüllen, wenn Daten verloren gingen.
- Garantiert das Prognoseintervall, dass der Istwert darin liegt?
- Nein. Das Intervall ist eine aus den Testfehlern abgeleitete Näherung; Istwerte sollten ungefähr in diesem Anteil darin liegen, garantiert ist es nicht.
- Warum wurden manche Modelle übersprungen?
- Saisonale Modelle werden übersprungen, wenn die Trainingsdaten kürzer als zwei volle Saisons sind oder die Saisonperiode 1 ist; multiplikatives Holt-Winters auch, wenn ein Wert null oder negativ ist. Der Grund steht in der Tabelle.
- Kann ich das Ergebnis direkt für Bestellungen oder die Produktionsplanung nutzen?
- Wir empfehlen es nicht allein. Das Werkzeug liefert eine Basislinie ohne Faktoren wie Aktionen, Preis und Bestand; nutzen Sie sie zusammen mit dem Wissen Ihrer Mitarbeiter und bei Bedarf einem umfassenderen Modell.
Von der Basislinie zur echten Absatzprognose
Wir verbinden Ihre Absatz-, Bestands-, Preis- und Kampagnendaten zu einer Absatzprognose je Produkt und Standort und messen ihre Genauigkeit per Backtesting. Sprechen wir in einem kostenlosen Erstgespräch über Ihre Daten.