Nachfrageprognosen

Worin besteht die Herausforderung?

Für viele Entscheidungen von Unternehmen ist es wichtig, die zukünftige Nachfrage möglichst genau abzuschätzen und so (langfristige) Trends in die Entscheidung einfließen zu lassen. Auf Basis dieser prognostizierten Nachfrage erfolgt die Materialbeschaffung, Fertigungsplanung oder Planung von Verkaufsförderungsmaßnahmen. Je unklarer die Nachfrageplanung ist, desto unsicherer sind die darauf basierenden Entscheidungen. 

Welche Daten können hier helfen?

• Expertenschätzungen und ökonomische Daten (Beschäftigungen, Zinsen oder Einkommen)
• Unternehmensdaten (Veränderungen von Maschinennutzungs- oder Transaktionsdaten)
• Kundendaten (historische Daten zur Nachfrage und den Absätzen gleicher oder vergleichbarer Produkte, Umfrageergebnisse, soziodemografische Daten wie Einkommen oder Präferenzen, Milieudaten zu einer geografischen Region)
• Wetterdaten (die Berücksichtigung der Wind- und Solarstromeinspeisung im Energiehandel)

Wie kommt der Nutzen aus den Daten?

Im Kern besteht der Nutzen der datenbasierten Nachfrageprognose darin, dass sie eine Fülle an vor allem historischen Daten kombiniert. So lassen sich Muster identifizieren, die Auskunft über künftige Verkaufsereignisse und Nachfrageveränderungen liefern. Damit schaffen Datenanalysen Szenarien mit Eintrittswahrscheinlichkeiten, die Unterstützung bei Entscheidungen bieten. Verschiedene Prognosemethoden können eingesetzt werden. Sie unterscheiden sich in ihren Kosten, Zeithorizonten (länger- oder kurzfristig) und geeigneten Anwendungsgebieten. Wichtig ist in jedem Fall eine möglichst hohe Datenqualität.

Wo wird diese Datennutzung bereits angewendet?

Der Nahrungsmittelkonzern Nestlé nutzt eine Business-Analytics-Software, um Marktdaten, Kundendaten, Preise und Kosten sowie Umsatzverläufe auszuwerten. So können die Nachfragevorhersagen und Bedarfsplanungen für die Produktpalette verbessert werden.

Die Kombination aus Verkaufsdaten und geographischen Daten ermöglicht dem Multi-Technologiekonzern 3M differenzierte Aussagen zur Unternehmensperformanz und zur globalen Verteilung der Umsätze.

Das Schädlingsbekämpfungsunternehmen Groli sammelt historische Daten, um darauf aufbauend die kommenden Einsätze und Zeitpunkte der Schädlingsaufkommen besser abschätzen zu können.

Welchen Beitrag leistet diese Datennutzung zur Wertschöpfung?

Die Prognose der zukünftigen Nachfrage hat Auswirkungen auf die Wertschöpfungskette. Materialflüsse und Produktionskapazitäten werden an der erwarteten Nachfrage ausgerichtet. Auch Preise können an die Prognose angepasst werden. Wird die Nachfrage letztlich optimal bedient, können sowohl interne Wertschöpfungsprozesse als auch der Absatz verbessert werden. 

Quellen: Nestlé (2019), 3M (2017), Groli (2019)