Absatzplanung im Supply Chain Management

Akkurate Absatzprognose durchführen

Die Absatzplanung als Einstieg in den komplexen Prozess des Supply Chain Managements besteht im wesentlichen darin, eine möglichst akkurate Absatzprognose [1] durchzuführen.

Die Absatzprognose (kurz: Prognose) ist die Kunst und Wissenschaft, Vorhersagen zu treffen. "Wissenschaft", weil bei der Extrapolation historischer Daten zur Erstellung von Prognosen in die Zukunft strenge mathematische Maßstäbe angelegt werden. In vielen Fällen werden auch zukunftsorientierte Dateneingaben mit Hilfe spezieller Algorithmen in einen Prozess einbezogen, der „Demand Sensing“ genannt wird. Die Relevanz der "Kunst der Vorhersage" nimmt mit abnehmender Relevanz der historischen Daten für die antizipierte Realität (das, was kommen wird) zu. Beispielsweise erfordert es bei hoher Unsicherheit Fingerspitzengefühl und Expertenurteil, keine Vorhersage zu wagen und abzuwarten, bis mehr Daten zur Verfügung stehen. Der Prozess der Konsensfindung (insbesondere, wenn es an Klarheit darüber mangelt, was die Daten uns sagen) erfordert zum Beispiel Fähigkeiten, die über die quantitative Strenge der harten Wissenschaften hinausgehen, und welches Kompetenzen sind, die in den Bereich der Sozialwissenschaften gehören. Kunst verlangt auch, wie Paulo Saffo [2] es ausdrückt, dass man für die ganze Bandbreite der Möglichkeiten offen ist, statt einer "begrenzten Menge an illusorischen Gewissheiten".

 

AKTIVITÄTEN SCHON IM VORGRIFF AUF DIE BESTELLUNG STARTEN

Die obige Beschreibung vermittelt den Eindruck, dass der Prozess nicht sehr geradlinig ist. Sie könnte dazu führen, dass man eine grundlegende Frage stellt: "Warum überhaupt eine Prognose? Es ist keine irrationale Frage, und die einfache Antwort ist, dass die Kunden nicht bereit sind, so lange zu warten, bis die Lieferkette nach Eingang einer Festbestellung ihre Anfrage erfüllt hat. Daher ist es notwendig, Aktivitäten im Vorgriff auf eine Bestellung zu starten. Der Grad der Unsicherheit und die Länge des Prognosehorizonts sind grobe Maße dafür, inwieweit Aktivitäten im Voraus stattfinden müssen. Die Art des zu prognostizierenden Produkts (ist es funktional wie ein Toilettenpapier oder ein innovatives Produkt) spielt ebenfalls eine entscheidende Rolle, ebenso wie verschiedene andere Faktoren. Darüber hinaus gibt es neben dem Kunden auch Aktivitäten der Ressourcenallokation, die eher auf taktischer (mittelfristiger) und strategischer Ebene stattfinden müssen, was Pläne weit im Voraus erfordert, wenn Entscheidungen und Aktionen eher operativer Art anstehen. 

Verlängerter Prognose-Planungshorizont
Abbildung 1: Weil die Kunden nicht warten wollen, verlängert sich die Vorlaufzeit für die Wiederbeschaffung, und der Prognose-Planungshorizont wird länger

Die Realität für die meisten Lieferketten wird in Abbildung 1 veranschaulicht (der Lagerbestand wird im Vorgriff auf einen Auftrag zur Prognose aufgebaut, so dass er sofort bedient werden kann).

Balance zwischen Prognosegenauigkeit und Prognosekosten
Abbildung 2: Die richtige Balance zwischen den Dimensionen der Prognosegenauigkeit und der Prognosekosten finden (adaptiert aus [3])

ERFOLGREICHE ERGEBNISSE DURCH DIE RICHTIGEN KOMPROMISSE

Welches sind angesichts der Unvermeidbarkeit von Prognosen in den meisten Situationen einige der Schlüsselelemente, die benötigt werden, um sich auszuzeichnen? Viele der Elemente, die für erfolgreiche Ergebnisse wichtig sind, hängen davon ab, die richtigen Kompromisse einzugehen.

 

Unterschiedliche Formen von Kompromissen

Kompromisse gibt es in verschiedenen Formen:

  • Bei der Wahl der richtigen Planungsdetailebene (eine granularere Ebene kann näher an der operativen Realität liegen, unterliegt aber auch einer größeren Variabilität)
  • Bei der Ebene des wertenden Inputs (wertende Inputs können die Genauigkeit bereichern und verbessern, aber auch die Latenzzeit erhöhen und vom Ziel der Automatisierung und der "berührungslosen" Planung weiter entfernen)
  • Bei der Ebene der Modellausgereiftheit (ein ausgefeilteres Modell hat das Potenzial, die Genauigkeit zu erhöhen, ist aber teurer im Hinblick auf den Datenerfassungsaufwand, das Fachwissen der Planer usw.).

Der letzte Punkt, und möglicherweise der wichtigste Kompromiss, ist in Abbildung 2 dargestellt. Sie zeigt, dass mit abnehmender Modellverfeinerung die Kosten der Ungenauigkeit steigen - es gibt eine optimale Region, die die Kosten der Prognose und die Kosten der Fehler, die die Organisationen anstreben sollten, ausgleicht.

Moderne Tools zur Absatzprognose sollten die ganze Bandbreite der hier genannten Verfahren, von einfach bis komplex, von „Moving Avarage“ bis hin zu neusten „Machine Learning“-Algorithmen abdecken, um die „Optimale Region“ im Verhältnis von Prognosegenauigkeit zu Prognoseaufwand für Ihr Unternehmen und Ihr Produktportfolio treffen zu können.

Mehr dazu finden Sie auf unserer Seite unter „SCM Lösungen“ und dort unter „IBP for Demand“. 

Produktsegmentierung in der Absatzplanung

Die Pareto-Regel (z.B. 20 % der Produkte sind für 80 % der Einnahmen verantwortlich) hat Organisationen lange Zeit gute Dienste geleistet, wenn es darum ging, Prioritäten für die Planung festzulegen. Mit der zunehmenden Verbreitung des Internets und digitaler Technologien sind jedoch die Suchkosten (Kosten im Zusammenhang mit dem Auffinden von Produkten) erheblich zurückgegangen, was zu einer entsprechenden Erhöhung des Verkaufsanteils von "Nischenprodukten" - dieses Phänomen wurde als "Long Tail" bezeichnet - geführt hat. Das Phänomen unterstreicht die bereits wachsende Bedeutung einer differenzierten Behandlung von Produkten auf der Grundlage verschiedener planungsrelevanter Merkmale.

 

Die differenzierte Behandlung von Produkten

Zumindest die Berücksichtigung einer Wertdimension wie Umsatz oder Deckungsbeitrag (ABC[D]) und einer Volumendimension, die die Variabilität (entweder der tatsächlichen Nachfrage oder der Prognosevariabilität) (XYZ) erfasst, ist für die Klassifizierung von Produkten (allgemein als ABC/XYZ-Klassifikation bekannt) unerlässlich, die wiederum mit Planungsstrategien verknüpft ist. Ein solcher Ansatz trägt dazu bei, den doppelten Fluch der Planungseffizienz zu vermeiden: den "one size fits all"-Ansatz, bei dem auffällige Unterschiede zwischen den Produkten ignoriert werden, und das andere Extrem, bei den Ähnlichkeiten zwischen den Produkten völlig unberücksichtigt bleiben. In Abbildung 3 ist ein Ansatz zur Segmentierung dargestellt, bei dem die Planungssegmente Entscheidungen über organisatorische Zuständigkeiten, Geschäftsziele und den Grad der Automatisierung bestimmen (urteilende versus automatisierte Prognose).

Zuständigkeiten, Verfahren, Ziele

Abbildung 3: Ein Ansatz zur Produktsegmentierung
Abbildung 3: Ein Ansatz zur Produktsegmentierung

[1] Ideen übernommen aus: Kepczynski, R., Jandhyala, R., Sankaran, G. and Dimofte, A. (2018), Integrated business planning: How to integrate planning processes, organizational structures and capabilities, and leverage SAP IBP technology, Management for Professionals, Springer, Cham.

[2] Saffo, P., 2007. Six Rules For Effective Forecasting. [online] Harvard Business Review. Available at: <https://hbr.org/2007/07/six-rules-for-effective-forecasting> [Accessed 8 May 2020].

[3] Brynjolfsson, E., Hu, Y. and Simester, D., 2011. Goodbye Pareto Principle, Hello Long Tail: The Effect of Search Costs on the Concentration of Product Sales. Management Science, 57(8), pp.1373-1386.