Demand Sensing repariert keine Prognose, der niemand vertraut
Die Technologie ist real, und die Genauigkeitsgewinne sind glaubwürdig. Sie sind auch irrelevant, wenn Ihre Organisation die bessere Prognose ohnehin überstimmt, und die Evidenz sagt: Das wird sie wahrscheinlich.
Jeder Demand-Sensing-Anbieter pitcht dieselbe Rechnung: kurzfristiger Prognosefehler runter um 30 bis 50 Prozent, Sicherheitsbestand runter, Servicelevel rauf. Die Technologie ist tatsächlich real, sie nutzt Point-of-Sale-Daten, offene Bestellungen, Wetter- und Websignale mit Machine Learning, um die Zero-bis-zwölf-Wochen-Prognose zu verfeinern. Die Zahlen sind nicht falsch. Der Rahmen ist es.
Die Behauptungen sind leicht zu finden. e2open gibt an, dass sein Demand Sensing die kurzfristige Prognosegenauigkeit im Vergleich zu traditionellen Methoden um 30 bis 40% verbessert. Arkieva beziffert die Reduktion des kurzfristigen Prognosefehlers auf bis zu 40 bis 50%, bei einer Verbesserung der Bestandsgenauigkeit um 15 bis 20%. Diese Spannen sind unter Pilotbedingungen glaubwürdig. Sie sind aber auch irrelevant für das eigentliche Problem der meisten Unternehmen, denn eine Demand-Sensing-Verbesserung zählt nur, wenn der resultierenden Prognose auch vertraut und sie genutzt wird.
Hier ist die Datenlage, die das gesamte Gespräch neu einordnen sollte.
In Steve Morlidges Studie von mehr als 300.000 realen Prognosen über acht Supply-Chain-Unternehmen hinweg waren 52% schlechter als eine naive Random-Walk-Prognose, schlechter, das heißt, als schlicht der letzte Ist-Wert. Folgestudien über mehr als zwanzig Unternehmen fanden 30 bis 50% der Low-Level-Prognosen routinemäßig schlechter als naiv.
Lassen Sie das wirken. Wenn bereits die Hälfte Ihrer Prognosen gegen „nehmen Sie einfach die Zahl der letzten Woche" verliert, dann holt eine Demand-Sensing-Verbesserung von 30 bis 40% nur Boden zurück, den Sie nie hätten abgeben dürfen. Sie behandelt ein Symptom.
Und das Symptom hat eine Ursache, die kein Algorithmus adressiert. In vierzehn Jahren habe ich genau vier Grundursachen für Prognoseversagen gesehen, keine davon statistischer Natur:
- Kein einheitlicher Eigentümer der Zahl. Vertrieb, Finanzen, Marketing und Supply Chain führen jeweils ihre eigene Prognose und streiten die Unterschiede in einem Meeting aus, das nichts löst.
- Anreize, die nicht auf Genauigkeit ausgerichtet sind. Vertrieb wird für das Erreichen der Quote bezahlt, Finanzen für das Erreichen des Budgets, Supply Chain für das Erreichen des Servicelevels. Niemand wird dafür bezahlt, die Realität vorherzusagen.
- Judgmental Override, der Wert zerstört. Das ist der Killer, und er ist messbar.
- Keine Feedback-Schleife. Die meisten Unternehmen verfolgen nie, welcher Schritt, die Engine, der Analyst, das Konsensmeeting, die Führungsebene, die Prognose verschlechtert hat, und können es deshalb nicht beheben.
Zum dritten Punkt ist die Forschung schonungslos. Eine Studie von 2024 im International Journal of Forecasting fand, dass judgmentale Anpassungen die Genauigkeit nur bei knapp über der Hälfte der Stock-Keeping-Units verbesserten, und dass positive Anpassungen mit höherer Wahrscheinlichkeit die Performance verschlechterten. Demand Sensing erzeugt eine bessere statistische Prognose. Wenn Ihre Organisation statistischen Prognosen nicht vertraut, wird sie auch die bessere überstimmen, und die Evidenz sagt: Sie wird sie wahrscheinlich verschlimmern.
Führen Sie also, bevor Sie Demand Sensing kaufen, eine Forecast-Value-Added-Analyse durch. Messen Sie jeden Schritt Ihres Prozesses gegen diesen naiven Benchmark. Zerstört Ihr aktueller Prozess Wert im Vergleich zu einem Random Walk, nach Morlidges Evidenz eine nahezu münzwurfartige Wahrscheinlichkeit, dann ist die richtige Investition nicht ein besserer Algorithmus. Es ist klare Eigentümerschaft der Zahl, genauigkeitsgekoppelte Anreize, FVA-überwachte Overrides und die Disziplin, den Führungskraft-Override zu entfernen, der konsistent Wert zerstört.
Kaufen Sie Demand Sensing, nachdem Sie das getan haben. Nicht davor. Eine schärfere Prognose, übergeben an eine Organisation, die Prognosen nicht vertraut, ist eine teure Art, eine Zahl zu erzeugen, die Menschen weiterhin ignorieren werden.
Sources
- Morlidge, S. FVA and the Limits of Forecastability, IBF Amsterdam — cited in Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions (Wiley, 2015).
- Fildes, R. et al. (2024). Forecast value added in demand planning. International Journal of Forecasting. sciencedirect.com
- e2open. Demand Sensing Software. e2open.com
- Arkieva. 6 Ways You Can Improve Forecast Accuracy with Demand Sensing. blog.arkieva.com
- Kinaxis. What is demand sensing? kinaxis.com