forecasting
Absatzprognosen, die nachweislich genauer sind als Excel.
Ich trainiere Machine-Learning-Modelle auf Ihren Verkaufs- und Betriebsdaten. Aktionen, Saison, Feiertage und Preise fließen ein. Sie bekommen weniger Überbestand, weniger Fehlmengen und eine planbare Auslastung.
Was sich prognostizieren lässt
Absatz & Nachfrage
Wöchentliche oder tägliche Mengen pro Artikel, Filiale oder Kunde, als Grundlage für Einkauf und Produktion.
Bestand & Einkauf
Bestellvorschläge und Sicherheitsbestände auf Basis der Prognose und ihrer Unsicherheit statt pauschaler Puffer.
Personal & Kapazität
Auftragseingang, Anrufvolumen oder Maschinenlast vorhersagen und Schichten rechtzeitig planen.
Energie & Verbrauch
Last- und Verbrauchsprognosen für Einkauf, Lastmanagement und Budgetplanung.
Warum ein eigenes Modell?
- Ihre Einflussfaktoren. Standard-Tools kennen Ihre Aktionen, Lieferengpässe und Kundenstruktur nicht. Ein eigenes Modell lernt genau diese Muster.
- Ehrlicher Vergleich. Jedes Modell wird rückwirkend gegen Ihre bisherige Planung getestet. Wenn es nicht besser ist, sage ich das.
- Kein Lizenz-Lock-in. Code und Modell gehören Ihnen und laufen auf Ihrer Infrastruktur oder in einer EU-Cloud.
- Unsicherheit inklusive. Sie bekommen Intervalle statt einer einzelnen Zahl. So lassen sich Sicherheitsbestände fundiert festlegen.
Vom Datencheck zur laufenden Prognose
- Datencheck (kostenlos)
Sie schicken einen Export, etwa aus ERP oder Warenwirtschaft. Ich prüfe Datenqualität und Potenzial. Sie bekommen eine klare Einschätzung, ob sich ein Modell lohnt.
- Prototyp & Backtest
Ich trainiere erste Modelle und vergleiche sie über 6 bis 12 Monate Historie mit Ihrer aktuellen Methode. Die Entscheidung treffen Sie auf Basis echter Zahlen.
- Produktion
Eine automatisierte Pipeline liefert regelmäßig neue Prognosen, direkt ins ERP, als Excel-Export oder ins Dashboard.
- Monitoring & Retraining
Die Prognosegüte wird laufend überwacht. Bei Verschlechterung wird das Modell nachtrainiert. Optional als Wartungsvertrag.
Nachgerechnet auf echten Daten
Großhandel, 1.016 Artikel, wöchentliche Disposition bei 2 Wochen Lieferzeit.
Zwei Jahre echte Verkaufsdaten eines britischen Großhändlers. Ein Gradient-Boosting-Modell tritt gegen gleitenden Durchschnitt, exponentielle Glättung und Vorjahreswerte an, rückwirkend über 26 Bestellwochen. Jedes Verfahren bestellt nach seiner eigenen Prognose. Verglichen wird der Lagerbestand bei gleicher Lieferbereitschaft.
Jeweils gegenüber dem gleitenden Durchschnitt. Zur Fallstudie mit Methodik und allen Zahlen →
Häufige Fragen
Wie viele Daten brauche ich?
Ideal sind mindestens zwei Jahre Historie in Wochen- oder Tagesauflösung, damit Saisonalität erkennbar ist. Weniger kann funktionieren. Das klärt der Datencheck.
Muss ich dafür ein Data-Team haben?
Nein. Ich übernehme Datenaufbereitung, Modellierung und Betrieb. Von Ihrer Seite braucht es einen Datenexport und jemanden aus dem Fachbereich, der die Ergebnisse einordnet.
Wo laufen die Modelle?
Auf Ihrer eigenen Infrastruktur oder bei einem EU-Hoster, je nach Ihren Anforderungen. Ihre Daten verlassen die EU nicht.
Wie hoch sollte mein Sicherheitsbestand sein?
Das hängt von Bedarf, Schwankung, Lieferzeit und gewünschtem Servicegrad ab. Formel und Rechner finden Sie im Ratgeber Sicherheitsbestand. Mit einer besseren Prognose sinkt der nötige Puffer.
Was kostet das?
Der Datencheck ist kostenlos. Für Prototyp und Backtest bekommen Sie danach ein Festpreisangebot, damit das Risiko für Sie überschaubar bleibt.
Kostenloser Datencheck
Erzählen Sie mir, was Sie prognostizieren möchten und welche Daten vorliegen. Sie bekommen eine ehrliche Einschätzung, ob sich ein Modell lohnt.