Forecastings oder Prognosen sind nichts anderes als Vorhersagen zu bestimmten Zielgrößen, anderer betriebsrelevanter Einflussgrößen oder ökonomischer Variablen zur Verbesserung der Planung. Diese basieren auf vergangenen und aktuellen Daten, die methodisch analysiert und verknüpft werden. Diese Prognosen sind natürlich keine Garantie oder bieten 100-prozentige Sicherheit, sind aber eine entscheidende Grundlage für eine zielgerichtete Planung eines jeden Unternehmens. Moderne Forecasting-Verfahren beziehen auch Umweltdaten, geopolitische Entwicklung oder Trends mit ein, um mögliche Auswirkungen auf die eigene Wirtschaftlichkeit zu prognostizieren.
Übergreifende Konjukturprognosen oder Wachstumsprognosen für die Wirtschaft gibt es schon lange, aber auch auf Unternehmensebene sind Forecastings für unterschiedliche Teilbereiche oder zu bestimmten Zielgröße angekommen. Hoch im Rennen stehen Absatz- und Bedarfsprognosen aber auch Verkaufsprognosen im Hinblick auf die Einführung neuer Produkte und Dienstleistungen. Es gilt: Keine Planung ohne Prognose. Damit der Forecast kein Blick in die Kristallkugel wird, müssen einige Grundvoraussetzungen geschaffen werden. Sie beginnen mit einer, nach Möglichkeit, umfassenden Datenbasis (Big Data) und einer genauen Ermittlung des Prognoseziels.
Bei der Umsetzung von Prognosen kommen unterschiedliche Methoden in Frage. Es wird unterschieden zwischen qualitativen (Delphi, Kundenumfragen, Testmärkte, Analogien, Experteneinschätzungen) und quantitativen Methoden (mathematische/statistische Analysen, Mittelwert, Data Mining, Maschine Learning oder andere Methoden Künstlicher Intelligenz). Welche Methode oder welche Methodenkombination die richtige ist, hängt davon ab, wie genau die Prognose sein soll, wie viel Zeit zur Verfügung steht und welche Datenqualität vorliegt. Je weiter die Prognose in die Zukunft reicht, desto ungenauer wird sie.
Anfängern wird empfohlen, zunächst mit einfachen Methoden wie der exponentiellen Glättung oder dem Mittelwert, also qualitativen Methoden, zu beginnen. Wenn die Datenlage und die Organisationsstruktur umfassendere Analysen zulassen, kann tiefer in den Forecastingprozess eingestiegen werden. Möglichst genaue Prognosen erfordern eine tiefe Betrachtung der Daten, also quantitative Methoden, und dauern länger.
Es gibt zahlreiche Open Source Tools, die bei der Erstellung von Prognosen helfen können. In entsprechenden Bibliotheken können sich Unternehmen die passende Software raussuchen. Allerdings braucht es Expertinnen und Experten, Data Scientists, die sich nicht nur mit der Anwendung, sondern auch mit Korrelationen der Daten auskennen. Wird beim Prognoseziel bereits ein Fehler gemacht, entstehen Ergebnisse, auf deren Basis nicht geplant werden kann. Die Data Experts zahlen dann direkt auf die Business Intelligence des Unternehmens ein.
