2.2.4. Demand Planning in der Supply Chain

Das Supply Chain Management hat als Ziel die Erfüllung des (End-) Kundenbedarfes. Der Kundenbedarf ist entweder mit konkreten Kundenaufträgen gegeben, die erfüllt werden müssen, oder die Kundenbedarfe existiert als ein anonymes Kaufinteresse der Kunden.⁸¹ Eine wesentliche Voraussetzung für das Demand Planning ist, dass es eine passende Planungsstruktur für die Dimensionen „Produkt“, „Kunde“ und „Zeit“ gibt.⁸² Generell kann man sagen, dass jede Prognose aus drei Komponenten besteht:⁸³

• Dem Produkt, das von Kunden nachgefragt wird.
• Der Zeitperiode, für die der Absatz geplant wird.
• Der geographischen Region, aus der der Bedarf stammt.

Diese Strukturen benötigt man um Eingabedaten, historische Absatzmengen, statistische Prognosen und die Prognosegenauigkeit, darzustellen. Die Bedarfsvorhersage ist notwendig, sobald Produkte unterhalb oder auf der Bevorratungsebene produziert oder beschafft werden müssen.⁸⁴ Ziel eines Unternehmens ist es, die Kundenwünsche optimal und mit adäquaten Kosten zu erfüllen. Die Kriterien der Kunden und Produkte sind geschäftsspezifisch zu definieren und hinsichtlich ihrer Relevanz für die Determinierung der Supply Chain Struktur und der Festlegung des Kundenauftragsentkopplungspunkt zu prüfen.⁸⁵ Eines der wesentlichsten Kriterien ist die vom Kunden geforderte Lieferzeit. Dadurch wird der so genannte Kundenauftragsentkopplungspunkt (KEP) bestimmt. Die Ermittlung des Kundenauftragsentkopplungspunktes wird im Rahmen einer Deliver- und Produktstrukturanalyse durchgeführt. Beide Analysen sind auf die Bewertung von entsprechenden Ansätzen, zum Erreichen einer Ziel-Lieferzeit je Lieferklasse, ausgerichtet. Das Ziel ist, den Kunden mit entsprechenden Lieferzeiten zu bedienen: Meistens wird damit eine Lieferzeitreduzierung erreicht.

Abb. 7: Kundenauftragsentkopplungspunkt⁸⁶

Fertigungsproduktions-Strategien

Im Prozesstyp „Make“ stehen Prozesse, die Rohstoffe, Zwischenprodukte und Endprodukte in den nächsten Schritt transformieren, um die aktuellen und zukünftigen Bedarfe abzudecken.⁸⁷ Der Make-Prozess wird mit vier Modellen beschrieben und umfasst alle Inhouse-Prozesse zur Herstellung bzw. Fertigstellung von Produkten. Die Unterscheidung der vier Make-Modelle wird im Wesentlichen durch die Bevorratungsstrategie und das Fertigungssteuerungsprinzip gesteuert.⁸⁸

Abb. 8: Make-Modelle⁸⁹

• Make to Stock Push: Plangetriebene Fertigung abgeleitet aus einem Fertigungsplan, die Produkte werden wiederholt durch die Fertigung gedrückt.
• Make to Stock Pull: Fertigung funktioniert verbrauchsgesteuert, die Produkte werden vom Lager gezogen.
• Make to Order: Kundenauftragsbezogene Fertigung von konkreten Kundenbedarfen. Das Produkt wird ohne Zwischenlagerung direkt an den Kunden geliefert.
• Engineer to Order: Zusätzlich werden Engineering-Aktivitäten für die Kunden auftragsbezogene Fertigung von Kundenbedarfen benötigt. Das Produkt wird ohne Zwischenlagerung direkt an den Kunden geliefert.⁹⁰

Die Aufgabe des Demand Planning ist es, die Prozesse bereits vor dem Zeitpunkt des Bekanntwerdens der tatsächlichen Kundenbedarfe durchzuführen. Prognosen in die Zukunft sollen unterstützen und man sollte sich bewusst sein, dass es eine Haupteigenschaft von Prognosen ist, dass sie in der Regel falsch sind.⁹¹ Um eine hohe Prognosegenauigkeit zu erreichen, sind Controlling-Mechanismen notwendig.⁹² Das Controlling hat die Aufgabe, die Qualität der Prognose und die Qualität des gesamten Prognoseprozesses zu überwachen und zu steuern. Die Prognose benötigt ein hohes Maß an Qualität, um diese in die Prozesse und für ihre Entscheidungen zu nutzen (Produktion, Einkauf, Verkauf, Kapazitätsplanung etc.).⁹³ Es kann zudem genutzt werden die Qualität der Prognose den Beteiligten am Prognoseprozess widerzuspiegeln, um aus größeren Abweichungen zu lernen. Für die Messung der Prognosegenauigkeit müssen folgende Eigenschaften erfüllt werden:⁹⁴

• Der Wertebereich muss positiv und addierbar sein (es würden sich positive und negative Werte bei der Aggregation ausgleichen). Das Maß muss normiert sein (Werte zwischen 0 und 100 %).
• Alle Kennzahlen (Zeitreihen), die für eine Berechnung benötigt werden, müssen auf allen Ebenen der Planungsstruktur (Produkt, Kunden, Zeitintervalle etc.) verfügbar sein.
• Es sollten alle involvierten Unternehmensabteilungen für die Definition des Gütemaßes involviert werden. Das Vergleichsmaß soll von allen akzeptiert werden.

Es gibt viele Methoden, um Prognosefehler anhand der Zeit zu messen. Jedes Maß muss für einen durch den Plan zu definierenden fixen Zeitraum (in der Vergangenheit) berechnet werden. Die folgenden Maße - mittlere quadratische Abweichung („Mean Squared Error“, MSE), mittlere absolute Abweichung („Mean Absolute Deviation“, MAD), mittlere absolute prozentuale Abweichung („Mean Absolute Percentage Error“, MAPE) und mittlere absolute prozentuale Güte („Mean Absolute Percentage Accuracy“, MAPA) - sind gängig in der Praxis.⁹⁵ Ein Ziel dieser Prognose besteht darin, den „Prognosefehler“ zu minimieren. Es ist daher sehr wichtig zu wissen, was unter dem Begriff „Prognosefehler“ verstanden wird. Die bekannten „Definitionen“ des Prognosefehlers passieren auf der Größe „Residuen (Abweichungen)“.⁹⁶ Die Residuen (Abweichungen) entsprechend den Differenzen zwischen den effektiv gemessenen “Y“- Werten und den (Prognose-) Werten „Yp“.⁹⁷

• Durchschnittliche absolute Residuen (Abweichungen) (MAD)
• Die MAD ist eine gute Kennzahl der „Gütemessung“ der Prognose, insbesondere wenn der Prognosefehler in den gleichen Einheiten wie die “Y“ - Werte gemessen werden soll. Gegenüber „quadrierenden“ Lösungen der Messung hat der MAD den Vorteil, dass alle Residuen mit dem relativ gleich großen „Gewicht“ in die Berechnung mit einfließen.⁹⁸
• Durchschnittliche quadrierte Residuen (Abweichungen) (MSE)
• Die MSE ist eine gute Kennzahl der „Gütemessung“ der Prognose, wenn größere Abweichungen überproportional stärker „bestraft“ werden sollen als kleinere. Diese Kennzahl des Prognosefehlers kann auch als „Varianz“ der Residuen aufgefasst werden.⁹⁹
• Durchschnittliche absolute prozentuale Residuen (Abweichungen) (MAPE)
• Der MAPE ist eine gute Kennzahl der „Gütemessung“ der Prognose, wenn der Prognosefehler im Verhältnis zu den „Y“-Werten bzw. den beobachteten Werten gemessen werden soll. Es wird sehr oft der MAPE bei absolut großen beobachteten Werten verwendet, wenn die Prognosefehler von mehreren Datensätzen mit unterschiedlichen Einheiten untereinander verglichen werden sollen.¹⁰⁰

Tab. 2: Methoden zur Aggregation der Prognosegüte¹⁰¹

Ein Demand Planning Prozess besteht aus mehreren Phasen und ein Zeitstrahl illustriert die Anzahl der Tage, die benötigt werden, um die Prognose in einem monatlichen Planungszyklus zu aktualisieren. Die Abbildung 9 zeigt einen typischen Demand Planning Prozess.¹⁰²

Abb. 9: Phasen des Demand Planning Prozesses¹⁰³

In der ersten Phase werden die Strukturen angepasst und bei Bedarf entsprechend bereinigt. In der zweiten Phase wird die statistische Prognose der Vergangenheitswerte berechnet. In der dritten Phase werden wertende Prognosen von einzelnen Abteilungen abgegeben. Sinnvollerweise sind hier die Abteilungen Vertrieb, Produktmanagement und Marketing beteiligt und die Prognose wird sehr häufig in einem Konsensmeeting diskutiert. Der vierte Schritt, die konsensbasierte Prognose und wertende Prognosen müssen durch entsprechendes Feedback unterstützt werden, das den Plan und die Qualität der eigenen Inputs transparent macht. Auf Basis der konsensbasierten Prognose kann nun der fünfte Schritt, der abhängige Bedarf geplant werden. Diese Prognose stellt nun den Bedarf für die Endprodukte oder Produktgruppe dar. Der letzte Schritt ist die formale Freigabe der Prognose und macht die Prognose für andere Prozesse verwendbar.¹⁰⁴ Der Prozess der Prognose eines zukünftigen Kundenbedarfs nennt sich Absatzplanung oder auch Demand Planning.¹⁰⁵ Eine Vorhersage eines Bedarfes ist eine Aussage über die wahrscheinliche, zukünftige Entwicklung der Bedarfe im Verlauf der Zeitachse.¹⁰⁶ Das übergreifende Demand Planning Rahmenwerk ist in der Abbildung 10 dargestellt.

Abb. 10: Demand Planning Rahmenwerk¹⁰⁷

Prognosen wie sie im Rahmenwerk beschrieben werden, versuchen die Zukunft so exakt wie möglich vorherzusagen ohne dabei auf beeinflussende Faktoren wie beispielsweise: Entscheidungen über Promotionen, negative Auswirkungen durch Aktionen der Konkurrenz, Lebenszyklus-Kurve einzugehen. Es müssen daher zusätzliche Simulationen durchgeführt werden, die durch entsprechende Software Tools unterstützt werden.¹⁰⁸

Demand Planning Strukturen

Wie bereits beschrieben, ist es notwendig die Prognosen auf die drei Komponenten zu beziehen: Produkt-Dimensionen, Zeit-Dimensionen und Geographische-Dimensionen. Im Mittelpunkt der Strukturierung muss die Frage beantwortet werden: „Was soll prognostiziert werden?“¹⁰⁹

Produkt-Dimensionen: Die Prognose kann auf der Ebene stock keeping units (SKUs) erstellt werden oder auf Ebene von Produktgruppen.

Zeit-Dimensionen: Die Zeit wird dabei in diskrete Zeitintervalle eingeteilt z. B. Jahre, Quartale, Monate, Wochen oder Tage. Die Länge hängt dabei von den Anforderungen der jeweiligen Demand Planning Szenarios ab.

Geographische-Dimensionen: Da der Bedarf immer bei den Kunden entsteht, müssen die einzelnen Kunden der untersten Ebene in dieser Dimension prognostiziert werden. Hier gibt es die Möglichkeit eine Gruppierung anhand von Regionen oder Gebieten, eine Gruppierung versorgender Quellen (Distributionszentren, Produktionswerke etc.) und eine Gruppierung nach Schlüsselkunden (Key Accounts).

In den heutigen APS Systemen gibt es keine Differenzierung zwischen Produkt-Dimension und geographische Dimension. Es werden die Planungsstrukturen auf Basis so genannter Planungsattributen oder Charakteristika aufgebaut. Planungsattribute sind Eigenschaften von Produkten, um die Prognose zu strukturieren und den Aggregations- und Disaggregationsprozess zu unterstützen.¹¹⁰

Demand Planning Prozess

Die Abbildung 9 zeigt die verschiedenen Phasen eines Demand Planning Prozess, wie er in vielen Branchen zur Anwendung kommt. Der dabei verwendete Zeitstrahl stellt die Anzahl der Tage dar, die benötigt werden, um monatlich die Prognose in einem Planungszyklus zu aktualisieren.¹¹¹ Dieser Prozess wird in der Planung und Steuerungsabteilung gestartet und endet mit einem freigegebenen Demand Planning Prozess. Der letzte Schritt macht die Prognose dann für alle anderen Prozesse verwendbar. Aufgrund dieser Daten kann die Beschaffung die benötigten Materialien einkaufen, die Produktion die entsprechenden Ressourcen an den Aggregaten planen, die Logistikabteilung die Transporte durchführen und die Finanz die benötigte Liquidität sicherstellen. Bei diesem Prozessschritt hat auch das statistische Prognoseverfahren einen hohen Stellenwert. Bereits in den 1950ern wurden Prognoseverfahren für Unternehmen entwickelt.¹¹² Die heutigen Möglichkeiten der Softwaremodule ermöglichen Berechnungen von Prognosen innerhalb weniger Sekunden. Diese Verfahren nutzen Vergangenheitsdaten von Produkten zur Vorhersage zukünftiger Bedarfe. Grundsätzlich gibt es zwei Verfahren:¹¹³

• Kausale-Modelle
• Zeitreihen-Modelle

Die Zeitreihenanalyse setzt voraus, dass der Bedarf immer einem bestimmten Muster folgt. Es ist daher die Aufgabe des Prognoseverfahrens, das Muster aus den Vergangenheitsdaten abzuschätzen.¹¹⁴ Die bekanntesten Modelle sind: Konstantmodelle, Trendmodelle, Saisonmodelle und Trend-Saison-Modelle. (siehe Abbildung 11) Der zweite Ansatz für statistische Prognosen sind die kausalen Modelle. Diese gehen davon aus, dass der Absatzverlauf durch einige bekannte Faktoren bestimmt werden kann.¹¹⁵ Da für die Parameter der kausalen Modelle eine oder mehrere Zeitreihen mit Indikatoren benötigt werden, sind die Datenmengen und die Anforderungen deutlich größer als für die Zeitreihenanalyse. Empirische Studien zeigen auf, dass Zeitreihenmodelle häufig bessere Prognosen liefern als komplexe kausale Modelle.¹¹⁶ Aufgrund der strategischen Bedeutung, muss der Prozess mit großer Sorgfalt erarbeitet werden.

Abb. 11: Mögliche und übliche Nachfragemodelle¹¹⁷

Demand Planning Controlling

Demand Planning Controlling hat die Aufgabe, die Qualität der Prognose und des gesamten Prognoseprozesses zu überwachen und zu steuern. Die Prozesse, die eine Prognose als Basis für ihre Entscheidungen nutzen (Beschaffung, Produktion, Logistik, etc.) benötigen ein Qualitätsmaß, um die Güte der Prognose und den damit verbundenen Abweichungen der tatsächlichen Nachfrage einschätzen zu können.¹¹⁸ Zudem kann die Qualität der Prognose genutzt werden, um den Beteiligten am Prognoseprozess ein Feedback über die Genauigkeit zu geben, um aus größeren Abweichungen zu lernen. Wie bereits bei den Demand Planning Strukturen wird beim Controlling Prozess die Aggregation der Prognosegüte, anhand der Zeit-Dimension, der Produkt-Dimension und der geographischen Dimension unterschieden.

Fazit:

Die Absatzplanung auch Demand Planning genannt, dient zur Ermittlung der Nachfrage unter Berücksichtigung von Markteinflüssen. Mit der Hilfe von geeigneten Softwaretools muss die Möglichkeit bestehen, auf die dynamischen Veränderungen am Markt zu reagieren. Diese Tools müssen für die Bedarfsplanung in der Lage sein, eine Vielzahl von Informationen zu übernehmen und nach unterschiedlichsten Kriterien auszuwerten. Die Zusammenfassung von Produkten zu Produktgruppen erlaubt dabei eine Übersicht der hohen Variantenvielfalt zu bewahren. Es müssen dazu die Regeln für die Verteilung auf die Produktgruppen im Rahmen der Absatzplanung festgelegt werden.

⁸¹ Vgl. Kilger/Wagner (2010), S. 153.
⁸² Vgl. Kilger/Wagner (2010), S. 153.
⁸³ Vgl. Kilger/Wagner (2010), S. 156.
⁸⁴ Vgl. Schönsleben (2004), S. 220.
⁸⁵ Vgl. Hagen et. al. (2006), S. 55f.
⁸⁶ Quelle: Hagen et. al. (2006), S. 57. (leicht modifiziert)
⁸⁷ Vgl. Surie/Wagner (2010), S. 45.
⁸⁸ Vgl. Hagen et. al. (2006), S. 66f.
⁸⁹ Quelle: Hagen et. al. (2006), S. 67. (leicht modifiziert)
⁹⁰ Vgl. Hagen et. al. (2006), S. 67.
⁹¹ Vgl. Kilger/Wagner (2010), S. 154.
⁹² Vgl. Eickmann (2004), S. 37.
⁹³ Vgl. Kilger/Wagner (2010), S. 171.
⁹⁴ Vgl. Eickmann (2004), S. 37ff.
⁹⁵ Vgl. Kilger/Wagner (2010), S. 173.
⁹⁶ Vgl. Treyer (2010), S. 106.
⁹⁷ Vgl. Treyer (2010), S. 106.
⁹⁸ Vgl. Treyer (2010), S. 107.
⁹⁹ Vgl. Treyer (2010), S. 107.
¹⁰⁰ Vgl. Treyer (2010), S. 108.
¹⁰¹ Quelle: Treyer (2010), S. 107f. (leicht modifiziert)
¹⁰² Vgl. Kilger/Wagner (2010), S. 162.
¹⁰³ Quelle: Originalgetreu übernommen Kilger/Wagner (2010), S. 162.
¹⁰⁴ Vgl. Kilger/Wagner (2010), S. 162ff.
¹⁰⁵ Vgl. Kilger/Wagner (2010), S. 153.
¹⁰⁶ Vgl. Schönsleben (2011), S. 508.
¹⁰⁷ Quelle: Originalgetreu übernommen Kilger/Wagner (2010), S. 155.
¹⁰⁸ Vgl. Kilger/Wagner (2010), S. 155.
¹⁰⁹ Vgl. Kilger/Wagner (2010), S. 156.
¹¹⁰ Vgl. Kilger/Wagner (2010), S. 160.
¹¹¹ Vgl. Kilger/Wagner (2010), S. 161.
¹¹² Vgl. Kilger/Wagner (2010), S. 165.
¹¹³ Vgl. Kilger/Wagner (2010), S. 165.
¹¹⁴ Vgl. Kilger/Wagner (2010), S. 165.
¹¹⁵ Vgl. Kilger/Wagner (2010), S. 166f.
¹¹⁶ Vgl. Silver et. al. (1998), S. 130.
¹¹⁷ Quelle: Originalgetreu übernommen Schönsleben (2011), S. 474.
¹¹⁸ Vgl. Kilger/Wagner (2010), S. 170f.