Wie wir bei einer süddeutschen Molkerei den WAPE von über 40 % auf 13–17 % gesenkt haben — und nebenbei messbar gemacht, was vorher Black-Box war.
CASE STUDY / 01 - MOLKEREI, DEUTSCHLAND
Demand-Forecasting-Implementierung auf AWS und Google Cloud, seit 2022 in produktivem Betrieb. Ein Praxisbericht über vier Jahre Modell-Kalibrierung, Disponenten-Einbindung und die Etablierung von Messbarkeit als ersten Wert.
Worum es eigentlich ging
Das Ziel war nicht, den Disponenten zu ersetzen oder die Disposition zu automatisieren. Es war zwei andere Dinge gleichzeitig zu erreichen:
Erstens, dem Disponenten ein schlagkräftiges Werkzeug an die Hand geben — eines, das ihm die mechanische Vorhersage abnimmt, sodass er seine Erfahrung und sein kontextuelles Wissen für die Entscheidungen einsetzen kann, die ein Algorithmus nicht treffen kann.
Zweitens, Sichtbarkeit über Forecast-Qualität schaffen. Denn das war der überraschendste Befund aus den ersten Wochen: Wie in den meisten mittelständischen Lebensmittelbetrieben war Forecast-Qualität bis dahin nicht systematisch gemessen worden. Es gab keine Baseline, keine Trendlinie, keine Vergleichbarkeit zwischen Wochen oder Artikeln. Disposition war Black-Box — gemacht von Menschen mit Erfahrung, aber ohne objektive Beurteilungsgrundlage.
Wer seine Disposition nicht messen kann, kann sie auch nicht gezielt verbessern. Die Etablierung von Messbarkeit war damit nicht ein Nebeneffekt unserer Arbeit — sie war ihr erster eigenständiger Wert.
Wie das Projekt zustande kam
Im Jahr 2022 trat der Kunde an uns heran mit der Frage, ob sich seine Absatzplanung mit KI verbessern ließe. Die Ausgangslage war ungewöhnlich: Wir betreuen den Kunden seit Jahren als Logistik-Dienstleister und kannten die Datenlage aus dem laufenden operativen Betrieb. Wir wussten was eine schlechte Absatzplanung in der Praxis bedeutet — denn wir waren selbst direkt betroffen, wenn das Lager überlief oder Aktionsphasen Stockouts produzierten.
Diese Doppelrolle als Logistik-Partner und Implementierungs-Verantwortlicher prägte das gesamte Projekt. Wir begannen nicht mit einer leeren Datenfolie, sondern mit dem operativen Wissen aus mehreren Jahren tatsächlicher Disposition.
Was wir aufgesetzt haben
Implementiert wurde der Workflow auf einer Kombination aus AWS und Google Cloud — beide Hyperscaler werden parallel genutzt, weil unterschiedliche Forecasting-Services für unterschiedliche Artikel-Cluster die besseren Ergebnisse liefern. Forecast-Granularität ist wöchentlich, mit Horizonten von 1–8 Wochen je nach Anwendungsfall.
Die Datenbasis kommt nicht primär aus dem Kunden-ERP (Microsoft Dynamics NAV), sondern aus unserem eigenen Lagerverwaltungssystem. Da wir die Logistik betreiben, sehen wir die Bewegungen in höherer Auflösung und mit besserer Datenqualität als ein klassischer ERP-Export sie liefern würde. Diese Datenarchitektur ist nicht reproduzierbar für reine Forecasting-Berater ohne Logistik-Anbindung — sie ist ein struktureller Vorteil dieses spezifischen Setups.
In den Forecast integriert sind drei Datenquellen: Verkaufs- und Bewegungshistorie aus dem Lagersystem, Saisonkalender und Feiertagsdaten, sowie der Aktions- und Promotionsplan des Kunden.
Methodisch verfolgen wir keinen One-Size-Fits-All-Ansatz. Pro Artikel wird evaluiert, welcher Modell-Typ die beste Prognosegüte liefert — das Spektrum reicht von klassischen Time-Series-Modellen (ARIMA, Prophet) über Machine-Learning-Ansätze (XGBoost, LightGBM) bis zu Deep-Learning-Modellen (DeepAR) und Foundation Models (Chronos, TimesFM). Manche Artikel werden im Ensemble mehrerer Modelle prognostiziert, andere mit einem einzelnen, gut kalibrierten Algorithmus.
Was sich für den Disponenten geändert hat
Der Disponent macht heute weniger mechanische Vorhersage und mehr Steuerung. Die Routinearbeit der Wochenprognose erledigt das System — die Aufmerksamkeit des Disponenten verlagert sich auf die Fälle, in denen das System unsicher ist, auf Aktionsphasen, auf Sortimentsänderungen, auf den Dialog mit Vertrieb und Produktion.
Das hat sein Aufgabengebiet nicht geschrumpft, sondern erweitert. Der Disponent übernimmt heute Tätigkeiten, die zuvor extern vergeben waren oder gar nicht stattfanden: detailliertere Bestandssteuerung, Prognose-Reviews mit dem Vertrieb, Beitrag zur Aktionsplanung. Die mechanische Arbeit kommt aus dem System, die wertvolle Arbeit liegt beim Menschen.
Was sich für den Betrieb geändert hat
Drei Effekte sind besonders deutlich messbar:
Working Capital wurde deutlich reduziert. Die Sicherheitsbestände, die zuvor als Puffer gegen Forecast-Unsicherheit dienten, konnten auf Basis der zuverlässigeren Prognose abgebaut werden — bei einer Biomolkerei in dieser Größenordnung sprechen wir hier über substanzielle Beträge, die heute produktiver eingesetzt werden können.
Die Rohmilchplanung wurde substanziell besser. Bei einer Biomolkerei mit eingeschränkter Rohmilch-Verfügbarkeit ist das ein zentraler Hebel — die Vorhersage darüber, was in zwei, vier, acht Wochen produziert wird, steuert direkt den Rohmilch-Bedarf bei den Lieferanten.
Disposition ist heute messbar. Die Geschäftsführung weiß, wie gut Vorhersagen funktionieren, wo systematische Fehler liegen, wo Verbesserungspotenzial steckt. Vor 2022 war das alles Erfahrungswissen einzelner Personen — heute ist es im Wochenbericht sichtbar.
Drei Erkenntnisse aus vier Jahren Praxis
Sichtbarkeit ist der erste Schritt
​
​Die meisten mittelständischen Lebensmittelhersteller die wir kennen messen Forecast-Qualität nicht systematisch. Sie kennen ihre eigene Disposition nicht in Zahlen — und können sie deshalb auch nicht gezielt verbessern. Bevor unsere Algorithmen den ersten Effekt hatten, lieferten wir bereits Wert: die Etablierung einer laufenden Messgröße, sichtbar im Wochenbericht. Allein diese Sichtbarkeit verändert die Diskussion zwischen Disposition, Vertrieb und Geschäftsführung.
​
Disponenten Override ist Trainings Signal, nicht Datenrauschen
​
In den ersten Monaten haben Disponenten unsere Forecast-Vorschläge oft ignoriert oder überschrieben. Die naheliegende Reaktion wäre gewesen, härter auf die Modell-Outputs zu pochen. Stattdessen haben wir die Overrides systematisch ausgewertet — und gemerkt, dass sie kontextuelles Wissen enthielten, das das Modell noch nicht kannte. Diese Erkenntnis hat den Kurs des Projekts geändert: Wir arbeiten heute eng mit dem Disponenten zusammen, um seine Bedürfnisse und Entscheidungslogiken zu verstehen, statt sie zu unterdrücken.
​
Individuelle Algorithmen Auswahl statt One Size Fits All
​
Standard-Vendor-Implementierungen wählen meist ein Modell und wenden es auf das ganze Sortiment an. Bei Frischeprodukten mit unterschiedlichen Bewegungsmustern, MHD-Restriktionen und saisonalen Patterns funktioniert das nicht. Wir investieren in der Setup-Phase deutlich mehr Zeit in die Algorithmen-Auswahl pro Artikel-Cluster, und gewinnen das in der laufenden Prognosegüte um ein Vielfaches zurück.
Die Wende im Projekt
Der erinnerungswürdigste Moment war nicht ein technischer Durchbruch — es war die Erkenntnis, dass die Disponenten unsere Vorschläge anfangs einfach nicht annahmen. Wir hatten technisch sauber geliefert, das Modell rechnete präzise, die Outputs lagen vor — aber im Tagesgeschäft passierte nichts.
Diese Phase hat das ganze Projekt geprägt. Eine erfolgreiche Implementierung endet nicht, wenn das Modell läuft. Sie endet, wenn der Disponent dem Werkzeug vertraut — und dieses Vertrauen entsteht nicht durch Genauigkeit allein, sondern durch Zusammenarbeit.
Für die Zahlen Affinen: WAPE statt MAPE
Wir nutzen WAPE (Weighted Absolute Percentage Error) als zentrale Messgröße — nicht das gängigere MAPE. WAPE gewichtet Fehler nach Volumen, was bei einem volumengewichteten Sortiment wie hier die ehrlichere Metrik ist. Wer Forecast-Güte tatsächlich messen will, nutzt WAPE. Wer schöne Zahlen für die Vendor-Demo will, nutzt MAPE.
Die rückwirkend ermittelte Baseline lag bei über 40 % WAPE. Heute liegt der Theorie-WAPE — gemessen an den vom System ausgegebenen Forecasts — zwischen 13 und 17 %. Der praktische IST-WAPE nach Disponenten-Eingriff liegt manchmal einige Prozentpunkte höher, weil nicht alle Vorschläge unverändert übernommen werden. Diese Differenz ist kein Defekt, den wir verstecken — sie ist Praxis-Realität, an der wir kontinuierlich arbeiten.
Wie es weitergeht
Die Forecasting-Implementierung war Phase 1. Im aktuellen Projektstand wird das System um Live-Bestandsdaten erweitert. Phase 2 ist bereits in Vorbereitung: Aus dem Forecasting-Tool soll ein vollständiges Produktionsplanungs-Werkzeug werden, das nicht nur Prognosen liefert, sondern direkt in die Produktionssteuerung eingreift.
Dass diese Erweiterung jetzt angegangen wird, ist der stärkste Beleg dafür, dass die Forecasting-Substanz beim Kunden Vertrauen geschaffen hat — Vertrauen, auf dem nun aufgebaut wird.
Vergleichbare Anforderungen in Ihrem Betrieb?
Wenn die hier beschriebenen Pain-Points — fehlende Messbarkeit der Disposition, hohe Sicherheitsbestände, manuelle Excel-Forecasts — Ihnen bekannt vorkommen, melden Sie sich gerne bei uns.