Forecasting ohne neue Software: die Forecasting-Dienste von AWS und Google Cloud

WISSEN / 04

Die großen Cloud-Plattformen enthalten bereits leistungsfähige Forecasting-Dienste. Sie werden nur selten genutzt, weil das Einrichten Spezialwissen erfordert. Was „Einrichtung statt Software“ konkret bedeutet.

​

Wenn ein mittelständischer Lebensmittelbetrieb seine Absatzplanung verbessern will, beginnt die Suche fast immer beim selben Punkt: Welche Software kaufen wir? Es ist die naheliegende Frage — und oft genau der Grund, warum am Ende nichts passiert. Denn die Antwort führt in einen Aufwand, der in keinem Verhältnis zum eigentlichen Ziel steht.

Der übliche Weg: eine neue Software

Eine Forecasting-Software einzuführen heißt nicht nur, eine Lizenz zu kaufen. Es heißt, ein weiteres System neben das ERP zu stellen: mit Einführungsprojekt, Schnittstellen, Schulungen, Benutzerverwaltung, Wartung und jährlich wiederkehrenden Lizenzkosten. Jemand im Haus muss dieses System fortan betreuen und verstehen. Für einen Konzern mit eigener IT-Abteilung ist das machbar. Für einen mittelständischen Betrieb, in dem die Disposition von ein, zwei Personen nebenher gestemmt wird, ist es häufig die größte Hürde — und der Punkt, an dem das Vorhaben versandet, bevor es begonnen hat.

​

Dabei braucht es diese zusätzliche Software in vielen Fällen gar nicht. Die Fähigkeit, präzise Absatzprognosen zu rechnen, liegt längst bereit — nur eben nicht als Produkt im Regal, sondern als Baustein in der Cloud-Infrastruktur, die viele ohnehin schon nutzen.

Was die großen Cloud-Plattformen bereits mitbringen

Die beiden führenden Cloud-Anbieter — Amazon Web Services und Google Cloud — enthalten ausgereifte, vollständig verwaltete Werkzeuge für Zeitreihen-Prognosen. Sie sind dieselben Bausteine, mit denen große Handels- und Industrieunternehmen ihre Bedarfsplanung rechnen. Bei AWS sind diese Forecasting-Fähigkeiten heute im maschinellen Lerndienst des Anbieters gebündelt, bei Google Cloud stehen sie über die Datenplattform und deren Prognosefunktionen bereit. Die genauen Produktnamen ändern sich über die Jahre; entscheidend ist, dass die Substanz vorhanden ist und laufend weiterentwickelt wird.

​

Ein wichtiger Punkt dabei: Es gibt nicht das eine beste Verfahren für ein ganzes Sortiment. Ein stabil verkaufter Standardartikel verlangt eine andere Modellierung als ein stark saisonaler oder ein aktionsgetriebener Artikel. Der Vorteil der Cloud-Plattformen ist, dass sie ein ganzes Spektrum an Verfahren bereithalten — von klassischen statistischen Modellen bis zu modernen Deep-Learning-Ansätzen — und sich pro Artikel-Cluster das jeweils passende wählen lässt. Genau diese differenzierte Auswahl macht in der Praxis den Unterschied zwischen einer mittelmäßigen und einer wirklich brauchbaren Prognose.

​

Dazu gehört auch, neue Entwicklungen einzuordnen, statt sie pauschal zu übernehmen. Ein gut gebauter Workflow ist so angelegt, dass jeweils aktuelle Modelle genutzt werden können, sobald sie verfügbar sind — aber „neu“ heißt nicht automatisch „besser für jeden Artikel“. Ein Beispiel aus jüngster Zeit ist Googles Foundation-Modell TimesFM: Es liefert ohne artikelspezifisches Training erstaunlich gute Prognosen, ist schnell und günstig im Betrieb und deshalb für viele Artikel eine ausgezeichnete Wahl. Aber es erreicht eben nicht bei jedem Artikel das beste Ergebnis — ein klassisches oder eigens trainiertes Modell kann dort, wo es passt, genauer sein. Der eigentliche Wert liegt darin, beides zu kennen und je Artikel das Richtige einzusetzen, statt einem einzelnen Verfahren blind zu folgen.

​

Wenn diese Werkzeuge so leistungsfähig und verfügbar sind — warum nutzt sie dann kaum ein Mittelständler? Weil zwischen „ist in der Cloud vorhanden“ und „läuft produktiv für meinen Betrieb“ eine Lücke klafft, die Spezialwissen verlangt: die Daten richtig aufbereiten, die passenden Verfahren auswählen, die Modelle konfigurieren, die Ergebnisse in eine nutzbare Form bringen. Diese Einrichtung ist die eigentliche Arbeit — nicht die Software, denn die ist schon da.

Einrichtung statt Software

Hier liegt der Unterschied zum klassischen Software-Kauf. Statt ein weiteres Produkt zu lizenzieren, werden die bereits vorhandenen Forecasting-Dienste im Cloud-Konto des Betriebs eingerichtet — sei es ein bestehendes Konto oder ein dafür neu aufgesetztes. Das Ergebnis ist kein neues System, das betreut werden will, sondern eine übersichtliche Oberfläche, auf der die Disposition ihre wöchentlichen Prognosen vorfindet. Nichts zu lizenzieren, nichts zusätzlich zu erlernen, nichts zu warten.

​

Das hat eine unmittelbare Konsequenz für die Kosten. Eine Einrichtung ist ein klar umrissenes Vorhaben mit einem definierten Anfang und Ende. Anders als bei einem Software-Projekt mit offenen Tagessätzen und dauerhaften Lizenzgebühren lässt sich eine Einrichtung deshalb zu einem Festpreis anbieten. Der Betrieb weiß vorab, was es kostet, und zahlt nicht fortlaufend für eine Lizenz, sondern einmalig für die Einrichtung dessen, was in seiner Cloud ohnehin bereitliegt.

Von diesem einmaligen Einrichtungspreis zu trennen sind die laufenden Cloud-Kosten — die Rechenleistung, die die Prognosen Woche für Woche erzeugt. Diese fallen beim Cloud-Anbieter an, nicht als Lizenz, und sie sind in ihrer Größenordnung überschaubar: für einen typischen mittelständischen Betrieb bewegen sie sich im niedrigen dreistelligen Bereich pro Monat. Das Interessante daran ist, dass der Betrieb sie mitbestimmen kann. Denn je mehr verschiedene Verfahren man pro Artikel rechnen und vergleichen lässt, desto genauer wird die Prognose — aber desto höher auch der Rechenaufwand. Wer maximale Genauigkeit will, fährt mehr Algorithmen und liegt am oberen Rand; wer mit einer soliden, schlankeren Lösung zufrieden ist, hält die Kosten niedriger. Diese Abwägung lässt sich bewusst und gemeinsam festlegen, statt sie dem Zufall zu überlassen — auch das ein Unterschied zur Pauschallizenz, bei der man für Leistung zahlt, ob man sie braucht oder nicht.

​

Für den Betrieb verschiebt sich damit die Ausgangsfrage. Sie lautet nicht mehr „welche Software kaufen wir und was kostet sie uns jährlich?“, sondern „wie bekommen wir die Prognosefähigkeit, die ohnehin verfügbar ist, sauber für unser Sortiment eingerichtet?“. Das ist ein kleineres, klareres und kalkulierbareres Vorhaben — und genau deshalb eines, das ein mittelständischer Betrieb tatsächlich angeht, statt es aufzuschieben.

Wie eine solche Einrichtung in der Praxis aussieht und über Jahre produktiv läuft, zeigt die Case Study.