Fehlergröße ist nur die halbe Geschichte: Bias, Quantil und die Wahl zwischen Fehlmenge und Abschrift
WISSEN / 05
Ein Prognosefehler hat eine Größe — und eine Richtung. WAPE misst nur die Größe. Wer in der Frischeproduktion Überbestand und Stockout steuern will, muss die Richtung kennen und das Prognose-Quantil bewusst wählen. Genau das hat in der Disposition kaum jemand auf dem Schirm.
Im Beitrag zu MAPE und WAPE ging es darum, wie groß der Prognosefehler ist und wie man ihn ehrlich misst. Aber die Größe des Fehlers ist nur die halbe Geschichte. Zwei Prognosen können exakt denselben WAPE haben und trotzdem völlig unterschiedliche wirtschaftliche Folgen — weil sie in unterschiedliche Richtungen danebenliegen. Genau diese Richtung ist der Hebel, mit dem sich Disposition tatsächlich steuern lässt, und sie ist in den meisten mittelständischen Betrieben blinder Fleck.
Größe und Richtung: warum WAPE allein nicht reicht
Stellen wir uns zwei Disponenten vor, die beide einen WAPE von 18 % erreichen — auf dem Papier gleich gut. Der eine plant systematisch zu hoch: Sein Lager ist immer etwas zu voll, am Ende der Mindesthaltbarkeit wird regelmäßig Ware abgeschrieben. Der andere plant systematisch zu niedrig: Sein Lager ist schlank, aber bei Nachfragespitzen gehen ihm Artikel aus, und er verliert Verkäufe. Gleicher Fehler, gegensätzliche Konsequenz. Der WAPE sieht beides nicht — er misst nur den Betrag der Abweichung, nicht ihre Richtung.
Die Kennzahl, die diese Richtung misst, ist der Bias (auch Forecast Bias oder systematische Verzerrung). Während WAPE die absoluten Abweichungen aufsummiert und damit immer positiv ist, behält der Bias das Vorzeichen: Er ist die Summe der vorzeichenbehafteten Fehler, geteilt durch den Absatz. Ein positiver Bias bedeutet systematische Überprognose (es wird im Schnitt zu viel vorhergesagt), ein negativer Bias systematische Unterprognose. Ein Bias nahe null heißt, dass sich Über- und Unterschätzungen über die Zeit ausgleichen.
Der entscheidende Denkfehler: Bias ist nicht immer ein Defekt
Die intuitive Reaktion auf einen Bias lautet: wegmachen. Eine Prognose soll ja „richtig“ sein, also sollte sie weder systematisch zu hoch noch zu niedrig liegen. Für viele Anwendungen stimmt das auch. In der Frischeproduktion ist es ein Trugschluss.
Der Grund liegt in einer Asymmetrie, die jeder Disponent kennt, aber selten in Zahlen fasst: Eine Fehlmenge und eine Übermenge kosten nicht gleich viel. Wer zu wenig produziert, verliert einen Verkauf, vielleicht einen Kunden, im schlimmsten Fall eine Vertragsstrafe wegen Nichtlieferung. Wer zu viel produziert, trägt die Kosten für Lagerung, Kapitalbindung und — bei verderblicher Ware — die Abschrift, wenn das Mindesthaltbarkeitsdatum erreicht ist. Diese beiden Kosten sind fast nie gleich hoch. Und genau deshalb ist eine Prognose, die exakt die Mitte trifft, fast nie die wirtschaftlich beste.
Ein Beispiel macht das deutlich: Ist eine Fehlmenge dreimal so teuer wie eine Abschrift, dann lohnt es sich, bewusst etwas zu hoch zu planen — der seltene Verwurf ist günstiger als der häufige entgangene Verkauf. Umgekehrt: Ist die Ware hochverderblich und die Abschrift teuer, während Fehlmengen kaum schmerzen, dann plant man bewusst knapper. Die wirtschaftlich richtige Prognose hat also einen gewollten Bias — und der ergibt sich aus den Kosten, nicht aus dem Wunsch nach Genauigkeit.
Wie man das richtige Quantil bestimmt: die kritische Fraktile
Die Wahl des Quantils ist keine Geschmacksfrage — sie lässt sich aus den Kosten berechnen. Das zugehörige Modell ist eines der ältesten und robustesten im Operations Research: das Newsvendor-Modell (Zeitungsverkäufer-Problem). Es beantwortet genau die Frage, wie viel man vor unsicherer Nachfrage bereitstellen soll, wenn zu wenig und zu viel unterschiedlich teuer sind.
Die Antwort ist ein einziges Verhältnis, die kritische Fraktile (Critical Ratio). Sie ist das optimale Service-Level und damit das zu wählende Quantil:
Ein konkretes Zahlenbeispiel: Angenommen, eine Fehlmenge kostet 8 € pro Einheit (entgangener Deckungsbeitrag), eine Abschrift 2 € pro Einheit (Herstellkosten minus Restwert). Dann ist die kritische Fraktile 8 / (8 + 2) = 0,8. Das optimale Service-Level liegt bei 80 % — man stellt die Prognose also auf das P80-Quantil ein, plant bewusst etwas zu hoch, weil die Fehlmenge die teurere Seite ist. Wären die Verhältnisse umgekehrt (Abschrift teuer, Fehlmenge billig), läge die kritische Fraktile niedrig, und man plante knapp.
Das Quantil: die Stellschraube
Womit stellt man diesen gewollten Bias ein? Mit dem Quantil der Prognose. Moderne Forecasting-Verfahren liefern nicht nur einen einzelnen Wert, sondern eine ganze Wahrscheinlichkeitsverteilung der Nachfrage — und aus dieser lässt sich jeder beliebige Punkt herausgreifen.
Der Standardwert ist das 50-%-Quantil (P50), der Median. Hier schätzt das Modell, dass die tatsächliche Nachfrage mit gleicher Wahrscheinlichkeit über wie unter der Prognose liegt — die Soll-Ist-Abweichungen sind symmetrisch verteilt. P50 minimiert den absoluten Fehler und ist damit die „genaueste“ Prognose im Sinne des WAPE. Wählt man stattdessen ein höheres Quantil, verschiebt sich diese Verteilung bewusst nach oben: Bei P90 zielt das Modell darauf, dass 90 % der Soll-Ist-Abweichungen positiv ausfallen (Plan > IST) — es wird also fast immer eher zu viel geplant, Fehlmengen werden selten, dafür steigen Überbestände und Abschriften. Ein niedrigeres Quantil wie P30 dreht es um: Nur in 30 % der Fälle soll die Planung über dem IST liegen, also wird überwiegend knapp geplant — weniger Überbestand und Verwurf, dafür häufigere Fehlmengen.
Wichtig dabei: Das Quantil ist zunächst eine Aussage über die vom Modell geschätzte Verteilung der Nachfrage, nicht über die Realität. Dass bei P90 tatsächlich rund 90 % der Abweichungen positiv ausfallen, gilt nur, wenn das Modell gut kalibriert ist — wenn also seine geschätzten Quantile mit dem realen Verhalten übereinstimmen. Diese Kalibrierung im laufenden Betrieb zu prüfen und nachzuziehen, ist Teil einer sauberen Einrichtung; ein Modell, dessen P90 in Wahrheit nur 80 % der Fälle abdeckt, steuert sonst am Ziel vorbei.
Das ist der Kern: Man optimiert nicht das Modell auf „neutral genau“ und akzeptiert dann, was an Über- oder Unterbestand herauskommt. Man wählt das Quantil so, dass die Prognose von vornherein dorthin zielt, wo der Betrieb sie wirtschaftlich haben will.
Damit schließt sich der Kreis. Die Steuerung der Disposition läuft in zwei Schritten, die zusammengehören: Zuerst betrachtet man WAPE und Bias gemeinsam — der WAPE zeigt, wie präzise die Prognose ist, der Bias, ob sie systematisch in eine Richtung zielt. Dann stellt man über das Quantil bewusst das Service-Level ein, das die Kostenasymmetrie des Betriebs abbildet — die Wahl zwischen weniger Fehlmengen und weniger Abschriften.
Genau dieser zweite Schritt fehlt in den meisten Standard-Implementierungen. Sie optimieren stur auf Genauigkeit (P50, minimaler WAPE) und überlassen die wirtschaftlich entscheidende Frage — Lieferfähigkeit gegen Verwurf — dem Zufall oder dem Bauchgefühl des Disponenten. Dass man diese Abwägung bewusst, rechnerisch und pro Artikel einstellen kann, hat in der mittelständischen Disposition kaum jemand auf dem Schirm. Es ist der Unterschied zwischen einer Prognose, die genau rechnet, und einer, die das tatsächliche betriebswirtschaftliche Problem löst.
Was das in der Praxis bedeutet
