Forecast Accuracy / Forecast Bias

2) Wo Forecast Accuracy & Bias wirken (Impact‑Karte)

• S&OP / Demand Planning: Service‑Level, Bestände (Sicherheitsbestand), Obsoleszenz, Losgrößen.

• Finance / Rolling Forecast: EBIT/EBITDA‑Trefferquote, Cash‑Plan, Covenants, Guidance.

• Supply Chain / Operations: Kapazitätsbelegung, Overtime, Outsourcing, Engpasssteuerung.

• Sales & Marketing: Kampagnen‑Timing, Preiselastizität, Mix‑Steuerung.

• HR/Workforce: Schichtplanung, Hiring‑Freeze/‑Ramp‑Up.

• IT/Cloud: Workload‑Provisioning, Kosten/Minute (TDABC), Performance‑Sicherheit.

3) Die mathematische Logik (Wix‑kompatibel)

3.1 Grundgrößen

Forecast_t = prognostizierter Wert in Periode t
Actual_t   = realisierter Wert in Periode t
Error_t    = Actual_t - Forecast_t
AbsError_t = |Error_t|
RelError_t = (AbsError_t) / max(Actual_t, ε)      # ε small > 0, um Division durch 0 zu vermeiden

3.2 Genauigkeitsmaße (Accuracy)

MAPE (Mean Absolute Percentage Error) – leicht interpretierbar:

MAPE = (1/n) * Σ_t [ Abs(Actual_t - Forecast_t) / max(Actual_t, ε) ]

MAD (Mean Absolute Deviation) – robust gegen Ausreißer in Prozenten:

MAD = (1/n) * Σ_t [ |Actual_t - Forecast_t| ]

RMSE (Root Mean Squared Error) – bestraft große Fehler stärker:

RMSE = sqrt( (1/n) * Σ_t [ (Actual_t - Forecast_t)^2 ] )

sMAPE (symmetrische MAPE) – bei Nullen/kleinen Werten stabiler:

sMAPE = (1/n) * Σ_t [ |Forecast_t - Actual_t| / ((|Forecast_t| + |Actual_t|)/2) ]

3.3 Verzerrungsmaße (Bias)

Mean Bias Error (MBE) – Richtung des Fehlers:

MBE = (1/n) * Σ_t [ Actual_t - Forecast_t ]     # >0 = tendenziell zu niedrig prognostiziert

Percent Bias (PBIAS) – Richtung in %:

PBIAS = 100 * [ Σ_t (Actual_t - Forecast_t) / max(Σ_t Actual_t, ε) ]

Tracking Signal (TS) – Bias vs. Streuung (MAD):

TS = (Σ_t Error_t) / max(MAD, ε)
# Richtwert: |TS| <= 4 gilt oft als "in Kontrolle"; außerhalb → Bias-Alarm

3.4 Rolling Accuracy Window (Bewegtes Fenster)

Rolling_MAPE_k = MAPE berechnet über die letzten k Perioden
# typische k: 6, 12 oder 24 (je nach Zyklus/Saisonalität)

3.5 Forecast Value Add (FVA)

Idee: Misst, ob ein Schritt im Prozess die Prognose verbessert oder verschlechtert – verglichen mit einer naiven Basis (z. B. „Vorperiode“ oder „gleiche Periode Vorjahr“).

FVA(step) = Accuracy(Basis) - Accuracy(nach_step)
# Positiv = Mehrwert; Negativ = Verschlechterung durch den Step
# Accuracy kann MAPE, MAD oder RMSE sein (konsistent bleiben!)

4) Forecast Bias – die 8 häufigsten Muster (Erkennungsleitfaden)

1. Over‑Optimism Bias (Optimismus) – Forecast > Actual → systematisch zu hoch. Ursachen: Überambitionierte Ziele, politischer Druck, Bonus‑Struktur.

2. Conservatism / Sandbagging (Pessimismus) – Forecast < Actual → systematisch zu niedrig.Ursachen: „Ziele sicher erreichen“, Puffermentalität.

3. Anchoring Bias (Anker) – Festhalten an der ersten Zahl trotz neuer Evidenz.Ursachen: Status quo, Hierarchie‑Effekte.

4. Trend Bias – Trends werden überschätzt/ignoriert.Ursachen: Überreaktion auf kurzfristige Bewegungen oder Trägheit.

5. Seasonality Bias (Saisonalität) – Muster nicht korrekt erfasst.Ursachen: Kalender‑Effekte, bewegliche Feiertage, Wetter.

6. Campaign/Promo Bias – Kampagneneffekte falsch antizipiert.Ursachen: Nichtlineare Elastizitäten, Kannibalisierung, Lag‑Effekte.

7. Supply‑Constrained Bias – Nachfrage wird an Verfügbarkeit „festgenagelt“.Ursachen: Engpass → „Wir planen, was wir liefern können“, nicht die echte Nachfrage.

8. Last‑Minute Bias – kurzfristige, politisch motivierte Anpassungen vor dem Cut‑off.Ursachen: Meeting‑Theater, „Management‑Expectation“.

Diagnostik: Kombiniere TS, PBIAS und Segment‑Drill‑downs (Produkt, Region, Kanal, Kunde) mit Zeitfenstern (k‑Rolling). Bias ist oft segment‑spezifisch.

5) Was ist „gute“ Forecast Accuracy?

• Segment‑abhängig: Volatilität, Lebenszyklus, Preisstellung, Promo‑Intensität, Datenlage.

• Richtwerte (praxisnah, nicht dogmatisch):

  • Reife, stabile Serien: MAPE 5–15 %

  • Rauschanfällig (Mode, Elektronik, Kampagnen): MAPE 15–35 %

  • Neue Produkte/Launches: MAPE 30–60 % (Phase‑down: Sollwerte anpassen)

• Wichtiger als absolute Zielwerte: Bias‑Freiheit und kontinuierliche Verbesserung (FVA↑).

6) Treiberbasierte Fehleranalyse (NextLevel‑Modell)

Warum? Reine Fehlerstatistik erklärt nicht die Ursachen. Wie? Mappe Fehler auf Treiber – so wird es steuerbar.

Treiber‑Cluster (Beispiele):

• Preis & Promo: Preiselastizität, Rabattstaffeln, Kampagnenkalender, Wettbewerbsreaktionen.

• Mix: Produkt‑/Kanal‑/Kundenmix, Kannibalisierung, Substitution.

• Volumen & Kapazität: Engpässe (Throughput Accounting), praktische Kapazität (TDABC).

• Qualität & Yield: Ausschuss, Nacharbeit, First‑Pass‑Yield.

• Saison: Kalender, Wetter, Ferien, bewegliche Feiertage.

• ESG/Externe: Regulatorik, Lieferkette, Energiepreise, außergewöhnliche Ereignisse.

Verknüpfung zur Variance Analysis:

Forecast_Error = Preis_Effekt + Mengen_Effekt + Mix_Effekt + Kapazitäts_Effekt + Saison_Effekt + ...

→ Erlaubt kausale Brücken (Executive Bridges) und konkrete Maßnahmen.

7) Forecast Governance – das NextLevel‑Betriebsmodell

1. Definitionen & Semantik‑Layer: Einheitliche Formeln, Zeitfenster, Aggregationsebenen; Data Catalog & Owner.

2. Rolling Windows & Versionierung: Forecast_v1, v2, v3 …; Lock‑Termine; Änderungslog.

3. Owner & Rituale: Finance/SCM/Sales besitzen Teilprognosen; gemeinsamer Performance‑Dialog (Bridge → RCA → Maßnahme → Forecast‑Impact).

4. Bias‑Kontrollen: Tracking Signal, PBIAS‑Grenzen, Segment‑Drilldowns.

5. FVA‑Denke: Jeder Layer (Statistik, Maschine, Mensch) muss Mehrwert liefern – sonst streichen.

6. Tooling & Daten: BI‑Dashboards, Planner, Feature Store (für ML‑Features), Audit Trail.

7. Incentives: Boni an Bias‑freie Accuracy koppeln (gewichtete Ziele, keine Silo‑Anreize).

8. Schulung: Forecast‑Methoden, Bias‑Awareness, Treiberlogik (ACCA/CIMA‑kompatibel).

8) Case Study – „Helvetic Appliances AG“

Kontext: Premium‑Haushaltsgeräte, starker Winter‑Peak, Retail + Direct‑to‑Consumer (D2C). Problem: MAPE im Weihnachtsquartal bei 28 %, Kundenservice überlastet, hohe Overtime.

Setup:

• Demand‑Forecast je Woche;

• Promo‑Kalender;

• Kapazitätsmodell (TDABC) mit praktischer Kapazität 82 %;

• Executive Bridge bis EBIT.

Analyse:

• Bias: PBIAS +7 % (konservativ/sandbagging) im Retail‑Kanal; D2C neutral.

• Treiber: Promo‑Lags falsch, Substitution zwischen zwei Premiumserien ignoriert.

• FVA: Menschlicher „Co‑Adjust“ verschlechtert die statistische Basis (FVA negativ).

Maßnahmen:

• Promo‑Features re‑modelliert (Lag + Kannibalisierung);

• D2C‑Signal als Leading Indicator für Retail genutzt;

• Bias‑Kontrolle (TS‑Grenzen) + Anreizsystem angepasst;

• Kapazitäts‑„Surge Plan“ (temporäre Zusatzschichten nur bei TS‑Alarm).

Ergebnis (2 Quartale):

• Rolling MAPE 28 % → 15 %;

• PBIAS ~ 0 %;

• Overtime‑Kosten −22 %;

• Service‑Level +6 pp;

• EBIT‑Bridge: Promo‑Trefferquote als expliziter Treiber sichtbar.

9) Dashboard‑Blueprint (BI‑fähig)

Accuracy & Bias Cockpit

• Rolling MAPE/MAD/RMSE je Segment

• PBIAS, Tracking Signal (Heatmap)

• Outlier‑Detection (Anomalien)

FVA‑View

• Basis vs. Statistik vs. Mensch vs. Konsens

• Mehrwert je Layer (positiv/negativ)

Treiber‑Drill

• Preis/Mix/Promo/Saison

• Engpass & Kapazität (TA/TDABC)

• Qualitäts‑/Yield‑Einfluss

Bridge & Maßnahmen

• Executive Bridge (Forecast‑Fehler → EBIT)

• Maßnahmen‑Backlog, Owner, ETA, Forecast‑Impact

10) ACCA‑Integration – wo es andockt (SBL, PM/APM)

• ACCA Performance Management (PM) / Advanced Performance Management (APM): Forecast‑KPIs, Variance Analysis, Driver‑Based Planning, Szenariotechnik, Performance Measurement Systems.→ Accuracy/Bias sind Pflichtkompetenzen für Prognose‑ und Steuerungsqualität.

• ACCA Strategic Business Leader (SBL):Governance, Entscheidungsqualität, Stakeholder‑Kommunikation (Guidance), Ethik (Anti‑Manipulation/Sandbagging).→ Bias‑Kontrollen & FVA sind Best Practices für verantwortungsvolle Führung.

• ACCA‑Prüfungsvorbereitung (Praxis‑Tipp):

  • Definitionen & Formeln sicher beherrschen (MAPE, MAD, RMSE, PBIAS, TS, FVA).

  • Interpretation: Mindestens 2 Ursachen + 2 Maßnahmen je Fehlerbild nennen.

  • Governance: Owner‑Modell, Versionierung, FVA, Bias‑Grenzen.