Demand Sensing

Eine Prognosemethode, die neue mathematische Techniken und Near-Realtime-Informationen nutzt, um eine genauere Vorhersage der Nachfrage bzw. des Bedarfs zu ermöglichen.

Demand Sensing erlaubt es, detaillierte Nachfrage-Daten in Kurzzeit-Vorhersagen aufzunehmen. Das Ziel: die Fehlerquote bei Vorhersagen deutlich zu verringern, die Genauigkeit des Lagerbestandes zu erhöhen und nachgelagerte Bestände sowie Bedarfsanforderungen optimal aufzustellen.

Hersteller können so ihre Nachfrageprognose und Bedarfsplanung durch die Nutzung ihrer eigenen Daten aus der Supply Chain verbessern.

Traditionsgemäß basiert die Bedarfsprognose auf Zeitreihentechniken, die eine Prognose auf der Grundlage der vorherigen Verkaufsgeschichte erstellen und basierend auf den Daten aus zurückliegenden Jahren Einblicke in vorhersehbare saisonale Muster liefern. Allerdings sind die vergangenen Verkäufe häufig ein schlechter Indikator für zukünftige Verkäufe.

Demand Sensing unterscheidet sich von der traditionellen Prognoserechnung grundsätzlich dadurch, dass es eine viel breitere Palette von Nachfragesignalen (einschließlich aktueller Daten aus der Supply Chain) und neue mathematische Modelle verwendet, um eine genauere Prognose zu schaffen, die zeitnah auf reale Ereignisse wie Marktverschiebungen, Wetterveränderungen, Katastrophen, Nachfragetrends etc. reagiert.

Obwohl auch die klassische Zeitreihenprognose mit der Zeit immer weiter verbessert wurde, ist ihre mögliche Genauigkeit jedoch grundsätzlich dadurch eingeschränkt, dass sie nur zurückliegende Daten in die Prognose aufnimmt und aktuelle Entwicklungen nicht berücksichtigt.

Demand Sensing trägt der Tatsache Rechnung, dass sich in einer globalen, vernetzten Welt einerseits die Bedarfsentwicklung sehr viel schneller ändern kann als noch vor fünfzig Jahren und dass zugleich viele aktuelle Daten in nahezu Echtzeit zur Verfügung stehen, die in die Prognosemodelle integriert werden können. Diese Daten werden auch als Downstream-Daten bezeichnet; sie werden aus der gesamten Supply Chain extrahiert.

Die größte Herausforderung beim Demand Sensing besteht darin, diese Downstream-Daten richtig zu bewerten und wichtige Indikatoren im Datenmeer zu identifizieren und in die Prognosemodelle zu integrieren. Es besteht kein Mangel an diesen Near-Realtime-Daten, allerdings ist es wie bei allen Big-Data-Anwendungen nicht immer einfach zu erkennen, ob die Daten zuverlässig, korrekt und bedeutsam sind.

Beispiele belegen, dass die Bedarfsprognosen mittels Demand Sensing um 20 bis 50 Prozent genauer ausfallen können, wenn die Prognosemodelle angepasst und geeignete Zusatzdaten aus der Supply Chain und dem Weltgeschehen integriert werden. Zugleich können aber unterschiedliche Downstream-Datenquellen auch miteinander korrelieren und so einzelnen, kurzfristigen Trends eine zu hohe Bedeutung beimessen, was zu unerwünschten Schwankungen bei der Bedarfsrechnung führen würde.

Verschiedene Beratungsunternehmen und Software-Anbieter haben das Thema Demand Sensing aufgegriffen und unterstützen ihre Kunden mit entsprechenden Dienstleistungen und Tools.