Der Ersatzteilbedarf sieht anders aus als Fertigungsbedarf. Monatelang keine Bewegung, dann ein Ausschlag, danach wieder Stille. Wer dieses Muster mit Verfahren für die kontinuierliche Nachfrage plant, erhält systematisch verzerrte Prognosen. Bemerkt wird das selten, weil kaum jemand die Prognosegüte tatsächlich misst. Entscheidend für die Wahl des passenden Verfahrens sind zwei einfache Fragen: Wie oft tritt überhaupt Bedarf auf, und wie stark schwankt die Menge, wenn er auftritt? Bei den meisten Ersatzteilen lautet die Antwort: selten und wenn, dann unterschiedlich viel. Nur ein kleiner Teil des Sortiments zeigt einen regelmäßigen, gut vorhersehbaren Verbrauch, wie man ihn aus der Fertigung kennt. Genau bei den unregelmäßigen Teilen versagen Standardverfahren am deutlichsten.
Bewährte Methoden gibt es
Ein gleitender Durchschnitt mittelt über die bedarfsfreien Monate hinweg. Der Prognosewert bleibt dauerhaft niedrig positiv, obwohl der tatsächliche Bedarf entweder null oder deutlich höher ist. Exponentielle Glättung reagiert zwar schneller auf einen Ausschlag, fällt danach aber genauso langsam wieder ab und überschätzt die Folgemonate. Beide Verfahren mitteln über etwas, das sich nicht sinnvoll mitteln lässt. Für solche Bedarfsmuster gibt es eigene Verfahren, allen voran die Methode von Croston aus den 1970er-Jahren. Sie trennt zwei Größen, die sonst vermischt werden: die durchschnittliche Menge pro Bedarfsfall und den durchschnittlichen Abstand zwischen zwei Bedarfsfällen. Beide werden getrennt geschätzt und erst am Ende zur Prognose zusammengeführt. Auch Croston ist kein Wundermittel und passt nicht für jedes Teil gleich gut. Das führt zur eigentlichen Kernfrage: Wie stellt man fest, ob ein Verfahren wirklich besser ist?
Warum gängige Fehlermaße versagen
Der in der Praxis am häufigsten verwendete Fehlerwert ist der prozentuale Fehler, kurz MAPE: Er setzt die Abweichung ins Verhältnis zur tatsächlich verbrauchten Menge. Bei seltenem, unregelmäßigem Bedarf funktioniert das kaum, weil der tatsächliche Verbrauch in den meisten Monaten null ist. Ein Beispiel macht das greifbar: Ein Verfahren liegt in neun von zehn Monaten korrekt bei null und trifft im zehnten Monat die Menge auf 20 Prozent genau. Der ausgewiesene Fehler kann trotzdem mehrere hundert Prozent betragen. Ein Verfahren, das dagegen ständig knapp daneben liegt, aber nie eine bedarfsfreie Periode korrekt trifft, sieht dabei rechnerisch besser aus, obwohl es das nicht ist.
Fehler kosten unterschiedlich
Eine robustere Alternative ist der sogenannte MASE: Er vergleicht den Fehler eines Verfahrens nicht mit der einzelnen Periode, sondern mit dem Fehler, den man bekäme, wenn man einfach den letzten bekannten Wert fortschreibt. Werte unter eins bedeuten: Das Verfahren schlägt diese denkbar einfachste Prognose. Ein weiterer Punkt kommt oft zu kurz. Ein Prozentfehler sagt nichts darüber aus, was der Fehler tatsächlich kostet. Zwanzig Prozent daneben bei einem Drei-Euro-Teil ist etwas anderes als bei einer Baugruppe für dreitausend Euro. Wer den Fehler stattdessen in Euro bewertet, sieht schneller, bei welchen Teilen sich eine genauere Prognose überhaupt lohnt.
Prognosegüte per Backtest messen
Die belastbarste Methode ist der Backtest gegen die eigene Historie. Ein Teil der Vergangenheit wird zurückgehalten. Das Modell wird nur auf den vorliegenden Daten trainiert. Anschließend wird die Prognose für den zurückgehaltenen Zeitraum mit dem tatsächlichen Verbrauch verglichen. Wichtig ist ein rollierendes Vorgehen. Ein einzelner Testzeitraum kann zufällig günstig oder ungünstig liegen, gerade bei seltenem Bedarf. Wer den Trainingsschnitt schrittweise verschiebt und den Test mehrfach wiederholt, bekommt ein belastbareres Bild als aus einem einzelnen Stichtag. In der Praxis lohnt es sich, mehrere Verfahren gegeneinander antreten zu lassen. Je Teil gewinnt, wer im Backtest den geringsten Fehler erzielt. Ein einzelnes, unternehmensweit einheitliches Verfahren ist für ein heterogenes Ersatzteilsortiment fast immer die schlechtere Wahl, weil die Bedarfsmuster zu unterschiedlich sind.
Schnelle Stichproben helfen
Für einen ersten Eindruck braucht es dafür keine große Investition und keine eigene Data-Science-Abteilung. Wer die Verbrauchsdaten der vergangenen zwei bis drei Jahre vorliegen hat, kann den Backtest für eine überschaubare Stichprobe von A-Teilen zunächst auch in einer einfachen Tabelle nachvollziehen: die letzten Monate zurückhalten, mit den davorliegenden Daten die Prognose bilden und anschließend mit dem tatsächlichen Verbrauch vergleichen. Das ersetzt keine dauerhafte Lösung, zeigt aber schon nach wenigen Stunden, ob das bisherige Verfahren überhaupt in die richtige Richtung rechnet oder ob es Zeit für einen Wechsel ist.
Und in der Praxis?
Ein typisches Beispiel: Ein Teil wird über das Jahr verteilt nur drei- oder viermal nachgefragt, dazwischen liegen mehrere bedarfsfreie Monate, und die bestellte Menge schwankt jedes Mal. Ein gleitender Durchschnitt würde für die kommenden Monate einen dauerhaften kleinen Restbedarf ausweisen, der so nie eintritt – tatsächlich ist der Bedarf entweder null oder auf einen Schlag mehrere Stück. Ein Verfahren wie Croston schätzt stattdessen getrennt, wie viel im Bedarfsfall typischerweise gebraucht wird und wie lange es bis zum nächsten Bedarfsfall dauert. Im Backtest zeigt sich bei solchen Teilen meist ein klares Bild: Croston-basierte Verfahren schneiden im MASE deutlich besser ab als gleitender Durchschnitt oder einfache exponentielle Glättung, die kaum über das reine Fortschreiben des letzten Werts hinauskommen. Bewertet man den verbleibenden Fehler zusätzlich am Einstandspreis, zeigt sich schnell, bei welchen Teilen sich eine genauere Prognose überhaupt lohnt und bei welchen der Aufwand den Nutzen übersteigt.
Fazit
Prognosegüte bei seltenem, unregelmäßigem Ersatzteilbedarf lässt sich nicht mit denselben Mitteln messen wie bei kontinuierlicher Fertigungsnachfrage. Wer den klassischen Prozentfehler auf ein Ersatzteilsortiment anwendet, misst häufig das Falsche und trifft Entscheidungen auf falscher Grundlage.
Drei Schritte helfen weiter:
- die eigenen Teile danach unterscheiden, wie oft und wie regelmäßig sie gebraucht werden,
- ein Fehlermaß wählen, das zu seltenem Bedarf passt, nicht das bequemste,
- und die Prognose im rollierenden Backtest gegen die eigene Historie prüfen, Teil für Teil statt pauschal fürs ganze Sortiment.
Erst danach lässt sich seriös beurteilen, ob ein Prognoseverfahren tatsächlich etwas taugt oder ob es nur gut aussieht, weil bislang niemand genauer hingesehen hat.
