Absatzprognose in der Fertigung: Ein Praxisleitfaden

Startseite » Ressourcen » Absatzprognose in der Fertigung: Ein Praxisleitfaden

Geschätzte Lesezeit: 14 Minuten

Eine Absatzprognose für die Fertigung schätzt, welche Produkte Kunden wann und in welchen Mengen benötigen werden. Sie verbindet die bisherige Nachfrage mit Informationen über bevorstehende Veränderungen. Damit haben Einkauf und Produktion eine gemeinsame Entscheidungsgrundlage.

Eine brauchbare Prognose hilft Ihnen, sich vorzubereiten, ohne für jeden möglichen Verkauf schon Lagerbestand aufzubauen. Wenn Sie Prognosefehler und Annahmen prüfen, können Sie besser entscheiden, was Sie jetzt verbindlich einplanen und was noch warten kann. Die Absatzprognose ist ein Teil der Absatzplanung. Diese umfasst darüber hinaus die Bewertung von Marktinformationen und die Abstimmung des Absatzplans.

In der Praxis sind zwei Aufgaben zu lösen: Zuerst müssen Sie die Nachfrage für die anstehende Entscheidung hinreichend gut schätzen. Dann brauchen Sie einen Produktionsplan, mit dem sich die beschlossene Reaktion umsetzen lässt. SkyPlanner APS übernimmt die Feinplanung hinter Ihren Fertigungsentscheidungen. Ändern sich diese, müssen Sie nicht für jede Maschine die Auftragsreihenfolge neu aufbauen.

So erstellen Sie die Prognose, bewerten ihre Fehler und setzen sie in der Praxis ein.

1. Klären Sie, welche Entscheidung die Prognose unterstützen soll

Beginnen Sie mit der Entscheidung, nicht mit dem Prognosemodell. Ob Sie Material für ein Produkt mit langer Durchlaufzeit reservieren, die Lagerproduktion für den nächsten Monat festlegen oder eine zusätzliche Produktionsschicht erwägen: Jede dieser Entscheidungen erfordert einen anderen Detaillierungsgrad.

Halten Sie vor der Datensammlung vier Dinge fest:

• Den Gegenstand der Prognose: ein Fertigprodukt, eine Produktfamilie oder ein anderes klar abgegrenztes Planungsobjekt.
• Die Einheit: Stück, Packungen, Kilogramm oder eine andere einheitlich verwendete physische Mengeneinheit. Der Umsatz allein kann Änderungen bei Preisen und Produktmix verdecken.
• Die Periode: wann die Kunden das Produkt benötigen. Verwenden Sie dafür durchgängig den Kundenwunschtermin, soweit die Daten dies zulassen.
• Den Horizont: wie weit im Voraus Sie entscheiden müssen, unter Berücksichtigung der Beschaffungs- und Fertigungsdurchlaufzeiten.

Wenn Sie Material vier Wochen vor dem Bedarfstermin verbindlich disponieren, reicht eine Prognose nicht aus, die erst eine Woche vorher genau ist. Bewerten Sie die Schätzung, die vier Wochen im Voraus vorlag und auf die sich der Einkauf tatsächlich stützen muss.

Wählen Sie die Planungsebene passend zur Entscheidung. Eine Prognose auf Ebene der Produktfamilie kann helfen, eine künftige Schicht zu beurteilen. Sie sagt dem Einkauf aber nicht, welches variantenspezifische Bauteil er beschaffen soll. Umgekehrt können Einzelprognosen für jede selten bestellte Variante mehr Rauschen als Erkenntnis liefern. Stellen Sie sicher, dass die Gesamtmenge der Produktfamilie mit der Aufteilung auf die einzelnen Artikel übereinstimmt. Prüfen Sie außerdem, ob Änderungen im Produktmix für Material oder Kapazität relevant sind.

In der Lagerfertigung unterstützen Prognosen die Entscheidung über den Bestandsnachschub. In der Auftragsfertigung können feste Aufträge die tatsächlichen Fertigungsfreigaben auslösen, während Prognosen helfen, die Bereitstellung gemeinsam genutzter Kapazitäten oder von Materialien mit langen Beschaffungszeiten zu planen. Nur weil eine Prognose vorliegt, müssen Sie noch keine Fertigwaren auf Verdacht produzieren.

Trennen Sie Absatzziel und Prognose. Ein Ziel beschreibt, was das Unternehmen verkaufen möchte; eine Prognose beschreibt, welche Kundennachfrage es derzeit erwartet. Wer die Prognose auf die heutige Fertigungskapazität heruntersetzt, verdeckt möglicherweise ungedeckte Nachfrage, statt das Problem zu lösen.

2. Bereiten Sie historische Daten auf, die die Kundennachfrage abbilden

Verwenden Sie eine konsistente Zeitreihe der nachgefragten Mengen je Artikel und Periode. Ein Versandbericht aus Ihrem ERP kann als Ausgangspunkt dienen. Prüfen Sie aber, wofür die darin enthaltenen Termine und Mengen tatsächlich stehen.

Verspätete Lieferungen sind eine häufige Fehlerquelle. Mengen, die für eine Woche angefragt, aber erst in der nächsten versandt wurden, können die erste Woche nachfrageschwach und die zweite ungewöhnlich stark erscheinen lassen. Wenn Sie vorhersagen möchten, wann Produkte verfügbar sein müssen, verwenden Sie möglichst die vom Kunden gewünschte Periode. Sonst lernt das Modell Ihre eigenen Lieferverzögerungen als Nachfragemuster.

Prüfen Sie die historischen Daten gemeinsam mit Vertrieb und Produktion:

• Bereinigen Sie doppelte Datensätze, fehlerhafte Einheitenumrechnungen und Änderungen der Artikelnummern. Berücksichtigen Sie Retouren und Stornierungen entsprechend ihrer Ursache, statt jede Korrektur als neue negative Nachfrage zu behandeln.
• Behalten Sie Perioden bei, in denen tatsächlich keine Nachfrage bestand. Ein fehlender Datensatz ist nicht automatisch ein Nullwert. Wenn Sie Wochen ohne Nachfrage entfernen, kann die Schätzung zu hoch ausfallen.
• Kennzeichnen Sie Fehlbestände, Mengenzuteilungen und Kapazitätsbeschränkungen. Wenn Kunden 100 Stück wollten, aber nur 60 Stück versandt wurden, belegt das keine Nachfrage von lediglich 60 Stück. Nutzen Sie erfasste, nicht erfüllte Kundenanfragen, sofern verfügbar. Kennzeichnen Sie geschätzte entgangene Nachfrage ausdrücklich als Schätzung.
• Kennzeichnen Sie Verkaufsaktionen, einmalige Verträge, Produkteinführungen und ausgelaufene Produkte. Bewahren Sie die Rohdaten auf und dokumentieren Sie, warum Sie die für das Modell verwendete Zeitreihe anpassen.

Stellen Sie die aufbereiteten Mengen im Zeitverlauf grafisch dar. Achten Sie auf ein stabiles Niveau, anhaltendes Wachstum oder einen Rückgang, wiederkehrende saisonale Spitzen und lange Abstände zwischen Bestellungen. Diese Muster helfen Ihnen zu entscheiden, welche Methoden einen Test wert sind.

Prognostizieren Sie nicht jedes Bauteil unabhängig, wenn sich sein Bedarf aus den geplanten übergeordneten Produkten ergibt. Dieser abhängige Bedarf sollte über die Stückliste und die Materialbedarfsrechnung ermittelt werden. Andernfalls riskieren Sie widersprüchliche Antworten auf dieselbe Beschaffungsfrage.

3. Wählen Sie die Prognosemethode passend zum Nachfragemuster

Es gibt keine Methode, die für jedes gefertigte Produkt die beste ist. Beginnen Sie mit einem einfachen Referenzverfahren und prüfen Sie dann, ob eine andere Methode die anstehenden Entscheidungen verbessert.

Nachfragesituation	Sinnvoller Ausgangspunkt	Was Sie prüfen sollten
Relativ stabile Nachfrage	Gleitender Durchschnitt der jüngsten Perioden oder einfache exponentielle Glättung	Ob das gewählte Zeitfenster zufällige Schwankungen glättet, ohne echte Veränderungen zu verdecken
Wiederkehrende saisonale Nachfrage	Letzte vergleichbare Saison als Referenz; ein saisonales Prognosemodell	Ob sich die Lage von Feiertagen, die Zahl der Arbeitstage oder das Sortiment geändert haben
Anhaltender Trend	Ein Modell, das Trends abbildet, etwa exponentielle Glättung mit Trendkomponente	Ob das Wachstum anhält oder sich das Produkt der Reifephase nähert
Nachfrage mit messbaren Einflussgrößen	Regression oder ein geeignetes Modell für maschinelles Lernen	Ob Informationen zu den Einflussgrößen zum Zeitpunkt der Prognoseerstellung tatsächlich verfügbar sein werden
Viele Perioden ohne Nachfrage und gelegentliche Bestellungen	Ein Ansatz für sporadische Nachfrage, etwa ein Croston-Verfahren	Die Prognosegüte über den Wiederbeschaffungshorizont – nicht nur, ob jede Woche ohne Nachfrage richtig vorhergesagt wird
Neues Produkt mit wenigen historischen Daten	Erfahrungswerte vergleichbarer Produkte und strukturierte Einschätzungen von Vertrieb und Kunden	Annahmen zur Markteinführung, Verdrängung bestehender Produkte und wie schnell Erkenntnisse aus der tatsächlichen Nachfrage einfließen

Die einfache exponentielle Glättung gewichtet jüngere Beobachtungen stärker, bildet in ihrer Grundform aber weder Trend noch Saisonalität ab. Croston-Verfahren berücksichtigen bei sporadischer Nachfrage die Mengen in Perioden mit Nachfrage sowie die Abstände dazwischen. Die Unsicherheit über die nächste Bestellung beseitigen sie nicht.

Ein einfaches Beispiel für den gleitenden Durchschnitt: Angenommen, in den letzten drei Wochen wurden 80, 100 und 120 Stück nachgefragt. Mit einem gleitenden Dreiwochendurchschnitt ergibt sich für die nächste Woche folgende Prognose:

Prognose = (80 + 100 + 120) ÷ 3 = 100 Stück.

Diese Berechnung lässt sich leicht erklären. Sie kann einem tatsächlichen Aufwärtstrend allerdings hinterherlaufen. Drei Beobachtungen veranschaulichen den Rechenweg, belegen aber nicht, dass die Methode für das Produkt geeignet ist.

Vergleichen Sie die infrage kommenden Verfahren mit einfachen Referenzprognosen: der zuletzt beobachteten Nachfrage und bei saisonalen Artikeln der letzten vergleichbaren Saisonperiode. Ein komplexeres Modell sollte sich durch bessere Ergebnisse außerhalb der Trainingsdaten oder durch bessere betriebliche Entscheidungen rechtfertigen – nicht durch einen anspruchsvoll klingenden Namen.

Ein Modell, das Verkaufsaktionen oder Konjunkturindikatoren nutzt, braucht auch realistische Eingangswerte für die Zukunft. Wird es mit Informationen getestet, die zum Prognosezeitpunkt noch nicht verfügbar waren, erscheint es besser, als es in der Praxis hätte sein können. Ein Zusammenhang, der sich für Vorhersagen eignet, beweist für sich genommen noch nicht, dass eine Veränderung der Einflussgröße einen bestimmten Absatzanstieg verursacht.

4. Geschäftswissen einbeziehen, ohne die Basisprognose aus dem Blick zu verlieren

Vergangenheitsdaten allein liefern kein vollständiges Bild. Vielleicht hat ein Kunde einen Betriebsstillstand angekündigt, ein Vertriebspartner eröffnet einen weiteren Standort oder ein Produkt löst ein älteres Modell ab.

Lassen Sie die statistische Basisprognose sichtbar und dokumentieren Sie jede fachliche Anpassung separat. Halten Sie Menge, Zeitraum, Grund, verantwortliche Person und Prüftermin fest. Prüfen Sie vor jeder Ergänzung, ob der Effekt bereits im Modell oder in einer anderen Anpassung berücksichtigt ist.

Angenommen, die Basisprognose für eine kommende Woche beträgt 100 Einheiten. Der Vertrieb belegt, dass ein Neukunde 20 zusätzliche Einheiten nachfragen wird, die bisher noch nicht berücksichtigt sind. Die überprüfte Prognose steigt damit auf 120 Einheiten. Verlagert der Kunde seine Nachfrage von einem anderen Produkt, passen Sie auch dessen Prognose an, statt die Verlagerung als reines Wachstum zu erfassen.

So lässt sich die Überprüfung konkret durchführen: Ist die zusätzliche Nachfrage eingetreten, in welchem Zeitraum, und hat die manuelle Anpassung die Prognose verbessert? Vergleichen Sie über die Zeit den Fehler der Basisprognose mit dem der angepassten Prognose. Behalten Sie Anpassungen bei, die zusätzliche Informationen einbringen, und untersuchen Sie diejenigen, die wiederholt nur für mehr Optimismus sorgen.

Halten Sie bei einer unsicheren Produkteinführung oder einem unsicheren Großauftrag ein Basisszenario sowie plausible Szenarien mit höherer und niedrigerer Nachfrage samt ihren Annahmen fest. Das sind Planungsszenarien, keine statistisch kalibrierten Prognoseintervalle. Ermitteln Sie damit, welche Entscheidungen sich ändern würden: etwa eine Materialreservierung, eine zusätzliche Schicht oder die Entscheidung, sich erst später auf einen Fertigwarenbestand festzulegen.

5. Prognosefehler mit dem entscheidenden zeitlichen Vorlauf messen

Speichern Sie jede herausgegebene Prognose mit Datum, Zielzeitraum, Artikel und Version. Sobald die tatsächliche Nachfrage bekannt ist, vergleichen Sie sie mit der Version, die zum notwendigen Entscheidungszeitpunkt vorlag – nicht mit der letzten Überarbeitung kurz vor der Lieferung.

Nutzen Sie zur Auswahl des Verfahrens einen historischen Backtest. Passen Sie das Modell ausschließlich mit Informationen an, die zu einem früheren Stichtag verfügbar waren, und erstellen Sie die Prognose für den benötigten Horizont. Verschieben Sie dann den Stichtag nach vorn und wiederholen Sie den Vorgang. Dieser Ansatz mit fortlaufend verschobenem Prognosestichtag prüft die tatsächliche Aufgabenstellung, ohne spätere Beobachtungen in frühere Prognosen einfließen zu lassen.

Ein Beispiel für Prognosefehler

Angenommen, Sie bewerten vier Zielwochen für ein Produkt. In jeder der folgenden Zeilen wurde die gespeicherte Prognose vier Wochen vor der jeweiligen Zielwoche herausgegeben. Der vorzeichenbehaftete Fehler ist hier als Prognose minus tatsächliche Nachfrage definiert. Ein positiver Wert bedeutet also, dass die Prognose zu hoch lag.

Zielwoche	Gespeicherte Prognose	Tatsächliche Nachfrage	Vorzeichenbehafteter Fehler	Absoluter Fehler
Woche 1	110	100	+10	10
Woche 2	110	120	−10	10
Woche 3	110	80	+30	30
Woche 4	110	100	+10	10
Summe	440	400	+40	60

Drei Kennzahlen beleuchten unterschiedliche Aspekte dieses Ergebnisses:

Mittlerer absoluter Fehler (MAE) = Summe der absoluten Fehler ÷ Anzahl der Perioden = 60 ÷ 4 = 15 Einheiten pro Woche.

Der MAE gibt die typische Fehlergröße anschaulich in der Mengeneinheit des Produkts an. Er zeigt nicht, ob die Prognosen tendenziell zu hoch oder zu niedrig liegen.

Gewichteter absoluter prozentualer Fehler (WAPE) = Summe der absoluten Fehler ÷ Summe der tatsächlichen Nachfrage × 100 = 60 ÷ 400 × 100 = 15 %.

Bei diesen nicht negativen Nachfragemengen setzt der WAPE den absoluten Fehler ins Verhältnis zur Gesamtnachfrage. Das bedeutet weder, dass die Prognose in jeder Woche höchstens um 15 % abwich, noch, dass Sie die Nachfrage mit einer Wahrscheinlichkeit von 85 % decken können.

Mittlerer vorzeichenbehafteter Fehler, auch Bias genannt = Summe der vorzeichenbehafteten Fehler ÷ Anzahl der Perioden = 40 ÷ 4 = +10 Einheiten pro Woche.

Nach der hier verwendeten Vorzeichenkonvention lag die Prognose im Durchschnitt zu hoch. Über die vier Wochen hinweg überstieg sie die tatsächliche Nachfrage um 40 Einheiten, also um 10 % der gesamten tatsächlichen Nachfrage. Zu hohe und zu niedrige Prognosen können sich in der Summe ausgleichen. Deshalb lässt sich die Fehlergröße nicht allein anhand des Bias beschreiben.

Diese vier Zeilen veranschaulichen die Kennzahlen, reichen aber nicht als Datengrundlage für eine Validierung aus. Führen Sie genügend rollierende Tests durch, um die für das Produkt relevanten saisonalen Verläufe, Bestellmuster und Veränderungen abzubilden.

Irreführende Genauigkeitskennzahlen vermeiden

Beim MAPE wird der absolute Fehler jeder Periode durch die tatsächliche Nachfrage dieser Periode geteilt. Bei einer tatsächlichen Nachfrage von null ist er nicht definiert, bei Werten nahe null wird er instabil. Für Produkte mit nur sporadischer Nachfrage ist er daher als Standardkennzahl schlecht geeignet.

Der WAPE kann einzelne Perioden ohne Nachfrage einbeziehen, ist jedoch nicht definiert, wenn die gesamte tatsächliche Nachfrage null beträgt. Sein Nenner verändert sich zudem mit der Nachfragemenge: Bei steigender Nachfrage kann sich der Prozentwert verbessern, obwohl der Fehler in Einheiten unverändert bleibt. Betrachten Sie ihn deshalb zusammen mit MAE, Bias und der einfachen Referenzprognose für dieselben Testperioden.

Die Summe einer Produktfamilie kann verdecken, dass die Nachfrage einer Variante dauerhaft zu hoch und die einer anderen zu niedrig prognostiziert wird. Prüfen Sie nicht nur den Gesamtdurchschnitt, sondern auch die Produkte, die Lieferrisiken, hohe Bestandskosten oder die Belastung kritischer Ressourcen bestimmen.

Es gibt keinen allgemeingültigen Grenzwert für einen akzeptablen prozentualen Prognosefehler. Ein Fehler von 15 Einheiten hat bei einem günstigen Standardteil andere Folgen als bei einer selten nachgefragten fertigen Baugruppe. Beurteilen Sie die Prognose anhand der Kosten von Fehlmengen und Überbeständen, der Wiederbeschaffungszeit und Ihrer verfügbaren Reaktionsmöglichkeiten. Legen Sie Puffer auf Grundlage der Unsicherheit und Ihrer Vorgaben zur Lieferbereitschaft fest; addieren Sie nicht einfach den MAE zu jeder Produktionsmenge.

6. Aus der Prognose eine Produktionsentscheidung ableiten

Die überprüfte Prognose ist eine Schätzung der Kundennachfrage. Die Produktionsmenge wird davon getrennt festgelegt. In diese Entscheidung fließen bestätigte Aufträge, nutzbare Bestände, bereits vorgesehene Produktionszugänge und der gewünschte verbleibende Bestand ein.

Vermeiden Sie es, dieselbe Nachfrage doppelt zu zählen. Beträgt die Prognose 120 Einheiten und decken bestätigte Aufträge davon 70 Einheiten ab, bleiben bei einer einfachen Prognoseverrechnung innerhalb derselben Periode noch 50 Einheiten der Prognose offen. Die Gesamtnachfrage bleibt bei 120, nicht 190. Ihre tatsächlich eingesetzte Verrechnungsregel kann Prognosen auch über verschiedene Termine oder Nachfrageklassen hinweg verrechnen.

Angenommen, Sie haben 30 nutzbare Fertigprodukte auf Lager, möchten am Periodenende noch 10 Einheiten übrig haben und erwarten keine Zugänge aus der Produktion. Um die Nachfrage von 120 Einheiten zu decken, wären als Produktionsvorschlag 100 Einheiten erforderlich: 120 + 10 − 30. Das setzt voraus, dass Bestände und fertiggestellte Mengen rechtzeitig vor der jeweiligen Nachfrage verfügbar sind.

Die Produktionsprogrammplanung legt diese Mengen und Verfügbarkeitstermine auf Artikelebene fest. Die MRP berechnet die Materialien und Komponenten für die freigegebenen Produktionsmengen. Weder die Prognose noch eine Bestandsrechnung belegt jedoch, dass im Werk genügend Kapazität vorhanden ist, um diese Mengen rechtzeitig zu fertigen.

Angenommen, die Fertigung dieser 100 Einheiten benötigt je Einheit 0,2 Maschinenstunden zuzüglich zwei Stunden Rüstzeit: insgesamt 22 Stunden auf der kritischen Maschine. Andere zugesagte Aufträge beanspruchen dort bereits 20 Stunden, während bis zum erforderlichen Fertigstellungstermin nur 40 Stunden verfügbar sind. Die geplante Belastung beträgt damit 42 Stunden. Sie müssen die Kapazitätslücke von zwei Stunden schließen, eine geeignete Alternative nutzen oder eine Zusage ändern.

Senken Sie die Absatzprognose nicht auf 110, nur damit die Maschinenauslastung passt. Lassen Sie die geschätzte Kundennachfrage sichtbar und entscheiden Sie, wie Sie die Versorgungslücke schließen.

Planen Sie die beschlossenen Fertigungsmaßnahmen mit SkyPlanner

Wenn Sie aufgrund einer geänderten Prognose eine Fertigungszusage anpassen, kann das Umplanungen an mehreren Maschinen und Aufträgen erfordern. Eine zusätzliche Charge wirkt sich auf die nachfolgenden Arbeitsgänge aus, auf die bereits eingeplanten Arbeiten an den betroffenen Maschinen und auf die davon abhängigen Liefertermine.

SkyPlanner APS führt diese Arbeiten in einem gemeinsamen Belegungsplan für alle Ressourcen zusammen. Definieren Sie Arbeitsstationen, Schichten, Bedienpersonal, Prozessschritte und deren Dauer. Mit Prioritäten und Fixierungen steuern Sie anschließend den Plan. Arcturus, die Planungs-KI von SkyPlanner, berechnet die Einplanung der Arbeitsgänge anhand der hinterlegten Kapazitäten, der geeigneten Ressourcen und der Abhängigkeiten zwischen den Arbeitsgängen. Die Gantt-Ansicht zeigt die daraus entstehende Reihenfolge und die Fertigstellungstermine.

Für die vorgeschlagene Fertigungsmenge von 100 Stück wird so die benötigte Maschinenbearbeitung mit den übrigen Schritten des Arbeitsplans und den anderen Arbeiten auf denselben Ressourcen verknüpft. Sie können prüfen, ob eine genehmigte Anpassung des Schichtplans oder eine andere Priorisierung die termingerechte Fertigstellung ermöglicht, ohne die Belegung jeder betroffenen Maschine von Hand abgleichen zu müssen.

Wenn die Materialberücksichtigung in der Planung aktiviert ist, bezieht Arcturus Bestände und die Verfügbarkeit eingehender Materialien in die Berechnung der Startzeiten ein. Erwartete Liefertermine aus Bestellungen stehen für die voraussichtliche Verfügbarkeit; der Bestand wird erst aktualisiert, wenn der Wareneingang bestätigt ist. Eine laut Plan freie Maschine allein reicht nicht aus, wenn das Material fehlt oder der vorhergehende Arbeitsgang noch nicht abgeschlossen ist.

Belassen Sie Prognosen und Entscheidungen zur Nachversorgung in Ihrem Absatzplanungsprozess oder ERP-System. SkyPlanner erzeugt aus Prognosen nicht automatisch Fertigungsarbeitsgänge, sondern plant die Arbeiten ein, die Sie anlegen oder über eine Schnittstelle übergeben. SkyPlanner lässt sich über seine offene REST API mit jedem ERP- oder MES-System verbinden. So können Sie das System beibehalten, in dem Sie diese Entscheidungen treffen, und deren Umsetzung in der Feinplanung verbessern.

Genau dafür lohnt sich SkyPlanner, wenn Nachfrageänderungen immer wieder manuelle Umplanungen auslösen: Die Planer legen fest, was wichtig ist. Arcturus berechnet die Belegungsreihenfolge auf den Ressourcen, mit der diese Entscheidungen umgesetzt werden.

Was schnellere Umplanung bei Fredman Operations verändert hat

Fredman Operations, ein finnischer Hersteller lebensmittelechter Küchen- und Verpackungsprodukte, priorisierte Arbeitsgänge früher von Hand. Dabei fehlte der genaue Überblick darüber, wann Maschinen wieder frei würden und welche Kapazität je Schicht verfügbar war. Dringende Umplanungen konnten eine Stunde oder länger dauern.

Mit der Einführung von SkyPlanner wurden die Systeme L7 und LTR angebunden und Kapazitäten sowie anstehende Arbeiten in einer gemeinsamen Gantt-Ansicht zusammengeführt. Laut Kundenbericht lässt sich die Anfrage, einen gesamten Auftragsbestand vorzuziehen, nun in Sekunden prüfen – statt dafür stundenlang von Hand zu rechnen. Das Team berichtet außerdem von weniger Überstunden und schnelleren Reaktionen auf Planänderungen.

Der entscheidende Nutzen liegt in der Reaktion der Produktion: Es wird klar, was eine geänderte Anforderung für die anstehenden Arbeiten und Liefertermine bedeutet, solange noch Zeit zum Handeln bleibt.

Halten Sie Prognose und Fertigungsmaßnahmen aufeinander abgestimmt

Legen Sie einen Überprüfungsrhythmus fest, der zu Ihren Entscheidungen passt. Aktualisieren Sie die Basisprognose, sobald neue Nachfragedaten vorliegen, und besprechen Sie relevante Abweichungen mit dem Vertrieb. Messen Sie den Fehler der archivierten Prognose jeweils für den zeitlichen Vorlauf, den die betreffende Entscheidung erfordert. Routinemäßige Überarbeitungen dürfen nicht unbemerkt Zusagen verändern, auf deren Umsetzung sich die Produktion bereits vorbereitet.

Wenn eine abgestimmte Änderung die Fertigungsmenge oder den Verfügbarkeitstermin verändert, aktualisieren Sie die anstehenden Fertigungsarbeiten und prüfen Sie den zugehörigen Ressourcenbelegungsplan. So haben Einkauf, Produktion und Vertrieb ein einheitliches Bild davon, was sich geändert hat und was nun geliefert werden kann.

Wie Sie diese Anpassungen mit weniger manuellem Planungsaufwand umsetzen können, erfahren Sie in einer Produktvorführung: Buchen Sie eine SkyPlanner-Demo. Bringen Sie als Beispiel eine Fertigungsmenge mit, die Sie nach einer Prognoseänderung festgelegt haben, sowie den zugehörigen Arbeitsplan und die Termine, zu denen die Produkte verfügbar sein müssen. Damit lässt sich praxisnah zeigen, wie sich die Änderung auf gemeinsam genutzte Kapazitäten und andere Zusagen auswirkt. Wenn Sie sich lieber zuerst selbst umsehen möchten, testen Sie SkyPlanner mit Demodaten.