Demand Forecasting mit Machine Learning
Von der Zeitreihe zur belastbaren Prognose: Methoden, Metriken und Praxis
Zielgruppe
Demand Planner, S&OP-/IBP-Verantwortliche, Controller:innen mit Planungsaufgaben, Datenanalyst:innen in Supply-Chain-Funktionen. Grundlegendes Zahlenverständnis genügt; Programmierkenntnisse sind hilfreich, aber nicht erforderlich.
Ausgangslage
Viele Unternehmen prognostizieren mit Excel-Trends oder den Standardverfahren ihres ERP-Systems – und wundern sich über systematische Planabweichungen. Moderne ML-Verfahren sind heute ohne Data-Science-Team einsetzbar und liefern messbar bessere Ergebnisse.
Inhalte
- Überblick: Welche Forecasting-Verfahren gibt es – von exponentieller Glättung bis Gradient Boosting (XGBoost/LightGBM) – und wann ist welches angemessen?
- Warum Punktprognosen nicht reichen: Prognoseunsicherheit quantifizieren und nutzen
- Feature Engineering verständlich: Saisonalität, Kalendereffekte, Preisaktionen, externe Treiber
- Prognosegüte messen: MAPE, RMSE, Bias – und welche Metrik wann in die Irre führt
- Prognosegenauigkeit vs. Geschäftsnutzen: Wann lohnt sich eine bessere Prognose wirklich?
- Hands-on: Komplette Forecast-Pipeline an realen Beispieldaten – Daten aufbereiten, Modell trainieren, Ergebnisse bewerten, Prognosen exportieren
- Forecasting im S&OP-/IBP-Prozess verankern: Von der technischen Prognose zur akzeptierten Planungsgrundlage
Ihr Nutzen
Sie können ML-Prognoseverfahren fundiert bewerten, eine Pilotumgebung selbst aufsetzen und mit Dienstleistern oder der eigenen IT auf Augenhöhe sprechen.
Ihr Trainer
Dr. Jan Fränkle
20+ Jahre Machine Learning und KI, Gründer von ITM-predictive, Dozent und Berater. Vermittelt komplexe Methoden so, dass sie am nächsten Tag angewendet werden können.
Interesse an diesem Seminar?
Termine, Konditionen und Inhouse-Varianten besprechen wir am schnellsten direkt – buchen Sie ein kurzes Gespräch oder schreiben Sie uns.
Alle SeminareSchulung anfragen
Beschreiben Sie kurz Ihr Anliegen – wir melden uns innerhalb eines Werktags mit einem Vorschlag.