Skip to main content
White Fox Automations
Wissen 8 Min. Lesezeit

Zeitreihen-Prognose im Einkauf: Modellauswahl und Validierung

Welches Zeitreihenmodell passt zu Ihrem Einkauf? Wie Sie ARIMA, Prophet und LSTM validieren und Prognosefehler systematisch senken.

Von Learoy Eichholz

Zeitreihen-Prognose im Einkauf: Modellauswahl und Validierung · White Fox Automations Hamburg
Zeitreihen-Prognose im Einkauf: Modellauswahl und Validierung. Foto: White Fox Automations, Hamburg.

Sie haben eine Pipeline für Bedarfsprognosen im Einkauf aufgesetzt, historische Verbrauchsdaten liegen vor, und jetzt stellt sich die Frage: Welches Modell liefert zuverlässige Vorhersagen? Die Auswahl zwischen ARIMA, Prophet, LSTM oder anderen Zeitreihenverfahren entscheidet darüber, ob Ihre Bestellvorschläge präzise sind oder im Durchschnitt 20 Prozent daneben liegen. In diesem Artikel erfahren Sie, wie Sie Modelle systematisch auswählen, auf Ihren Daten validieren und Prognosefehler messbar senken.

Problem: Viele Modelle, keine klare Entscheidungsgrundlage

Im Mittelstand werden Bedarfsprognosen oft mit Excel-Trends oder einfachen gleitenden Durchschnitten erstellt. Sobald Sie auf Zeitreihenmodelle mit KI setzen, stehen Sie vor einer Bibliothek von Verfahren: ARIMA für stationäre Reihen, Prophet für Saisonalität und Feiertage, LSTM-Netzwerke für komplexe Muster. Jedes Verfahren hat eigene Annahmen, Hyperparameter und Rechenanforderungen. Ohne systematische Validierung wissen Sie nicht, welches Modell auf Ihren Artikeln besser abschneidet, und riskieren, dass Prognosen im Live-Betrieb systematisch abweichen.

Was Modellauswahl und Validierung bedeuten

Modellauswahl bezeichnet den Prozess, mehrere Zeitreihenverfahren auf denselben historischen Daten zu trainieren und anhand von Fehlermetriken zu vergleichen. Typische Kandidaten sind:

  • ARIMA (AutoRegressive Integrated Moving Average): klassisches statistisches Modell für univariate Zeitreihen, setzt Stationarität voraus.
  • Prophet: von Meta entwickeltes Verfahren, explizit für Saisonalität, Feiertage und Trendbrüche, robust gegen fehlende Werte.
  • LSTM (Long Short-Term Memory): rekurrentes neuronales Netz, benötigt mehr Daten und Rechenzeit, kann komplexe Abhängigkeiten lernen.
  • Exponential Smoothing (ETS): gewichtet jüngere Beobachtungen stärker, schnell zu berechnen.

Validierung meint die Prüfung, wie gut ein trainiertes Modell auf neuen, ungesehenen Daten vorhersagt. Dazu teilen Sie Ihre Historie in Trainings- und Testset, berechnen Fehlermetriken und vergleichen diese über mehrere Artikel hinweg.

Schritte zur systematischen Modellauswahl

1. Daten vorbereiten und inspizieren

Laden Sie für jeden zu prognostizierenden Artikel die Historie als Zeitreihe: Datum, Verbrauchsmenge. Prüfen Sie Länge, Lücken und Saisonalität. Eine typische Anforderung: mindestens 24 Monate Historie, damit Saisonmuster sichtbar werden. Fehlende Werte interpolieren oder mit Null auffüllen, je nach Geschäftslogik.

2. Trainings- und Testset festlegen

Teilen Sie die Historie an einem Zeitpunkt: etwa die letzten drei Monate als Testset, alles davor als Trainingsset. Diese Aufteilung heißt Walk-Forward-Validierung oder zeitbasierte Kreuzvalidierung. Sie simuliert, wie das Modell in der Zukunft performen wird.

3. Mehrere Modelle trainieren

Für jedes Verfahren:

  • ARIMA: Bestimmen Sie die Ordnung (p, d, q) automatisch per AIC-Kriterium oder Grid-Search.
  • Prophet: Konfigurieren Sie Saisonalität (yearly, weekly), Feiertage und Changepoints.
  • LSTM: Definieren Sie Fenstergröße (z. B. 12 Monate Input), Netzwerkarchitektur (z. B. zwei LSTM-Layer mit 50 Units), Epochen und Batch-Size.

Trainieren Sie auf dem Trainingsset und generieren Sie Vorhersagen für das Testset.

4. Fehlermetriken berechnen

Vergleichen Sie Prognose und tatsächlichen Verbrauch im Testset anhand dieser Metriken:

  • MAE (Mean Absolute Error): durchschnittliche absolute Abweichung, interpretierbar in der Einheit Ihrer Daten.
  • RMSE (Root Mean Squared Error): bestraft große Ausreißer stärker, ebenfalls in derselben Einheit.
  • MAPE (Mean Absolute Percentage Error): relative Abweichung in Prozent, nützlich für Artikel mit unterschiedlichen Volumina.

Niedrigere Werte bedeuten bessere Prognosen.

5. Modell auswählen

Das Modell mit dem geringsten Fehler auf dem Testset ist Ihr Kandidat. Wenn mehrere Modelle ähnlich abschneiden, wählen Sie das einfachere (Occam’s Razor) oder das, das schneller rechnet.

Rechenbeispiel Modellvergleich

Angenommen, Sie prognostizieren den monatlichen Verbrauch eines Schleifmittels. Die Historie umfasst 36 Monate; Sie teilen die letzten drei Monate als Testset ab. Nach Training ergeben sich folgende MAPE-Werte:

  • ARIMA: 15 Prozent
  • Prophet: 12 Prozent
  • LSTM: 18 Prozent

Prophet zeigt den geringsten Fehler und wäre somit erste Wahl. Der höhere Fehler bei LSTM deutet darauf hin, dass die Datenmenge für ein neuronales Netz zu klein ist. ARIMA liegt dazwischen, ist aber weniger robust gegen Trendbrüche.

Würden Sie Prophet auf 50 Artikel anwenden, könnten Sie bei einem durchschnittlichen monatlichen Verbrauch von je 200 Einheiten und einem Fehler von 12 Prozent mit einer mittleren Abweichung von 24 Einheiten pro Artikel und Monat rechnen. Die tatsächlichen Werte hängen von der Varianz Ihrer Daten ab; dies ist eine Schätzung zur Orientierung.

Validierung über mehrere Artikel

Im Einkauf verwalten Sie selten nur einen Artikel. Automatisieren Sie die Validierung:

  1. Laden Sie alle Artikel mit ausreichend Historie (z. B. mindestens 24 Monate).
  2. Trainieren Sie für jeden Artikel alle Modellkandidaten.
  3. Berechnen Sie Fehlermetriken pro Artikel und Modell.
  4. Aggregieren Sie die Metriken: Mittelwert oder Median über alle Artikel.
  5. Wählen Sie das Modell, das im Mittel am besten abschneidet.

Diese Pipeline lässt sich in Python mit pandas, statsmodels (ARIMA), prophet und keras (LSTM) umsetzen. Die Laufzeit hängt von der Artikelanzahl ab; für 100 Artikel und drei Modelle rechnen Sie mit mehreren Stunden auf einem Standard-Server.

Hyperparameter-Tuning

Jedes Modell hat Stellschrauben:

  • ARIMA: (p, d, q) und saisonale Ordnung.
  • Prophet: Changepoint-Prior-Scale, Seasonality-Prior-Scale, Anzahl der Changepoints.
  • LSTM: Anzahl Layer, Units, Dropout, Lernrate, Epochen.

Nutzen Sie Grid-Search oder Random-Search, um verschiedene Kombinationen zu testen. Achten Sie darauf, Hyperparameter nur auf dem Trainingsset zu optimieren, sonst besteht die Gefahr von Overfitting auf das Testset.

Was nicht funktioniert

  • Modell nur auf einem Artikel wählen und auf alle anwenden: Artikelcharakteristika (Saisonalität, Trendstabilität) variieren; ein universelles Modell kann suboptimal sein.
  • Validierung auf denselben Daten wie Training: Sie messen dann nur, wie gut das Modell auswendig lernt, nicht wie es generalisiert.
  • MAPE auf Artikeln mit sporadischem Verbrauch: Bei vielen Nullwerten wird der Nenner sehr klein, MAPE explodiert oder ist undefiniert. Nutzen Sie dann MAE oder gewichtete Metriken.
  • LSTM ohne ausreichend Daten: Neuronale Netze brauchen hunderte bis tausende Samples; bei nur 24 Monaten ist ARIMA oder Prophet meist überlegen.
  • Fehlende Normalisierung bei LSTM: Skalieren Sie Eingabewerte auf 0 bis 1, sonst konvergiert das Training schlecht.

Kontinuierliche Validierung im Live-Betrieb

Nach dem Go-Live überwachen Sie die Prognosequalität fortlaufend:

  • Loggen Sie monatlich die tatsächlichen Verbräuche und vergleichen Sie sie mit der Vorhersage aus dem Vormonat.
  • Berechnen Sie gleitende Fehlermetriken über die letzten sechs Monate.
  • Triggern Sie ein Re-Training, wenn der Fehler einen Schwellwert überschreitet oder sich signifikant ändert.

Diese Überwachung lässt sich in derselben Pipeline automatisieren, die auch die Prognosen erzeugt.

Integration in die Einkaufs-Pipeline

Ihre Modellauswahl ist kein isolierter Schritt, sondern Teil der Gesamt-Pipeline:

  1. Daten aus ERP oder Warenwirtschaft ziehen (z. B. per API oder CSV-Export).
  2. Datenqualität prüfen (fehlende Werte, Ausreißer).
  3. Für jeden Artikel: Modell trainieren oder vorab ausgewähltes Modell anwenden.
  4. Prognose für die nächsten ein bis drei Monate erzeugen.
  5. Bestellvorschläge ableiten (Prognose minus Lagerbestand, plus Sicherheitspuffer).
  6. Ergebnisse an ERP oder Einkäufer zurückspielen.

Die Modellvalidierung findet typischerweise in Schritt 3 statt, entweder bei jeder Prognose oder in einem separaten Offline-Prozess, dessen Ergebnis dann gespeichert wird.

Werkzeuge und Technologie-Stack

  • Python mit pandas, numpy für Datenverarbeitung.
  • statsmodels für ARIMA und ETS.
  • Prophet als eigenständige Bibliothek.
  • TensorFlow/Keras oder PyTorch für LSTM.
  • scikit-learn für Train-Test-Split und Metriken.
  • n8n oder Make für Orchestrierung, wenn Sie Python-Skripte in einen Workflow einbetten.
  • PostgreSQL oder TimescaleDB für Zeitreihenspeicherung.

Hosten Sie die Pipeline auf EU-Infrastruktur, wenn Sie personenbezogene Daten (z. B. artikelbezogene Kundendaten) verarbeiten.

Wann sich der Aufwand lohnt

Zeitreihen-Prognose mit Modellvalidierung rechnet sich, wenn:

  • Sie mehr als 50 Artikel mit regelmäßigem Verbrauch verwalten.
  • Manuelle Bestellplanung mehrere Stunden pro Woche bindet.
  • Über- oder Unterbestände Kapital binden oder Lieferfähigkeit gefährden.
  • Historische Daten mindestens 24 Monate zurückreichen.

Der initiale Aufbau (Datenaufbereitung, Pipeline, Modellvergleich) dauert typischerweise zwei bis vier Wochen Entwicklungszeit. Die laufende Wartung beschränkt sich auf Monitoring und gelegentliches Re-Training.

Zusammenfassung

Modellauswahl und Validierung sind der Kern jeder robusten Zeitreihen-Prognose im Einkauf. Indem Sie ARIMA, Prophet und LSTM systematisch auf Ihren Daten testen, Fehlermetriken vergleichen und das beste Modell wählen, senken Sie Prognosefehler messbar. Walk-Forward-Validierung, kontinuierliches Monitoring und Hyperparameter-Tuning sorgen dafür, dass Ihre Bestellvorschläge präzise bleiben, auch wenn sich Verbrauchsmuster ändern.

Wenn Sie eine Zeitreihen-Pipeline für Ihren Einkauf aufsetzen oder bestehende Prognosen validieren möchten, unterstützen wir Sie gern bei Modellauswahl, Implementierung und Integration in Ihre Systeme. Sprechen Sie uns an.

Sprechen Sie mit uns

Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.

Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.

Wenn Sie das praktisch umsetzen wollen

Alle Insights ansehen

30 Minuten · kostenlos · unverbindlich

Schreiben Sie uns kurz, wo bei Ihnen der Schuh drückt.

Sie bekommen innerhalb eines Werk­tags eine Antwort. Kein Verkaufs­gespräch, keine E-Mail-Strecke. Florian oder ein Kollege ruft Sie an, hört zu und ordnet ein, ob wir die Richtigen sind.

Florian Wessling Learoy Eichholz Arno Hoffrichter

Persönlicher Rückruf

Wir rufen Sie persönlich zurück.

Sie schreiben hier, jemand aus unserem Hamburger Team meldet sich. Kein Sales-Team, kein Call-Center, keine E-Mail-Strecke. Wir hören zu, ordnen ein und sagen Ihnen, ob unsere Lösung zu Ihrer Situation passt.

Das White-Fox-Team · Hamburg

Lieber sofort anrufen?

+49 40 46 89 67 68 0

Oder per E-Mail an

info@whitefox-automations.com

Mit dem Absenden stimmen Sie zu, dass wir Ihre Angaben zur Bearbeitung Ihrer Anfrage verwenden. Details in unserem Datenschutz. Datenschutz .

Anrufen Erstgespräch