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

Saisonalität modellieren: Zeitreihen-Prognose im Einkauf

Saisonale Schwankungen in der Bedarfsprognose richtig modellieren. Welche Methoden sich eignen und wie Sie Überbestände vermeiden.

Von Learoy Eichholz

Saisonalität modellieren: Zeitreihen-Prognose im Einkauf · White Fox Automations Hamburg
Saisonalität modellieren: Zeitreihen-Prognose im Einkauf. Foto: White Fox Automations, Hamburg.

Das Problem: Regelmäßige Über- und Unterbestände trotz Prognose

Sie haben eine Zeitreihen-Prognose für den Einkauf eingeführt, doch im Frühjahr bestellen Sie zu wenig, im Herbst bleibt Material liegen. Der Fehler liegt meist nicht in der Datenbasis, sondern in der fehlenden Modellierung von Saisonalität. Viele Standardmodelle gehen von konstantem Bedarf aus und glätten saisonale Peaks weg. Das Ergebnis: Im März fehlen Rohstoffe, im November überquellen die Lager.

In diesem Artikel zeige ich Ihnen, wie Sie Saisonalität in Ihrer Zeitreihen-Prognose technisch sauber abbilden, welche Methoden sich für den Mittelstand eignen und welche typischen Fallstricke Sie vermeiden sollten.

Was ist Saisonalität in Zeitreihen?

Saisonalität bezeichnet regelmäßig wiederkehrende Schwankungen innerhalb eines festen Zeitraums, etwa innerhalb eines Jahres (z. B. saisonale Nachfrage nach Baumaterialien im Frühjahr), eines Quartals oder einer Woche (z. B. höherer Bestelleingang montags). Mathematisch ist Saisonalität eine additive oder multiplikative Komponente, die sich von Trend und Zufall trennen lässt.

Additive Saisonalität bedeutet, dass die Schwankung in absoluten Einheiten konstant bleibt (plus 200 Stück im Frühjahr). Multiplikative Saisonalität skaliert mit dem Niveau (plus 30 Prozent im Frühjahr). Welche Variante vorliegt, sehen Sie in der Zeitreihen-Visualisierung: Bleiben die Ausschläge gleich hoch, ist die Saisonalität additiv; wachsen sie mit dem Niveau, ist sie multiplikativ.

Methoden zur Modellierung von Saisonalität

SARIMA: Seasonal Autoregressive Integrated Moving Average

SARIMA erweitert das klassische ARIMA-Modell um eine saisonale Komponente. Sie definieren eine saisonale Periodenlänge (z. B. 12 Monate) und drei zusätzliche Parameter (P, D, Q), die autoregressiven Anteil, Differenzierung und gleitenden Durchschnitt der Saisonalität steuern.

Vorteile: Statistisch fundiert, interpretierbare Parameter, robust bei stabilen Mustern.

Nachteile: Manuelle Parameterwahl erfordert Erfahrung, schlechte Performance bei Strukturbrüchen (z. B. Pandemie, Lieferkettenausfälle).

Beispiel-Konfiguration: SARIMA(1,1,1)(1,1,1,12) für monatliche Daten mit Jahressaisonalität. Die ersten drei Zahlen steuern Trend und kurzfristige Autokorrelation, die letzten vier die saisonale Komponente mit Periode 12.

Prophet (Facebook/Meta)

Prophet ist eine von Meta entwickelte Open-Source-Bibliothek, die Trend, Saisonalität und Feiertage als additive Komponenten modelliert. Sie geben mehrere Saisonalitäts-Perioden an (z. B. wöchentlich und jährlich), Prophet schätzt die Gewichte automatisch.

Vorteile: Einfache API, robuste Defaults, integrierte Feiertagsbehandlung, toleriert fehlende Werte.

Nachteile: Weniger flexibel als SARIMA, Blackbox bei der Parameterschätzung, schlechtere Ergebnisse bei komplexen Interaktionen.

Beispiel-Konfiguration:

from prophet import Prophet
model = Prophet(yearly_seasonality=True, weekly_seasonality=False)
model.add_seasonality(name='quarterly', period=91.25, fourier_order=5)
model.fit(df)

Hier aktivieren Sie Jahressaisonalität und fügen eine Quartals-Saisonalität mit Fourier-Ordnung 5 hinzu (steuert die Flexibilität der saisonalen Kurve).

Exponentielle Glättung mit Saisonalität (Holt-Winters)

Die Holt-Winters-Methode zerlegt die Zeitreihe in Niveau, Trend und saisonale Komponente und glättet jede mit einem eigenen Faktor. Sie wählen zwischen additiver und multiplikativer Saisonalität.

Vorteile: Schnell, benötigt wenig historische Daten (mindestens zwei vollständige Perioden), direkt in Excel und Python verfügbar.

Nachteile: Reagiert langsam auf Strukturbrüche, keine Unsicherheitsintervalle ohne Zusatzaufwand.

Beispiel-Konfiguration (Python, statsmodels):

from statsmodels.tsa.holtwinters import ExponentialSmoothing
model = ExponentialSmoothing(data, seasonal='mul', seasonal_periods=12)
fit = model.fit()

Saisonalität erkennen: ACF und Dekomposition

Bevor Sie ein Modell wählen, prüfen Sie, ob Saisonalität vorliegt. Zwei Werkzeuge helfen:

  1. Autokorrelationsfunktion (ACF): Peaks bei Lag 12, 24, 36 (monatliche Daten) zeigen Jahressaisonalität.
  2. Zeitreihen-Dekomposition: statsmodels.tsa.seasonal_decompose in Python zerlegt die Reihe visuell in Trend, Saison und Rest.

Beispiel für Dekomposition:

from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(df['Bedarf'], model='multiplicative', period=12)
result.plot()

Wenn die saisonale Komponente ein klares Muster zeigt, sollten Sie sie modellieren. Ist sie nahezu konstant, reicht ein einfaches Trendmodell.

Integration in die Einkaufspipeline

Die Prognose läuft typischerweise als monatlicher Batch-Job in n8n, Make oder einem selbst gehosteten Python-Script auf einem EU-Server. Der Ablauf:

  1. Daten laden: Historische Bestellmengen aus ERP oder Warenwirtschaft (z. B. SAP, proAlpha, Abas) per API oder CSV-Export.
  2. Daten bereinigen: Fehlende Werte interpolieren, Ausreißer (z. B. Sonderbestellungen) kennzeichnen oder entfernen.
  3. Modell trainieren: SARIMA, Prophet oder Holt-Winters mit saisonaler Konfiguration.
  4. Prognose erzeugen: Für die nächsten 3 bis 6 Monate.
  5. Ergebnis schreiben: Zurück ins ERP oder in ein Dashboard (z. B. Grafana, Metabase, Power BI).

Wichtig: Speichern Sie Modell und Parameter versioniert (z. B. Git oder S3-Bucket mit Zeitstempel), damit Sie Änderungen nachvollziehen können.

Rechenbeispiel: Quartals-Saisonalität im Bauzulieferer-Einkauf

Angenommen, ein Bauzulieferer bezieht monatlich Dichtungsmaterial. Historisch steigt die Nachfrage im zweiten Quartal (Bausaison) um etwa 40 Prozent, im vierten Quartal sinkt sie um etwa 20 Prozent. Ohne Saisonalität prognostiziert ein einfaches ARIMA für April 1.000 Stück, tatsächlich werden 1.400 gebraucht (Fehlbestand 400).

Mit einem SARIMA-Modell, das die Quartals-Saisonalität berücksichtigt, läge die Prognose bei 1.380 Stück (Fehler 20 Stück). Die Bestellung erfolgt drei Wochen vor Bedarf; der Lieferant akzeptiert Anpassungen bis 10 Tage vorher. Bei 400 Stück Fehlbestand müsste eine Eillieferung beauftragt werden, die pro Stück 2 Euro Aufpreis kostet (800 Euro Mehrkosten). Mit korrekter Saisonalität entfällt dieser Aufpreis nahezu vollständig.

Alle Zahlen sind Annahmen für die Illustration. In der Praxis hängen Fehlerreduktion und Mehrkosten von Lieferzeit, Mindestbestellmenge und Vertragskonditionen ab.

Was nicht funktioniert

  • Nur mit Jahresdurchschnitt arbeiten: Sie glätten die Saisonalität weg und bestellen im Frühjahr zu wenig.
  • Saisonale Faktoren manuell pflegen: Fehleranfällig, wenn sich das Muster ändert (z. B. neuer Kunde mit anderem Bedarfsprofil).
  • Zu viele saisonale Komponenten: Wöchentlich, monatlich, quartalsweise und jährlich gleichzeitig führt zu Überanpassung. Wählen Sie die dominante Periode.
  • Fehlende Datenbereinigung: Ein Ausreißer (z. B. Sonderbestellung für ein Großprojekt) verzerrt die Saisonalität, wenn Sie ihn nicht kennzeichnen oder entfernen.
  • Zu kurze Historie: Für Jahressaisonalität benötigen Sie mindestens zwei, besser drei volle Jahre. Mit einem Jahr können Sie die saisonale Komponente nicht von Zufall trennen.

Validierung und kontinuierliche Verbesserung

Messen Sie die Prognosequalität monatlich mit Mean Absolute Percentage Error (MAPE) oder Mean Absolute Error (MAE). Vergleichen Sie das saisonale Modell gegen ein einfaches Baseline-Modell (z. B. Prognose entspricht dem Wert vor einem Jahr). Nur wenn MAPE signifikant besser ist, rechtfertigt sich der Mehraufwand.

Speichern Sie Prognose und Ist-Wert in einer Datenbank (z. B. PostgreSQL, TimescaleDB) und visualisieren Sie die Abweichung im Dashboard. Bei dauerhaft hohen Fehlern passen Sie Periodenlänge oder Modellklasse an.

Werkzeuge und Bibliotheken

  • Python: statsmodels (SARIMA, Holt-Winters), prophet, pandas für Datenhandling.
  • R: forecast-Paket mit auto.arima (wählt Parameter automatisch), prophet.
  • Excel: Holt-Winters über Solver oder Add-in, begrenzt auf kleine Datenmengen.
  • n8n/Make: Python-Script per HTTP-Request aufrufen oder als Docker-Container in n8n einbetten.

Hosting auf EU-Servern (Hetzner, netcup, AWS Frankfurt) ist pflicht, wenn Sie personenbezogene Daten (z. B. kundenspezifische Bedarfe) verarbeiten.

Fazit und nächster Schritt

Saisonalität zu ignorieren kostet Sie Lagerkosten oder Eillieferungen. Die Modellierung mit SARIMA, Prophet oder Holt-Winters ist technisch machbar, erfordert aber saubere Datenaufbereitung und regelmäßige Validierung. Wählen Sie die Methode nach Ihrer Datenlage: Prophet bei lückenhaften Daten und einfacher Integration, SARIMA bei stabilen Mustern und statistischer Kontrolle.

Wenn Sie Saisonalität in Ihrer Einkaufsprognose abbilden möchten und unsicher sind, welches Modell und welche Infrastruktur passen, sprechen Sie mit uns.

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