ZEBRADIGITAL LABS
Worum es geht
In den meisten Unternehmen plant jede Abteilung mit ihren eigenen Zahlen: Finance mit dem Controlling-Excel, Vertrieb mit dem CRM-Bericht, Produktion mit dem Bauchgefühl des Disponenten. Niemand stimmt überein — und die Quartalszahlen bestätigen, dass das nicht funktioniert. Das hier beschriebene Prognose-Tool setzt auf eine einzige Datenquelle — das ERP — kombiniert mit externen Prognose-Datenreihen und Wetter. Heraus kommt eine Zahl, ein Dashboard, das Finance, Vertrieb, Produktion, S&OP und Controlling gemeinsam nutzen. Belastbar bis auf Artikel- und Werksebene.
Was Excel-Inseln tatsächlich kosten
Fragen Sie in einer beliebigen Mittwoch-Geschäftsleitungssitzung nach der Mengenprognose für den nächsten Monat. Sie bekommen drei Antworten:
- Der Vertrieb rechnet aus Pipeline und Bauchgefühl.
- Die Produktion plant nach Vorjahr plus Erfahrungswert des Werksleiters.
- Das Controlling nimmt die Top-Down-Zahl aus dem Forecast-Excel.
Alle drei haben recht — aus ihrer Sicht. Alle drei liegen daneben — jeder auf seine Weise. Die Folgen treffen jede Abteilung: zu hohe Bestände binden Kapital, zu niedrige kosten Aufträge. Schichtmodelle laufen ins Leere. Energiekontrakte werden zum falschen Zeitpunkt abgeschlossen. Der Umsatz-Forecast gegenüber Bank und Gesellschaftern korrigiert sich alle drei Monate selbst.
Das eigentliche Problem ist organisatorisch, nicht mathematisch: Es gibt keine gemeinsame Zahl.
Warum Standard-Tools nicht ausreichen
Übliche Forecast-Werkzeuge — im ERP integriert oder als Spezialsoftware — haben zwei Schwächen. Erstens schauen sie ausschließlich auf die eigene Vergangenheit, nicht auf das Marktumfeld. Zweitens werden sie meist nur von einer Abteilung genutzt — und ergänzen damit eine weitere Excel-Insel, statt sie zu ersetzen.
Was in der Vergangenheit fehlt, sind die entscheidenden Treiber von morgen: Wetterlagen, die kurzfristig die Nachfrage verschieben. Konjunkturindikatoren, die früher oder später durchschlagen. Saisonmuster, die sich verändern. Solche Signale gehören in eine Prognose — nicht als zusätzlicher Bericht, sondern eingerechnet in eine Zahl, mit der alle arbeiten.
Eine Datenquelle. Externe Prognose-Daten. Ein Dashboard.
Bei einem international aufgestellten Industrieunternehmen ist genau ein solches Tool im Pilotbetrieb. Die Architektur ist bewusst einfach gehalten:
Eine zentrale Datenquelle: das ERP
Aufträge, Verkaufshistorie, Rahmenverträge, Lagerbestände, Artikelstamm — das alles liegt ohnehin bereits im ERP. Das Tool greift nur lesend zu, keine Eingriffe, kein Schreiben. Damit fällt eine ganze Diskussionsebene weg: Es muss keine separate Datenwelt aufgebaut, keine Schatten-Datenbank gepflegt, keine zweite Wahrheit kuratiert werden.
Die Qualität der ERP-Daten wird dabei transparent gemacht. Datensätze mit unvollständiger Pflege werden markiert und aus der Prognose ausgeschlossen — statt im Hintergrund die Rechnung zu verzerren. Im Pilot sind das beispielsweise 12 von 154 aktiven Aufträgen, die wegen unzureichender Datenpflege nicht in die Prognose eingehen. Das ist ehrlich und gibt zugleich einen klaren Hebel: Die Datenpflege im ERP wird zum konkreten Business-Thema, nicht zur abstrakten Daten-Governance-Übung.
Externe Prognose-Datenreihen
Ergänzt um Datenquellen, die ein ERP nie hat: aktuelle Wetterprognosen (im Pilot vom Deutschen Wetterdienst, beim Tool-Start automatisch nachgeladen und integriert), öffentliche Konjunktur- und Genehmigungsdaten, branchenspezifische externe Indikatoren. Diese Daten fließen nicht parallel, sondern als Treiber direkt in die Mengenprognose ein. Was im Markt passiert, wird mitgerechnet — nicht nur, was im eigenen Haus passiert ist.
KI-Lernen aus 12 bis 24 Monaten Transaktionsdaten
Das System lernt kontinuierlich aus der eigenen Verkaufshistorie. Saisonmuster, Wochenrhythmen, Trends, Sondereffekte. Mit jedem Monat wird die Prognose besser, weil das Tool seine eigenen Vorhersagen gegen das tatsächliche Ergebnis rückspiegelt — eine Lernkurve, die ein statisches Excel-Modell strukturell nicht haben kann.
Eine Zahl. Alle Abteilungen.
Das ist der eigentliche Hebel. Aus der einen Prognose im einen Dashboard arbeiten alle relevanten Bereiche:
- Finance — Umsatz-Forecast und Cash-Planung gegenüber Bank und Gesellschaftern, mit ehrlichem Konfidenzband statt Punktschätzung.
- Vertrieb — Pipeline-Steuerung, gezielte Akquise dort, wo die Prognose Lücken zeigt.
- Vertriebssteuerung — Quotenplanung und Vergütung auf Basis realistischer Mengen, nicht Wunschzahlen.
- Produktion — Kapazitätsplanung, Schichtmodelle, Anlagenbelegung, Energie- und Rohstoffeinkauf.
- S&OP-Planung — das Sales-and-Operations-Meeting hat endlich eine gemeinsame Diskussionsgrundlage, statt sich zwischen drei verschiedenen Forecasts zu verlieren.
- Controlling — Plan-Ist-Vergleich mit nachvollziehbarer Methodik, systematische Abweichungs-Analyse.
Was der Anwender konkret sieht: eine Mengenprognose für den nächsten Monat (im Beispiel rund 18.000 Mengeneinheiten), ein Konfidenzband (mit 80 %iger Sicherheit landet das Ergebnis in einer Bandbreite von ca. ±10 %), ein Vergleich zum Vorjahresmonat, eine Aufschlüsselung nach Warengruppe und herunter bis zum einzelnen Artikel. Plus die transparente Anzeige, woher die Zahl kommt — welcher Anteil aus festen Aufträgen, welcher aus Saisonmuster, welcher aus dem Wetter, welcher aus Rahmenverträgen.
Wie genau wird das?
Eine ehrliche Antwort: Genauigkeit ist eine Funktion der Datenqualität. Reine Vergangenheits-Forecasts erreichen in der Industrie typischerweise 65–75 % Trefferquote. Durch die Kombination aus sauber gepflegten ERP-Daten, externen Treibern und KI-gestütztem Lernen aus 12 bis 24 Monaten Historie ist eine spürbar geringere Fehlerquote möglich — konkrete Zahlen besprechen wir gerne im persönlichen Gespräch, weil sie stark vom konkreten Haus abhängen.
Wichtiger als die einzelne Prozentzahl ist die Wirkung: Wenn Finance, Vertrieb und Produktion zum ersten Mal mit derselben Zahl arbeiten, verschwindet ein erheblicher Teil des Reibungsverlusts in der Organisation.
Für wen ist das geeignet?
Die Methodik skaliert. Sie funktioniert für den Mittelständler mit einem Produktionswerk und einem Regionalmarkt — weil schon ein einzelner Standort und eine überschaubare Sortimentsbreite ausreichen, damit Wert entsteht. Sie funktioniert für die mittelgroße Unternehmensgruppe mit mehreren Werken — weil das Tool werk- und warengruppenweise differenziert. Und sie funktioniert für den Konzern mit Werksclustern in mehreren Ländern — weil sich Märkte, Länderorganisationen und Konzernsicht in ein einheitliches Reporting konsolidieren lassen.
Was Sie konkret in Ihrem Haus brauchen
- Ein ERP-/CRM-System mit Pipeline-Disziplin — Anfragen, Angebote, Aufträge und Rahmenverträge sollten dort gepflegt sein. Wenn die Vertriebssteuerung noch über Excel-Listen läuft, ist das kein Ausschlusskriterium — bedeutet aber zusätzlichen Vorlauf bei der Datenaufbereitung. Pflege-Lücken sind ohnehin kein K.O.-Kriterium; sie werden vom Tool transparent gemacht.
- Eine Verkaufshistorie über mindestens 12, besser 24 Monate.
Wenn diese Grundlagen vorhanden sind, ist ein erster produktiver Prototyp in 4 bis 8 Wochen realistisch — in einem ausgewählten Werk, mit einer ausgewählten Warengruppe. Danach skaliert die Methodik werk- und warengruppenweise zu deutlich geringerem Aufwand.
Häufige Fragen aus der Geschäftsleitung
Hier muss man unterscheiden: Eine erste Visualisierung mit Ihren tatsächlichen Daten — als Dashboard-Vorschau — liegt wenige Tage nach einem Quick-Check-Tag vor. Der produktive Pilot in einem ausgewählten Werk, mit laufender Datenanbindung und kontinuierlicher Aktualisierung, ist typischerweise nach 4 bis 8 Wochen einsatzbereit. Voraussetzung dafür: ein Ansprechpartner aus Vertrieb und Produktion, der pro Woche ein bis zwei Stunden investiert.
Das Tool macht es transparent, statt es zu verstecken. Unvollständig gepflegte Datensätze werden markiert und aus der Prognose ausgenommen. Häufig ist das der erste Nebeneffekt eines Piloten: Das Unternehmen sieht zum ersten Mal konkret, wo Pflege-Disziplin zum Business-Hebel wird.
Lese-Zugriff, kein Schreiben ins ERP. Die Datenverarbeitung erfolgt nach mit dem Kunden vereinbarten Standards (On-Premise, Private Cloud oder gehostete Lösung). Keine Weitergabe an Dritte.
Standardmäßig wöchentlich neu durchgerechnet. Die Wetterkomponente aktualisiert sich bei jedem Aufruf live. Bei volatilen Märkten sind kürzere Zyklen möglich.
Ein Pilot in einem Werk mit mehreren Warengruppen bewegt sich typischerweise in einem Zeitrahmen von 9 bis 12 Wochen. Konkrete Kosten besprechen wir nach einem ersten Quick-Check.