Was die Prognose angeht, gibt es das alte Sprichwort “Garbage In Garbage Out”, das besagt, dass selbst die beste Prognosetechnologie fehlerhafte Dateneingaben nicht korrigieren kann. Obwohl nach unserer Erfahrung die Verkaufsdaten, die von Einzelhändlern und Herstellern geführt werden, in der Regel ziemlich sauber sind. Heutzutage, im Zeitalter elektronischer Transaktionen, ist die Menge fehlerhaft eingegebener Verkaufsdaten verschwindend gering.

Dennoch gibt es noch Feinheiten, wenn es um Prognosen geht. Insbesondere strebt Lokad danach, Nachfrageprognosen anstelle von Verkaufsprognosen bereitzustellen.

Bei der Konsolidierung der historischen Nachfragedaten ist uns aufgefallen, dass Rücksendungen, ein Teil des reverse supply chain Prozesses, und Stornierungen häufig in den historisch konsolidierten Verkaufszahlen als negativ verbucht werden. Ein solches Muster generiert typischerweise negative Verkaufszahlen, die recht leicht zu erkennen sind, auch wenn sie relativ selten vorkommen, da die Anzahl der Rücksendungen im Vergleich zur Zahl der Bestellungen in der Regel gering ist.

Dieses Verhalten ist aus buchhalterischer Sicht korrekt, aber leider aus prognostischer Sicht irreführend. Sehen wir, warum.

Nehmen wir an, dass am Montag 9 Einheiten eines Produkts bestellt werden. Bei der Lieferung am Dienstag, unter Berücksichtigung des Overnight-Versands, werden 3 Einheiten zurückgesendet. Letztlich wurden am Montag nur 6 Einheiten tatsächlich verkauft. Doch was ist die richtige Nachfrageprognose für Montag?

  • Wenn wir davon ausgehen, dass 6 Einheiten die richtige Nachfrage für Montag darstellen, dann werden nur 6 Einheiten gelagert; was dazu führt, dass am Montag nur 6 Kunden bedient werden, wobei die verbleibenden 3 Kunden höchstwahrscheinlich aufgrund fehlender verfügbarer Ware verloren gehen. Dann werden am Dienstag immer noch 2 Einheiten (statt 3) zurückgesendet. Dieser Ansatz führt zu 4 effektiven Verkäufen am Montag.
  • Wenn wir davon ausgehen, dass 9 Einheiten die richtige Nachfrage für Montag darstellen, dann werden 9 Einheiten gelagert und folglich versendet. Abzüglich 3 Rücksendungen am Dienstag führt dieser Ansatz zu 6 effektiven Verkäufen am Montag.

Offensichtlich ist das zweite Szenario für den Einzelhändler besser. Als allgemeine Richtlinie gilt, dass Daten, die aus der reverse supply chain stammen, keinen Einfluss auf die Nachfrageprognosen haben sollten.

Bezüglich der Stornierungen gibt es eine Grauzone.

  • Wenn eine Bestellung schnell storniert wird, bevor der Artikel überhaupt die Chance hatte, versendet zu werden, wird der Artikel sofort für eine neue Bestellung verfügbar. In einer solchen Situation ist es sinnvoll, den schnell stornierten Artikel nicht als Teil der Nachfrage zu zählen.
  • Falls die Stornierung jedoch einige Tage nach der Bestellung erfolgt, aber trotzdem vor dem Versand, wird ein Artikel im Lager während des gesamten Zeitraums zwischen Bestellung und Stornierung als nicht verfügbar betrachtet. Wird diese lang verzögerte Stornierungsbestellung nicht als Nachfrage gezählt, könnte dies potenziell verhindern, dass tatsächliche Kunden den gewünschten Artikel erwerben.

Die zweite Erkenntnis ist noch stärker, wenn die Stornierung durch die anfängliche lange Versandverzögerung verursacht wird.

Als allgemeine Richtlinie gilt, dass alle Vorgänge, die dazu führen, dass Lagerbestand zugeteilt wird, als Nachfrage gezählt werden müssen, auch wenn diese Vorgänge später storniert werden. Die Stornierung kann als eine unsichere Nachlieferung betrachtet werden, aber nicht als eine geringere Nachfrage. Für einen Topseller, der mit einer relativ stabilen Rücklaufquote verbunden ist, würde dies letztlich bedeuten, dass der auf Bestellung befindliche Lagerbestand, der den zukünftig erwarteten Lagerbestand repräsentiert, entsprechend der Anzahl der in Bearbeitung befindlichen Verkäufe erhöht werden könnte, um die erwartete Stornierungsrate widerzuspiegeln.