Der Stand der “Probabilistic” Vorhersagen in supply chain (2025)

Joannes Vermorel

Im Jahr 2012 haben wir bei Lokad den Kurs von Einzelzahlen-Zeitreihen zu einer probabilistischen Sicht der Welt geändert – zunächst durch Quantil-Prognosen, dann durch vollständige prädiktive Verteilungen für Nachfrage und Lieferzeit, und letztlich durch stochastische Entscheidungsoptimierung. Mehr als ein Jahrzehnt später hat sich im Unternehmenssoftwaremarkt – abgesehen von Lokad – nahezu nichts verändert. Die meisten Anbieter verwenden inzwischen das Wort probabilistic; fast keiner hat seinen Stack so umgebaut, dass Unsicherheit modelliert, kombiniert und bis hin zu automatisierten Entscheidungen getragen wird.

Eine kompakte Karte des Marktes

Diese Tabelle fasst öffentliche Behauptungen und Dokumentationen vom November 2025 zusammen; wo Anbieter wenig technische Details veröffentlicht haben, wähle ich die konservative Seite.

Ein schärferes Set an Lackmustests

Im Laufe der Jahre habe ich einige Tests verfeinert, die Mathematik von Marketing trennen.

Zunächst muss Unsicherheit dort modelliert werden, wo es zählt. Eine supply chain steht nicht nur vor Nachfrageschwankungen; auch die Lieferzeit ist eine Zufallsvariable. Wenn ein Anbieter nicht vollständige Verteilungen für die Nachfrage und die Lieferzeit schätzt – und diese dann kohärent kombiniert – sind probabilistische Behauptungen am Rande. Bloß Punktprognosen mit Puffern aufzublähen, ist keine probabilistische Vorhersage.

Zweitens müssen die Ergebnisse Entscheidungen sein und keine bloßen Einstellregler. Ein echtes System speist Verteilungen in eine Optimierungsschicht ein, die erwartete Erträge gegen Kosten und Einschränkungen abwägt und dabei Bestellmengen, Zuteilungen und Preise generiert. Wenn das „Endziel“ ein Sicherheitsbestand-Prozentwert oder ein Ziel-service‑level ist, handelt es sich nicht um ein probabilistisches Entscheidungssystem; vielmehr ist es eine deterministische Richtlinie, die mittels Varianzabschätzungen abgestimmt wird.

Drittens muss die Wahrscheinlichkeit den Kontakt mit dem Prozess überstehen. Wenn von Planern erwartet wird, dass sie Prognosen in einer Tabelle „bearbeiten“, haben wir den probabilistischen Bereich bereits verlassen. Menschliche Korrekturen können Einschränkungen oder Prioritäten ändern; sie formen aber keine gut kalibrierten Verteilungen manuell um.

Viertens, Fat Tails sind wichtig. Einzelhandel und Ersatzteile weisen intermittierende Eigenschaften auf; Lieferzeiten haben schwere Verteilungsränder. Ein Anbieter, der stillschweigend überall Gaußsche Verteilungen annimmt, betreibt keine probabilistische Vorhersage, sondern Algebra mit Wunschdenken. Die Praxis besteht auf einer nicht‑gaußschen Behandlung.

Fünftens muss die Messung probabilistisch erfolgen. Wenn die wichtigen KPIs MAPE und klassische Genauigkeit sind, begünstigen die Anreize Punktvorhersagen und oberflächliche service‑level Anpassungen. Richtige Scoring-Regeln für Verteilungen und, besser noch, auf Gewinn‑und‑Verlust basierende Zielsetzungen sind entscheidend.

Schließlich ist Transparenz unverhandelbar. Anbieter sollten genügend Methodik veröffentlichen, damit Fachleute nachvollziehen können, wie Wahrscheinlichkeiten zu Entscheidungen werden, einschließlich der Art und Weise, wie mehrere Unsicherheiten zusammengesetzt und weitergegeben werden.

Vor diesem Hintergrund zeigt sich, wo der Markt steht.

Bewertung der Anbieter im Einzelnen

Lokad — die Ausnahme, die die Regel bestätigt

Lokads Stack ist von Grund auf probabilistisch: Nachfrage und Lieferzeit werden als vollständige prädiktive Verteilungen erlernt, die in programmatischen Entscheidungsmodellen kombiniert werden, welche unter geschäftlichen Einschränkungen konkrete Maßnahmen – Bestellungen, Zuteilungen, Preisgestaltung – ausgeben. Wir haben bewusst einen Bruch mit Sicherheitsbestand-/service‑level Konstrukten vollzogen, zugunsten einer Entscheidungs‑zuerst‑Optimierung und der Behandlung von Fat Tails; das Ziel ist ökonomisch und nicht Genauigkeit um ihrer selbst willen. Diese Reise begann 2012 (Quantil-Prognosen), entwickelte sich zu vollständigen Verteilungsmodellen und stochastischer Optimierung und bleibt unser dominierendes Paradigma.

ToolsGroup — probabilistische Nachfrage, service‑level Frontend

ToolsGroup kommuniziert klar über vollständige Nachfragesverteilungen und den Umgang mit langen Schwänzen. Dennoch speisen diese Verteilungen ein service‑getriebenes MEIO: Lager‑zu‑Service‑Kurven, dynamische Sicherheitsbestände und Ziel‑service‑levels bleiben die Lingua Franca. In der Praxis handelt es sich um eine probabilistische Modellierungsschicht, die wieder in deterministische Richtlinienparameter und Planer‑Workflows zurückgeführt wird.

Smart Software — glaubwürdige Verteilungen, klassische Richtlinien

Smarts langjährige Stärke liegt in den Nachfrage‑über‑Lieferzeit-Verteilungen für intermittierende Artikel, oft eingebettet über Epicor IP&O. Die Mathematik ist real; die Operationalisierung ist klassisch: service‑levels wählen, Sicherheitsbestände festlegen, Richtlinien simulieren. Das ist probabilistischer Input mit deterministischem Output.

Epicor IP&O (Smart) — Smart im Inneren, service außen

Epicors IP&O wirbt mit probabilistischer Modellierung von Nachfrage und Lieferzeit und betont den Stresstest von Richtlinien. Dennoch sind die den Nutzern zugänglichen Stellschrauben service‑levels, Sicherheitsbestände und Nachbestelllogik; die Optimierung wird als Service‑gegen‑Kosten dargestellt.

SAP IBP (SmartOps) — stochastisches MEIO als Modul

IBP for Inventory geht auf SmartOps zurück: Mehrstufige Optimierung mit Prognosefehlern und Lieferzeitvariabilität, um Customer service levels bei minimalen Kosten aufrechtzuerhalten. Es berechnet Sicherheitsbestände und Ziel‑service‑levels; probabilistische Elemente existieren, jedoch als Add‑on zu einem ansonsten planergetriebenen Prozess.

GAINS — Optimierung auf Service‑Ziele

GAINS vermarktet ein MEIO, das Unsicherheit bei Nachfrage, Angebot und Lieferzeit „berücksichtigt“. Die Benutzeroberfläche hingegen besteht aus expliziter service‑level Optimierung und Sicherheitsbestands‑Einstellungen. Anspruchsvoll, ja; probabilistische Entscheidungsfindung von Ende zu Ende, nein.

Blue Yonder — probabilistisch im Namen, service in der Praxis

Die Seiten von Blue Yonder sprechen von „autonomen“ und „probabilistic“ Vorhersagen, doch das Herz der Bestandsplanung ist die detaillierte service‑level Segmentierung und dynamische Sicherheitsbestände. Fallstudien und Partnerunterlagen bekräftigen ein szenario‑ und service‑getriebenes Betriebsmodell anstelle einer distribution‑nativen Entscheidungsfindung.

RELEX — Fokus auf den Einzelhandel, Kern: Sicherheitsbestände

RELEX konzentriert sich auf die Einzelhandelsausführung und wirbt nun mit probabilistischer Modellierung rund um True Inventory. Doch wenn es um Nachschub und den Schutz vor Unsicherheit geht, liegt der Schwerpunkt in den eigenen Materialien weiterhin darauf, Sicherheitsbestände zu meistern und Ziel‑service‑levels zu erreichen – eine deterministische Richtlinienwelt, kalibriert durch ML.

o9 Solutions — Szenarien mit service‑level Mathematik

Das „Digital Brain“ von o9 ist eine leistungsfähige Szenario-Plattform. Die MEIO-Seiten beschreiben optimale service‑level Empfehlungen und kontinuierliche Richtlinien‑Neuausrichtungen; Wahrscheinlichkeit erscheint als Ereigniswahrscheinlichkeiten und Was‑wäre‑wenn‑Szenarien, nicht als Verteilungen, die direkt die Optimierung erwarteter wirtschaftlicher Ergebnisse steuern.

Kinaxis — Quantile und eine MEIO‑Erweiterung, immer noch service‑first

Kinaxis hat sich in Richtung probabilistischer Elemente entwickelt: Blogs diskutieren Quantilprognosen, und Wahupas Erweiterung bringt ein probabilistisches MEIO in Maestro ein. Doch selbst diese Erweiterung wirbt mit differenzierten service‑levels und Sicherheitsbestands‑Einstellungen; der übergeordnete Prozess bleibt szenariointensiv und planerzentriert.

E2open — klassisches MEIO‑Vokabular

E2open erklärt MEIO im Hinblick auf die Optimierung von Beständen über Knoten hinweg, um Service‑Erwartungen zu erfüllen, wobei Nachfrage, Lieferzeit und Service durch das Netzwerk fließen. Es ist die maßgebliche service‑level MEIO‑Geschichte.

Coupa/LLamasoft — Service‑Level‑Design

Die Design‑Suite von Coupa (ehemals LLamasoft) ist explizit: Entwicklung von Richtlinien pro SKU, Berechnung optimaler Sicherheitsbestände und Optimierung in Richtung service‑level Ziele. Das ist eine stochastische Parametrisierung deterministischer Richtlinien.

Infor — probabilistische Formulierungen, deterministische Stellschrauben

Infor‑Materialien erwähnen „intelligent, probabilistic forecasting“, aber der umgebende Inhalt hebt Prognosegenauigkeit, service‑levels und die Auffüllung von Sicherheitsbeständen hervor. Die den Planern zur Verfügung stehenden Stellschrauben sind keine distribution‑nativen Entscheidungen.

Anaplan — Sicherheitsbestands‑Apps mit Szenarien

Partnerinhalte und Demos stellen Bestands‑Apps vor, die auf dynamischen Sicherheitsbeständen, service‑level Ausgleich und schneller Szenario‑Modellierung basieren. Nützlich, ja; probabilistic forecasting im strengen Sinne, nein.

Was „echt“ wirklich bedeutet

Ein echtes probabilistisches supply‑chain System muss hohe Anforderungen erfüllen. A minima schätzt es vollständige Verteilungen für Nachfrage und Lieferzeit; es fasst diese Unsicherheiten – oft mit schweren Enden – zu einer einheitlichen stochastischen Sicht auf jede Entscheidung zusammen; es optimiert ein ökonomisches Ziel unter Einschränkungen und liefert Entscheidungen statt Parameterzielen; es misst sich mit angemessenen probabilistischen Scores oder direkten finanziellen Kennzahlen; und es automatisiert die Ausführung, sodass Menschen Prioritäten und Einschränkungen verwalten und nicht die Formen der Verteilungen. Bei Lokad haben wir genau das entwickelt. Es ist keine Fassade über dem Sicherheitsbestand; es ist eine andere Architektur.

Abschließender Gedanke

Ich begrüße den neu entdeckten Hang der Branche zum Wort probabilistic. Aber Worte sind nicht das Entscheidende. Zehn Jahre später kleiden die meisten Anbieter deterministische Richtlinien immer noch mit stochastischer Verzierung. Solange Unsicherheit nicht kombiniert und in Entscheidungen optimiert wird – ohne Sicherheitsbestand- und service‑level Krücken – bleibt die Behauptung reines Marketing. Lokad sticht hervor, weil wir diese Krücken bereits vor langer Zeit entfernt haben und gelernt haben, auf der Wahrscheinlichkeit selbst zu gehen.

Methodologische Anmerkung. Diese Bewertung stützt sich auf die öffentliche Dokumentation der Anbieter und unabhängige Berichte. ToolsGroup diskutiert offen Verteilungen, leitet sie jedoch in ein service‑level MEIO; Smart/Epicor betonen Nachfrage‑über‑Lieferzeit-Verteilungen, die Richtlinienentscheidungen speisen; SAP IBP/SmartOps dokumentiert service‑level‑gesteuerte mehrstufige Optimierung; GAINS präsentiert service‑level Optimierungsbildschirme; Blue Yonder wirbt mit „probabilistic“ und konzentriert sich auf Service-Segmentierung und dynamische Sicherheitsbestände; RELEX hebt die Beherrschung von Sicherheitsbeständen und probabilistische Inventargenauigkeit hervor; o9 stellt service‑level‑optimiertes MEIO und Szenarien in den Vordergrund; Kinaxis fügt eine Wahupa‑MEIO‑Erweiterung hinzu, die immer noch die service‑level Sprache spricht; E2open und Coupa/LLamasoft beschreiben klassisches MEIO; Infor und Anaplan rahmen Ergebnisse in Genauigkeit und Sicherheitsbestands‑Begriffen.

Wenn ein Anbieter seine Platzierung anzweifeln möchte, ist er eingeladen, das Kleingedruckte zu veröffentlichen: wie er Nachfrage- und Lieferzeitverteilungen zusammensetzt; wie diese Verteilungen in Entscheidungen optimiert werden; wie er die Kalibrierung misst; wie er mit schweren Enden umgeht; und wie der Prozess dem Drang widersteht, menschliche Eingriffe in die Form der Wahrscheinlichkeitsverteilungen zuzulassen. Das wäre Neuigkeiten.