Zeitreihenprognosen in großem Maßstab
Stand 2026-09-03
SAP-Bedarfs- und Umsatzprognosen scheitern weniger an der Modellwahl als an der Datenhygiene: Nicht verrechnete Wareneingangs-Stornierungen und Drift im Fiskalkalender allein können einen MASE-Wert genug verschieben, um eine Go/No-go-Entscheidung zur Produktivsetzung zu kippen. Für 90 % der Projekte ist die vertretbare Abfolge eine klassische SKU-basierte Baseline, gefolgt von einem einzigen globalen LightGBM-Modell mit Lag-Features — der Ansatz, der den M5-Walmart-Wettbewerb gewann und heute die SAP-Prognosen im Handel und Vertrieb dominiert —, das nur dann produktiv geht, wenn es die Baseline im Holdout-Set um mehr als 10 % MASE schlägt. Läuft beim Kunden bereits HANA Cloud, prognostiziert PAL 50.000 SKU-Reihen in unter zehn Minuten, ohne Daten zu bewegen; wo Komplexität oder Volumen PAL übersteigen, ist Databricks mit MLflow-gesteuerter Freigabe der Weg in die Produktion. Senior Data Scientists, die diese Entscheidung durchgängig tragen können, SAP-tabellenbasierte Datenbereinigung eingeschlossen, verlangen EMEA-Tagessätze von 900-1.200 € in der Lieferkette und 1.100-1.400 € im Finanzdienstleistungssektor.
Was Sie lernen
- Wählen Sie auf Basis von Datensatzgröße, Interpretierbarkeitsanforderungen und operativer Komplexität zwischen klassisch-statistischen Methoden (Holt-Winters, ARIMA/SARIMA), Gradient-Boosted-Tree-Ansätzen (LightGBM, XGBoost) und Deep-Learning-Modellen (LSTM, TFT) aus
- Setzen Sie Zeitreihenprognosen auf SAP-Daten mit hana-ml/PAL, SAC Predictive Planning sowie Databricks AutoML oder MLflow in die Produktivumgebung um
- Bewerten Sie eine Prognose mit geeigneten Metriken (MASE, SMAPE, Pinball-Verlust für Quantile) und erkennen Sie für SAP-Datenmuster typische Fehlermodi
- Vermitteln Sie den Geschäftswert, die Interpretierbarkeits-Kompromisse und die Infrastrukturkosten in Kunden-Workshops und Honorarverhandlungen
Warum SAP-Zeitreihendaten schwieriger sind als Benchmark-Datensätze
Die meisten öffentlichen Zeitreihen-Benchmarks (M4, M5, Kaggle-Wettbewerbe zur Bedarfsprognose) verwenden saubere, regelmäßig beabstandete, vollständige Reihen. SAP-Transaktionsdaten sind nichts davon. Diese Lücke zu verstehen ist die erste praktische Fähigkeit für einen Berater, der Prognoselösungen auf SAP aufbaut.
Unregelmäßige Reihen — SAP-Bedarfsdaten (MBEW-Bestandswerte, VBAP-Verkaufsauftragsmengen, COPA-Positionen) sind ereignisgetrieben: Ein Datensatz existiert, wenn eine Transaktion stattfindet, nicht zu jedem Kalenderzeitpunkt. Ein Material, das in Hochphasen dreimal pro Woche verkauft wird, kann in ruhigen Saisons vier Wochen ohne jede Transaktion bleiben. Behandelt man Perioden ohne Transaktion naiv als fehlende Daten und interpoliert, entsteht Phantombedarf; behandelt man sie als strukturelle Nullen und schließt sie aus, bricht die Saisonalitätsschätzung. Der richtige Ansatz ist explizite Modellierung intermittierenden Bedarfs (Crostons Methode oder ihre Syntetos-Boylan-Variante für langsam drehende SKUs, im Ensemble mit einem Standardmodell für regelmäßig verkaufte Artikel).
Voraussetzungen
- Praktische Erfahrung auf mittlerem Niveau in SAP-Analytics-Projekten
- Zuerst die Kernkonzepte wiederholen: C087, C083, C069
Lernergebnisse
- Arbeiten Sie ein realistisches Szenario durch: Ein DACH-Industrieausrüstungshersteller mit 30.000 aktiven Materialien über fünf Werke ersetzt die tabellenbasierte Bedarfsplanung vor einem Geschäftsjahreswechsel.
- Erkennen und vermeiden Sie das Anti-Pattern: Training auf rohen MSEG-Buchungen ohne Saldierung von Stornierungen — das Modell lernt buchhalterische Artefakte (Bewegungsart-Storno-Paare) als Bedarfssignal.
- Wenden Sie die Kernentscheidung des Moduls an: Wahl der Modellfamilie — wählen Sie klassisch (Holt-Winters/SARIMA) bei weniger als ~2 Jahren Historie oder wenn Wirtschaftsprüfer erklärbare Parameter benötigen.
- Verfolgen Sie den Lernfortschritt anhand des KPI: Prognosegenauigkeit (MASE) (Ziel: MASE < 1,0 gegenüber der naiven Baseline auf einem 6-Monats-Holdout; Warnsignal: MASE >= 1,0 — das Modell verliert gegen eine Random-Walk-Prognose; nicht befördern).
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.