Konzeptkarte

Zeitreihen-Foundation-Modelle vs. klassisches IBP-Forecasting

Stand 6. Oktober 2026

Redaktion: Cédric Mary, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Zeitreihen-Foundation-Modelle vs. klassisches IBP-Forecasting: Was ist der Unterschied?

Das klassische Forecasting von IBP (Croston, Holt-Winters, ARIMA) versagt bei drei häufigen SAP-Szenarien — Neuprodukteinführungen, Ersatzteile mit geringem, unregelmäßigem Volumen und promotionsgetriebene Volatilität — genau dort, wo Zero-Shot-Modelle wie Chronos und TimeGPT ansetzen.

Worum es geht

Zeitreihen-Foundation-Modelle sind große neuronale Netze, die auf vielfältigen zeitlichen Datensätzen vortrainiert wurden; sie liefern Zero-Shot- oder Few-Shot-Prognosen ohne datensatzspezifisches Training. Die beiden Referenzmodelle sind TimeGPT (Nixtla, 2023 — ein Transformer-Encoder-Decoder, trainiert auf über 100 Mrd. Zeitreihen-Beobachtungen aus den Bereichen Finanzen, Energie, Web-Traffic und Retail) und Amazon Chronos (2024 — probabilistisches Forecasting mit einer Architektur der T5-Klasse, das Zeitreihenwerte als tokenisierte Sprache behandelt). Die strukturelle These: Ein einziges vortrainiertes Modell generalisiert über Domänen hinweg gut genug, um klassische univariate Benchmarks auf ungesehenen Reihen ohne jegliches Fine-Tuning zu schlagen.

Der strukturelle SAP-Schmerzpunkt: SAP Integrated Business Planning (IBP) for Demand wird mit klassischen Forecasting-Algorithmen ausgeliefert — der Croston-Methode für sporadische Nachfrage, dreifacher exponentieller Glättung (Holt-Winters), ARIMA und ML Random Forest (hinzugefügt Q4 2022). Diese funktionieren gut bei hochvolumigen SKUs mit regelmäßigen Nachfragemustern. Sie versagen bei drei SAP-häufigen Szenarien: Neuprodukteinführungen (NPI, keine historischen Daten), sporadische Ersatzteilnachfrage bei geringen Volumina (Croston bewältigt dies, aber die Genauigkeit sinkt unter 12 Monaten Historie) und Nachfragevolatilitätsspitzen durch Promotions, die in externen Variablen kodiert sind, die im nativen Feature-Set von IBP nicht verfügbar sind.

Warum es zählt

Chronos oder TimeGPT können ein Zero-Shot-Nachfragesignal für neue Produkte ohne historische Daten erzeugen, das über OData als externer Forecast in IBP geladen und mit der statistischen Baseline gemischt wird.
Die probabilistische Quantil-Ausgabe von Chronos bildet sich natürlich auf die Sicherheitsbestandsformel von IBP ab und verbessert die MAPE bei Ersatzteilen um 1-3 % gegenüber Croston auf spärlichen Reihen.
TimeGPT akzeptiert exogene Regressoren (Promotion-Flag, Preisrabatt, Wetter), die das eigene ETS von IBP ohne kundenspezifische ML-Arbeit nicht einbeziehen kann.

Kernpunkte

TimeGPT (Nixtla) und Chronos (Amazon) sind Stand 2026 die beiden Referenz-Zeitreihen-Foundation-Modelle.
Klassische IBP-Algorithmen (Croston, ETS, ARIMA) bearbeiten 80 % der SKUs mit regelmäßiger Nachfrage; Foundation-Modelle adressieren die 20 % Long-Tail (NPI, sporadisch, promotionssensitiv).
Chronos gibt vollständige Quantil-Verteilungen aus — bildet sich nativ auf die Sicherheitsbestandsformel von IBP ab.
Integrationsmuster: Chronos-/TimeGPT-Endpoint auf SAP BTP AI Core → OData-Schreibvorgang in den IBP-Forecast-Override.
Klassisches IBP gewinnt bei Interpretierbarkeit, Governance, null GPU-Kosten und CSRD-regulatorischer Nachvollziehbarkeit.
SAP-RPT-1.6 (aktuelle Generation, Sept. 2026) und TabPFN-3.5-Plus von Prior Labs (GA in SAP AI Core, 15.09.2026) sind SAP-native tabellarische Foundation-Modell-Alternativen zum Hosten eines Drittanbieter-Endpunkts von TimeGPT/Chronos — beide nutzen In-Context-Learning statt zeitreihenspezifisches Pretraining.
Die Qualität von SAP-RPT/TabPFN hängt von der zum Inferenzzeitpunkt gelieferten Auswahl „ähnlicher SKUs“ ab — eine Verankerungs-/Feature-Engineering-Entscheidung, keine automatische Modellfähigkeit.
Für SKUs ohne analoge Historie irgendwo im Portfolio sollte weder klassisches IBP noch ein Foundation-Modell blind vertraut werden — stattdessen eine menschliche Einschätzung protokollieren und als Ground Truth zurückspeisen.

Begriffe auf dieser Seite

TimeGPT: Nixtla-2023-Zeitreihen-Foundation-Modell. Transformer-Encoder-Decoder, trainiert auf über 100 Mrd. Beobachtungen aus vielfältigen Domänen. API-zugänglich; unterstützt exogene Regressoren.
Chronos: Amazon-2024-Modell für probabilistisches Zeitreihen-Forecasting. Nutzt eine Architektur der T5-Klasse, die Zeitreihenwerte als diskrete Sprach-Token behandelt. Liefert vollständige Quantil-Verteilungen, keine Punktprognosen.
IBP: SAP Integrated Business Planning — cloud-native S/4HANA-Suite für die Lieferkettenplanung. Das Demand-Modul umfasst die Forecasting-Algorithmen Croston, ETS/Holt-Winters, ARIMA und ML Random Forest.
NPI: New Product Introduction — ein Produkt mit null oder minimalen historischen Nachfragedaten; das Szenario, in dem klassisches statistisches Forecasting kein Signal zum Anpassen hat.
Zero-Shot-Forecasting: Erstellung einer Prognose für eine Reihe, die das Modell noch nie gesehen hat, basierend auf Mustern, die aus anderen Reihen während des Pretrainings gelernt wurden.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.