10 Arten von Prognosemodellen

Fragst du dich ständig, wie dein Produkt ankommen wird – und ob dein Unternehmen florieren oder scheitern wird?

Ob du es glaubst oder nicht: Du musst nicht zum Hellseher gehen, um die Zukunft vorherzusagen. Du brauchst nur das richtige Prognosemodell.

Hier sind 10 Arten von Prognosemodellen, die dir helfen werden, Ressourcen zu optimieren und Gewinne zu maximieren.

Forecasting models

Was ist eine Finanzprognose?

Finanzprognosen bedeuten, Projektionen über die zukünftige Leistung eines Unternehmens zu erstellen. Sie ermöglichen es dir abzuschätzen, wie sich aktuelle Trends und Geschäftskennzahlen auf die finanzielle Lage deines Unternehmens auswirken werden.

Um dies zu tun, musst du historische Informationen untersuchen zu:

Genau prognostizieren mit Clockify

Wenn du keine Vorhersagen triffst, riskierst du unerwartete Kostenüberschreitungen, die Projekte verzögern und zukünftige Einnahmen stören können.

Prognosen helfen dir zu sehen, ob du ein bestimmtes Projekt finanzieren, dein Team erweitern oder das Jahresbudget anpassen musst. Als Manager kannst du Prognosen nutzen, um:

🎓 Was ist Prognose im Projektmanagement? Grundlagen erklärt

Die zwei wichtigsten Prognosemethoden umfassen:

Lass uns nun diese Arten von Prognosemodellen im Detail betrachten.

Forecasting models

Quantitative Prognosemodelle

Quantitative Methoden nutzen verfügbare Daten, um Ergebnisse zu berechnen – sie verlassen sich nicht auf Meinung, Emotion oder Intuition. Diese Methoden werden normalerweise verwendet, um kurzfristige Vorhersagen durch die Analyse älterer Rohdaten zu treffen.

Quantitative Methoden können weiter unterteilt werden in:

Let’s take a closer look at the different types of quantitative forecasting models.

#1: Zeitreihen-Prognosemodelle

Zeitreihen sind ein beliebtes Prognosemodell, das das vergangene Verhalten eines Unternehmens analysiert, um zukünftiges Verhalten (z. B. Konsum- oder Verkaufsverhalten) vorherzusagen. Dieses Modell nutzt historische Daten über Stunden, Wochen, Monate und Jahre hinweg, um Vorhersagen zu treffen.

Die folgenden Untertypen sind alles Beispiele für Zeitreihen-Prognosemodelle:

Jeder Zeitreihen-Untertyp hat mindestens eine dieser 4 Komponenten:

Components of time series

🎓 Parametrische Schätzung im Projektmanagement

Lineare Methode (Straight-line method)

Die lineare Methode kann zukünftige Einnahmen basierend auf vergangenen Daten und Trends schätzen. Sie geht davon aus, dass die Wachstumsrate dieselbe bleibt wie in den vorangegangenen Perioden.

Um dieses Modell zu verwenden, musst du zuerst die Wachstumsrate der Verkäufe ermitteln.

Nehmen wir an, die jährliche Wachstumsrate eines Unternehmens lag in den letzten 5 Jahren fest bei 6 %. Das Unternehmen rechnet auch für die nächsten Jahre mit einem Wachstum von 6 %. Mit diesen Informationen kann das Unternehmen zukünftige Verkäufe vorhersagen.

Auf diese Weise kannst du zukünftige Projektbudgets genauer schätzen und das Risiko von Kostenüberschreitungen minimieren. Beachte jedoch, dass diese Methode keine Faktoren berücksichtigt, die die Wachstumsrate beeinflussen könnten (z. B. Verzögerungen bei Produktveröffentlichungen). Sie stützt sich ausschließlich auf historische Daten.

Wenn du also jahrelang eine stetige Wachstumsrate ohne absehbare Änderungen hattest, ist diese Methode hilfreich für die Berechnung künftiger Einnahmen.

Kosten in Clockify verfolgen

Modell des gleitenden Durchschnitts

Das Modell des gleitenden Durchschnitts berechnet eine Reihe von Durchschnitten (z. B. den Jahresumsatz der letzten 5 Jahre), um zukünftige Werte vorherzusagen. Es berücksichtigt auch die Fehlermarge.

Abhängig davon, wie viele Monate das Modell zur Mittelwertbildung verwendet, gibt es 2-Monats-, 3-Monats-, 4-Monats-Durchschnitte und so weiter. Anstelle von Monaten könnten es Tage, Jahre oder ein anderer definierter Zeitraum sein.

So führst du die Berechnungen durch, um den gleitenden Durchschnitt zu erhalten:

A1 + A2 + A3 … / N

A — Durchschnitt für einen bestimmten Zeitraum

N — Gesamtzahl der Zeiträume

Nehmen wir an, du möchtest den gleitenden Durchschnitt der Verkaufszahlen für einen Zeitraum von 4 Jahren (2021–2024) berechnen. Du entscheidest dich für einen 2-jährigen gleitenden Durchschnitt (d. h. du nimmst jeweils 2 Jahre zusammen) und verwendest die folgenden Daten:

Jahr Umsatz ($M)
2021 4
2022 7
2023 6
2024 5

Du müsstest Durchschnitte für die folgenden Teilmengen finden: 2021–2022, 2022–2023 und 2023–2024. Um die Durchschnitte zu berechnen, addiere einfach die Werte und teile sie durch die Anzahl der Werte:

2021–2022: (4 Mio. $ + 7 Mio. $) / 2 = 5,5 Mio. $

2022–2023: (7 Mio. $ + 6 Mio. $) / 2 = 6,5 Mio. $

2023–2024: (6 Mio. $ + 5 Mio. $) / 2 = 5,5 Mio. $

Dann berechnest du die Fehler. Nachdem du den Durchschnitt für 2021 und 2022 berechnet hast, hast du eine Prognose für 2023. Da du bereits die tatsächlichen Daten für 2023 hast, kannst du diese mit deinem prognostizierten Wert für dasselbe Jahr vergleichen, um den Fehleranteil zu erhalten.

Anstatt also nur einfache Durchschnitte zu verwenden, ermöglicht es dir das Modell des gleitenden Durchschnitts, Fehler zu berechnen. So kannst du diese Daten nutzen, um genauere Prognosen zu erstellen.

Um den künftigen Umsatz mit einem gleitenden 3-Monats-Durchschnitt zu berechnen, würdest du den Durchschnitt der ersten 3 Monate nehmen, um Monat 4 vorherzusagen. Dann würde der erste Monat übersprungen und der Durchschnitt des zweiten, dritten und vierten Monats genommen, um den Wert für den fünften Monat zu erhalten.

Dieser Vorgang wiederholt sich, bis der Durchschnitt der letzten Monate, für die du Daten hast, berechnet ist. Vergleiche dann die prognostizierten und die tatsächlichen Werte, um den Fehleranteil zu berechnen.

Schließlich kannst du den Durchschnitt für das kommende Jahr berechnen, das du tatsächlich vorhersagen möchtest, unter Berücksichtigung der Fehlermarge.

Methode der exponentiellen Glättung

Die Methode der exponentiellen Glättung sagt neue Werte als gewichtete Durchschnitte vergangener Beobachtungen voraus.

Neue Prognosen werden abgeleitet, indem die vergangene Prognose und der prozentuale Wert (die Differenz zwischen der aktuellen und der vergangenen Prognose) kombiniert werden. Die Idee hinter diesem Modell ist es, neueren Werten in der Reihe mehr Gewicht zu geben – je älter die Beobachtungen werden, desto exponentiell kleiner werden die vergangenen Werte.

Ft = Ft-1 + α(Yt-1 – Ft-1)

Ft — Prognosewert für den aktuellen Zeitraum

Ft-1 — Prognosewert für den vorherigen Zeitraum

α — Glättungskonstante

Yt-1 — Bedarf im vorherigen Zeitraum

Die Glättungskonstante ist ein Wert zwischen 0 und 1. Du kannst verschiedene Werte testen, um die optimale Konstante zu bestimmen:

Dieses Modell eignet sich für Situationen, in denen du keinen klaren Trend oder kein saisonales Muster identifizieren kannst.

Eliot Vancil, CEO eines Kraftstofflieferunternehmens, sagt, dass er sich nicht auf vergangene Trends verlassen kann, da der Kraftstoffverbrauch keinen typischen Mustern folgt. Deshalb glaubt er, dass exponentielle Glättung für sein Unternehmen am besten funktioniert:

Eliot Vancil

“Die exponentielle Glättung ermöglicht es mir, auf neue Daten zu reagieren, sobald sie verfügbar sind, und verhindert, dass alte Daten die nächste Entscheidung beeinflussen. Meine Planer aktualisieren ihre Eingaben alle 4 Stunden, was dazu führt, dass das Modell eine Nachfragekurve erstellt, die die Aktionen sowohl der Besatzung als auch der Flottenmanager widerspiegelt.”

Während die exponentielle Glättung viele Vorteile bringt, findet Eliot auch, dass sie nicht immer so genau ist, wie er es braucht:

Eliot Vancil

“Der größte Vorteil des Modells ist seine Fähigkeit, eine schnelle Antwort zu geben, und sein Nachteil ist seine Empfindlichkeit gegenüber Ausreißern. Wenn ein Ausreißer auftritt, kann dies dazu führen, dass sich das Modell deutlich über das hinaus verschiebt, was es normalerweise widerspiegeln würde.”

Wie erwartet, sagt Eliot, dass dies ein Team erfordert, das die Daten in Echtzeit überprüft.

Trendprojektionsmodell

Das Trendprojektionsmodell untersucht vergangene Ereignisse, um Muster und wiederkehrende Trends zu identifizieren.

Trendprojektion kann verwendet werden, um zukünftige Aktivitäten vorherzusagen, da sie davon ausgeht, dass alle Faktoren, die an vergangenen Trends beteiligt waren, fortbestehen. Das Modell erfordert lange, zuverlässige Zeitreihendaten, die für die Auswertung in chronologischer Reihenfolge angeordnet sind.

Durch die Identifizierung von Trendmustern wird das Unternehmen in der Lage sein, eine Vision für die Zukunft zu gewinnen. Sobald du den Trend identifiziert hast, kannst du den Bedarf prognostizieren.

#2: Assoziative (kausale) Prognosemodelle

Assoziative Modelle sind eine fortschrittliche Art der Umsatzprognose, da sie spezifische mathematische Berechnungen verwenden, um die Beziehungen zwischen Variablen zu identifizieren, die deine Geschäftstätigkeit beeinflussen können.

Die Untertypen kausaler Modelle umfassen:

Lineare Modelle gehen davon aus, dass eine lineare Beziehung zwischen der abhängigen und der unabhängigen Variable besteht. Tatsächlich kann diese Beziehung positiv oder negativ sein.

Nehmen wir zum Beispiel an, dein Umsatz (abhängige Variable) steigt, wenn du mehr in Werbung investierst (unabhängige Variable). Das ist eine positive Steigung, die einen Aufwärtstrend anzeigt. Eine negative Steigung wäre das genaue Gegenteil – deine unabhängige Variable verursacht eine Abnahme der abhängigen Variable.

Positive and negative slope

Einfaches lineares Regressionsmodell

Das einfache lineare Regressionsmodell beinhaltet die Berücksichtigung eines Faktors, von dem du glaubst, dass er das beeinflusst, was du vorherzusagen versuchst. Du kannst dieses Modell beispielsweise verwenden, um die Beziehung zwischen in Anzeigen investiertem Geld und Produktverkäufen zu untersuchen.

Hier ist die Formel zur Berechnung der einfachen linearen Regression:

Y = bX + a

Y — abhängige Variable

b — die Steigung der Regressionsgeraden (Maß für ihre Steilheit, d. h. das Verhältnis von Anstieg zu Laufweite oder Anstieg geteilt durch Laufweite)

X — independent variable

a — Y-Achsenabschnitt (der Punkt auf der Y-Achse, an dem die Steigung der Linie ansetzt)

In diesem Fall wäre deine abhängige Variable (Y) der künftige Umsatz, den du vorherzusagen versuchst. Die Werbeinvestition wäre deine unabhängige Variable (X).

Multiples lineares Regressionsmodell

Wie der Name schon sagt, folgt das multiple lineare Regressionsmodell einem ähnlichen Ansatz wie das einfache Modell.

Der einzige Unterschied besteht darin, dass dieses Modell geeignet ist, wenn du mehr als eine Variable hast, die das Geschäftsergebnis beeinflusst, das du vorhersagen möchtest. Das bedeutet, du hast 1 abhängige Variable (prognostizierter Wert) und 2 oder mehr unabhängige Variablen.

Die Durchführung einer multiplen Regression von Hand kann jedoch schwierig sein, da diese Modelle komplex sind – insbesondere wenn es zu viele Variablen gibt. Daher wirst du wahrscheinlich Statistik-Software benötigen.

🎓 8 beste Business-Prognose-Software im Jahr 2025

Qualitative Prognosemodelle

Qualitative Methoden sind subjektiver Natur und stützen sich weitgehend auf:

Diese Arten von Prognosemethoden beinhalten keine mathematischen Berechnungen. Sie werden hauptsächlich verwendet, wenn die historischen Daten zu schmal sind oder nicht erwartet wird, dass die Zukunft der Vergangenheit folgen wird.

Lass uns nun einige Untertypen qualitativer Prognosemodelle untersuchen.

#1: Delphi-Methode

Die Delphi-Methode ist ein Prognosemodell, an dem eine kleine Gruppe relevanter Experten beteiligt ist, die ihre Meinung zu einem bestimmten Problem oder einer Situation äußern. Die Expertenmeinungen werden dann mit der Marktorientierung kombiniert, um Ergebnisse zu liefern und eine genaue Prognose zu entwickeln.

Prognosen mit der Delphi-Methode laufen normalerweise so ab:

  1. Du entscheidest, wer der Moderator sein wird – du oder eine andere neutrale Partei,
  2. Der Moderator wählt Experten auf dem Gebiet aus,
  3. Der Moderator (mit oder ohne Hilfe eines Forschers) erstellt einen Fragebogen,
  4. Die Experten füllen den Fragebogen aus,
  5. Der Moderator überprüft die Ergebnisse,
  6. Der Moderator erstellt einen zweiten Fragebogen,
  7. Die Teilnehmer überprüfen die Ergebnisse des ersten Fragebogens und füllen den zweiten aus,
  8. Der Prozess der Ergebnisprüfung und des Ausfüllens von Fragebögen wird wiederholt, bis ein Konsens erreicht ist oder festgestellt wird, dass sich die Experten nicht einigen können.

Einige der Highlights dieses Modells sind:

Die Delphi-Methode kann verwendet werden, um Umsatztrends vorherzusagen, wirtschaftliche Entwicklungsergebnisse zu prognostizieren, Risiken und Chancen zu identifizieren und Arbeitsabläufe zu verbessern.

#2: Marktforschungsmodell

Das Marktforschungsmodell bewertet die Leistung von Produkten und Dienstleistungen durch die Befragung potenzieller Kunden. Ihre Reaktionen und Antworten werden aufgezeichnet und dann analysiert, um eine Umsatzprognose zu erstellen.

Dieses Modell kann von Mitarbeitern oder Drittanbietern (spezialisiert auf Marktforschung) durchgeführt werden durch:

Beispiele für Marktforschungsstrategien sind Fokusgruppen, Verbraucherumfragen und Produkttests. Diese Techniken werden verwendet, um wertvolle Erkenntnisse von Verbrauchern zu sammeln, damit das Unternehmen versteht, welche Produkte oder Dienstleistungen weitergeführt und welche überarbeitet werden sollten.

Das Marktforschungsmodell kann Unternehmen helfen:

Das Marktforschungsmodell kann verwendet werden:

#3: Panel-Konsens-Modell

Das Panel-Konsens-Modell (auch Expertenmeinung genannt) ist ein Ansatz, bei dem Experten oder Mitarbeiter aller Ebenen einer Organisation über ein Produkt oder eine Dienstleistung diskutieren. Die Mitglieder agieren wie eine Fokusgruppe und äußern ihre Gedanken und Empfehlungen, um eine Prognose zu entwickeln.

Der Prognoseprozess umfasst eine hohe Anzahl von Teilnehmern. Daher wäre das Ergebnis ausgewogener und zuverlässiger als die Meinung einer Einzelperson. Das Treffen endet, sobald ein Konsens erreicht ist.

Einige der Highlights des Panel-Konsens-Modells umfassen:

Das Panel-Konsens-Modell ist nützlich, wenn nicht genügend relevante Daten für Prognosen, kurzfristige Projektionen oder abteilungsspezifische Prognosen vorhanden sind.

Andere Beispiele, in denen ein Panel-Konsens angemessen sein kann, sind Situationen, in denen Unternehmen Folgendes tun müssen:

Prognostizieren mit Clockify

#4: Sales-Force-Composite-Modell

Das Sales-Force-Composite-Modell nutzt die Eingaben des Vertriebspersonals, um zukünftige Verkäufe zu schätzen. Bei der Schätzung der künftigen Nachfrage kann das Unternehmen entscheiden, Informationen vom Verkäufer zu sammeln. Diese Person hilft dabei, die Bedürfnisse der Kunden zu ermitteln und Verkäufe für eine bestimmte Region und einen bestimmten Zeitraum vorherzusagen.

Mit dem Sales-Force-Composite-Modell verstehen Vertriebsmitarbeiter die Kundenbedürfnisse besser, da sie regelmäßig mit ihnen interagieren. Diese Informationen helfen dabei, den Geschäftsbetrieb anzupassen, um die Bedürfnisse des Kunden zu erfüllen und den Umsatz zu maximieren.

Der Verkäufer wird nach den Erfahrungen und der Zufriedenheit der Kunden mit dem Unternehmen befragt. Dieses Modell ist einfach durchzuführen, da es lediglich einen Termin mit Vertriebsexperten erfordert. Jede Person gibt ihre eigene Meinung darüber ab, was sie in ihrer spezifischen Region zu verkaufen erwartet.

Das Sales-Force-Composite-Modell kann nützlich sein, wenn du:

FAQs zu Prognosemodellen

Um mehr über Prognosemodellen zu erfahren, lies die Antworten auf einige der am häufigsten gestellten Fragen.

Wie wählt man die richtigen Prognosetechniken aus?

Bei der Auswahl eines Prognosemodells solltest du Folgendes berücksichtigen:

Bevor du das Modell auswählst, solltest du jedoch auch den Zweck der Prognose und die einzubeziehenden Variablen berücksichtigen. Dies wird dir helfen, das richtige Modell zu wählen, um Projekte effektiv zu verwalten – zum Beispiel durch genaue Budgetberechnungen und Projektzeitpläne.

🎓 Projektmanagement: 31 beste Techniken, Praktiken und Tools

Welche Arten von Prognosemodellen werden im Supply-Chain-Management verwendet?

Sowohl quantitative als auch qualitative Prognosemodelle können im Supply-Chain-Management eingesetzt werden. Beispiele für in diesem Fall geeignete quantitative Modelle sind die exponentielle Glättung und der gleitende Durchschnitt. Wenn es um qualitative Methoden geht, kannst du dich auf die Delphi-Methode, Marktforschung und den Panel-Konsens verlassen.

Was ist das beste Tool für Prognosen?

Das beste Tool für Prognosen ist dasjenige, das mit dem geringsten Aufwand deinerseits die besten Ergebnisse für dein Unternehmen liefert. Das hängt natürlich von der Art der Prognose ab, die du benötigst. Zum Beispiel ist Clockify von CAKE.com eine einfache und effektive Lösung, wenn du vorhersagen musst, wie viel Zeit dein Team für den Abschluss eines Projekts benötigen würde.

Vergiss komplexe Formeln — prognostiziere mit Clockify by CAKE.com

Selbst die besten Prognosemodelle haben ihre Mängel und können für sich allein genommen komplex in der Umsetzung sein. Zudem erhältst du keine Echtzeitdaten über aktuelle und zukünftige Budgets, wenn du dich auf deine eigenen Berechnungen ohne spezielle Software verlässt.

Deshalb sind leistungsstarke Zeiterfassungs-Tools mit Prognosefunktionen ein Lebensretter. Eine einfache App wie Clockify hilft dir, ein besseres Verständnis dafür zu bekommen, wie dein Projekt läuft.

Wenn du nämlich abrechenbare und nicht abrechenbare Stunden für Aufgaben in Clockify erfasst, kann die App vorhersagen, wie viel Zeit und Geld für das Projekt aufgewendet werden wird.

forecasting in Clockify
Prognosen in Clockify

Wenn deine Schätzungen der abrechenbaren Stunden falsch sind, riskierst du, deinen Kunden zu wenig zu berechnen.

Glücklicherweise alarmiert dich Clockify, wenn die erfassten abrechenbaren Stunden deinen Schätzungen nahe kommen. Du kannst zum Beispiel wählen, ob du benachrichtigt werden möchtest, wenn dein Team 70 % (oder einen anderen Prozentsatz) deiner geschätzten abrechenbaren Zeit erfasst hat.

Auf diese Weise kannst du potenzielle Zeit- oder Kostenüberschreitungen vorhersagen und Präventivmaßnahmen ergreifen.

Referenzen:

*Lizenz für die Forschung: Creative Commons Attribution License (CC BY)

Alaze A., Finne E., Razum O., and Miani C. (2025). A questionnaire for a conceptual framework and interdisciplinary public health research using the Delphi technique—development and validation. Front. Public Health. 13:1436569. doi: 10.3389/fpubh.2025.1436569