Sporadischer Bedarf: Warum ein passender Durchschnitt lange Versorgungslücken verdecken kann
Bei Ersatzteilen oder selten benötigten Komponenten wechseln lange Nullphasen mit einzelnen Bedarfsspitzen. Ein Durchschnitt über mehrere Perioden kann die Gesamtmenge gut beschreiben und trotzdem wenig über den nächsten tatsächlichen Bedarf aussagen. Die Besonderheit liegt darin, dass sowohl die Höhe eines Bedarfs als auch sein Auftreten schwanken können.
Nullbedarf ist eine Beobachtung
Eine Woche ohne Entnahme ist nicht automatisch eine fehlende Datenzeile. Für die Analyse muss unterschieden werden, ob wirklich kein Bedarf beobachtet wurde oder die Erfassung ausgefallen ist. Außerdem ist die Entnahme nicht in jedem Prozess gleichbedeutend mit dem ursprünglichen Bedarf. War ein Artikel nicht verfügbar, kann eine ausgebliebene Entnahme eine unerfüllte Nachfrage verdecken. Ohne diese Einordnung lernt eine Auswertung möglicherweise vor allem die Grenzen des bisherigen Erfassungs- oder Versorgungssystems.
Gleiche Mittelwerte, andere Verläufe
Zwei Artikel können in zehn Wochen insgesamt zwanzig Einheiten benötigen. Beim ersten werden jede Woche zwei Einheiten entnommen, beim zweiten fallen alle zwanzig in einer Woche an. Der Mittelwert ist identisch, die zeitliche Struktur nicht. Eine Planung, die beiden Artikeln denselben gleichmäßigen Wochenbedarf unterstellt, übersieht diesen Unterschied. Deshalb sollten Anzahl der Bedarfsereignisse, Abstände und Größen gemeinsam betrachtet werden. Ein einzelnes Lagemaß verdichtet diese Informationen zu stark, wenn genau der Zeitpunkt operativ entscheidend ist.
Die Bewertung muss zum Zweck passen
Eine Prognose mit vielen kleinen positiven Werten kann über lange Nullphasen Fehler erzeugen und den seltenen großen Bedarf dennoch verfehlen. Umgekehrt ist eine reine Nullprognose bei sehr seltenen Ereignissen auf den ersten Blick häufig richtig. Für die Bewertung werden deshalb passende Horizonte und mehrere Prüfzeiträume benötigt. Neben statistischen Fehlermaßen ist zu klären, welche operative Frage beantwortet werden soll. Eine zuverlässige Durchschnittsmenge über ein Jahr ist etwas anderes als eine genaue Vorhersage der nächsten einzelnen Entnahme.
Mit Grenzen arbeiten
Die Wahl eines Verfahrens sollte anhand vergleichbarer historischer Fälle und einer einfachen Ausgangslösung geprüft werden. Neue Produkte, geänderte Wartungsintervalle oder ein veränderter installierter Bestand können ältere Muster entwerten. Solche Informationen gehören als fachlicher Kontext in die Prüfung. Ein statistisches Modell beseitigt die Unsicherheit seltener Ereignisse nicht. Es kann sie verständlicher strukturieren. Für eine belastbare Anwendung müssen Datenqualität, Vorhersagehorizont und die Folgen einer Fehlprognose zusammen betrachtet und regelmäßig erneut überprüft werden.
Intermittent demand: Why a plausible average can hide long supply gaps
Spare parts and rarely required components often alternate between long zero-demand periods and isolated peaks. An average across several periods can describe total volume reasonably well while saying little about the next actual request. The distinctive feature is that both the size of a demand event and the time when it occurs can vary.
Zero demand is an observation
A week without an issue from stock is not automatically a missing row. Analysis must distinguish genuinely observed zero demand from a failure to capture data. An inventory issue is also not always the same as the original demand. If stock was unavailable, the absence of an issue may conceal unmet demand. Without this context, a model may mainly learn the limitations of the existing recording or supply process rather than the underlying need for the item.
Equal averages, different patterns
Two items may each require twenty units over ten weeks. One is used at two units every week, while the other needs all twenty in a single week. Their averages match, but their timing does not. Assuming an identical smooth weekly requirement misses this difference. Event counts, intervals and event sizes should therefore be examined together. A single average compresses the information too strongly when the timing of a particular request is the part that matters operationally.
Match evaluation to purpose
A forecast containing many small positive values can accumulate errors during long zero periods and still miss a rare large request. Conversely, always predicting zero can look correct surprisingly often when events are infrequent. Evaluation therefore needs suitable horizons and several historical test windows. Statistical error measures should be considered together with the operational question. Estimating annual average volume reliably is different from accurately predicting the timing and size of the very next issue from inventory.
Work explicitly with limitations
A method should be assessed against comparable historical cases and a simple baseline. New products, revised maintenance intervals or changes in the installed population can make older patterns less relevant. This information belongs in the business review of the result. A statistical model does not remove uncertainty around rare events; it can organise that uncertainty more clearly. Reliable use requires data quality, forecast horizon and the consequences of errors to be considered together and reviewed regularly. The practical result is a better explained planning assumption, rather than an apparently exact date that the available evidence cannot support.