Zum Inhalt springen

Ausreißer im Forecast bereinigen: Schritt für Schritt

Jannik SemmelhaackCEO & Founder, VOIDS

Ausreißer im Forecast bereinigst du in fünf Schritten: Trend und Saison herausrechnen, eine feste Grenze setzen, die Ursache klären, den Typ bestimmen und jeden Typ passend behandeln. Ersetzt wird nur, was im Prognosezeitraum nicht wieder vorkommt, etwa eine einmalige Großbestellung oder ein Datenfehler. Eine wiederkehrende Kampagne ersetzt du nicht, sondern planst sie als eigenen Effekt. Ein dauerhaft verändertes Absatzniveau bildet die Grundlage für den neuen Plan.

Von Jannik Semmelhaack, Gründer und CEO von VOIDS

Das Wichtigste in Kürze

  • Ein Ausreißer ist ein Wert, der stark vom Rest der Zeitreihe abweicht. Er kann ein Fehler sein oder ein echtes, seltenes Ereignis.
  • Ersetze nur Werte, die im Prognosezeitraum nicht wieder auftreten.
  • Eine dauerhafte Niveauverschiebung ist kein Fehler. Wer sie bereinigt, plant zu wenig.
  • Zu niedrige Wochen durch Ausverkauf gehören in die Stockout-Bereinigung, nicht hierher.
  • Dokumentiere jede Korrektur mit Ursache, Originalwert und Ersatzwert.

Was im Forecast als Ausreißer gilt

Ein Ausreißer ist ein Wert, der sich stark von der Mehrheit der Werte einer Zeitreihe unterscheidet. So definieren es Hyndman und Athanasopoulos im Lehrbuch Forecasting: Principles and Practice. Ein Ausreißer kann ein Fehler sein oder einfach ungewöhnlich.

Die Autoren warnen ausdrücklich: Ausreißer zu ersetzen, ohne über ihre Ursache nachzudenken, ist gefährlich. Sinnvoll ist das Ersetzen nur, wenn der Wert ein echter Fehler ist oder im Prognosezeitraum nicht wieder auftritt. Gleichzeitig arbeitet keines der Verfahren im Buch gut, wenn extreme Ausreißer in den Daten stehen. Du musst also handeln, aber gezielt.

Typische Ursachen für eine zu hohe Woche sind eine einmalige Händler- oder B2B-Bestellung, doppelt importierte Bestellungen oder ein viraler Post. Zwei Fälle brauchen eine eigene Behandlung:

Ein einzelner extremer Wochenwert ist etwas anderes als eine wiederkehrende Über- oder Unterschätzung der Nachfrage. Diesen Richtungsfehler behandelt der Beitrag Forecast Bias im E-Commerce gezielt korrigieren.

Was du vor dem Bereinigen brauchst

Ohne Kontext kannst du keine Ursache klären. Lege deshalb vier Datensätze nebeneinander:

  • Verkäufe pro SKU und Woche, mindestens über zwei Jahre, wenn du eine jährliche Saison mit robustem STL trennen willst. Bei kürzerer Historie ist dieser Schritt für die Jahressaison nicht belastbar.
  • Bestand pro SKU und Woche, um ausverkaufte Wochen zu erkennen.
  • Kampagnen- und Preiskalender mit Start und Ende jeder Aktion.
  • Eine Liste großer Einzelaufträge, zum Beispiel von Händlern oder Firmenkunden.

Die folgende IQR-Prüfung ist für SKUs mit regelmäßigen Wochenverkäufen gedacht. Bei sehr vielen Nullwochen kann der Interquartilsabstand null oder nahezu null sein; dann markiert die Regel auch echte Verkaufswochen. Solche intermittierenden Reihen brauchen eine gesonderte Prüfung statt dieser pauschalen Grenze.

Ausreißer bereinigen in fünf Schritten

  1. Trend und Saison herausrechnen. Ein Dezember-Hoch ist kein Ausreißer. Das Lehrbuch nennt eine robuste STL-Zerlegung als nützlichen Weg. Sie trennt Trend, Saison und Restgröße, und Ausreißer zeigen sich danach in der Restgröße.
  2. Eine feste Grenze setzen. Das Lehrbuch markiert Restgrößen, die mehr als drei Interquartilsabstände außerhalb der mittleren 50 % liegen. Bei normalverteilten Restgrößen trifft das laut Lehrbuch nur rund einen von 500.000 Werten. Die mildere Grenze von 1,5 Interquartilsabständen würde schon 7 von 1.000 Werten markieren. Die strenge Grenze markiert weniger Werte. Das ist gewollt, denn jede Bereinigung kann echte Nachfrage löschen.
  3. Die Ursache klären. Prüfe jede markierte Woche gegen Bestand, Kampagnenkalender und Auftragsliste. Ohne erkennbare Ursache bleibt der Originalwert in der Historie; der Einkauf prüft die Woche vor der nächsten Bestellung.
  4. Den Typ bestimmen. Das U.S. Census Bureau unterscheidet im Handbuch zu X-13ARIMA-SEATS unter anderem drei Typen. Ein additiver Ausreißer betrifft nur einen Zeitpunkt, etwa eine Großbestellung oder einen Datenfehler. Eine Niveauverschiebung hebt oder senkt alle Werte ab einem Zeitpunkt um einen konstanten Betrag, etwa nach dem Start auf einem neuen Marktplatz. Eine temporäre Veränderung ist ein abrupter Sprung, der exponentiell schnell auf das alte Niveau zurückgeht, etwa nach einem viralen Post.
  5. Jeden Typ passend behandeln. Einen additiven Ausreißer ersetzt du durch einen Schätzwert. Das Lehrbuch setzt den Wert dazu als fehlend und lässt ein ARIMA-Modell ihn neu schätzen. Im Beispiel zu vierteljährlichen Besuchsreisen in die Adelaide Hills wird aus 81,1 der Wert 8,5. Eine Niveauverschiebung bereinigst du nicht, denn sie ist das neue Normal. Berücksichtige den Sprung als eigenen Modelleffekt oder nutze für die Prognose die Daten nach dem Sprung, sofern sie dafür ausreichen. Eine temporäre Veränderung ersetzt du nur, wenn du keine Wiederholung im Prognosezeitraum erwartest.

Wenn die Ursache noch offen ist: Muss die Bestellung vor der Klärung erfolgen, legt der Einkauf einen vorläufigen Schätzwert aus vergleichbaren Wochen als Planungsannahme fest; bei Trend oder Saison braucht er einen passenden Modellwert. Die Historie bleibt unverändert, und der vorläufige Wert erhält einen Verantwortlichen und einen Prüftermin. Eine Korrektur ohne Ursache bleibt eine Vermutung.

Rechenbeispiel: eine Großbestellung bläht die Bestellmenge auf

Ein erfundenes Beispiel mit bewusst glatten Zahlen: Eine SKU ohne Trend und Saison verkauft in acht Wochen 98, 104, 101, 97, 340, 103, 99 und 102 Stück. Woche 5 enthält eine einmalige Händlerbestellung. Weil die Reihe weder Trend noch Saison hat, lässt sich direkt mit den Wochenwerten rechnen: Sie entsprechen hier der Restgröße.

  • Quartile nach Excel QUARTILE.INKL (R Typ 7): unteres Quartil 98,75, oberes Quartil 103,25, Interquartilsabstand 4,5.
  • Obergrenze: 103,25 + 3 × 4,5 = 116,75 Stück. Nur Woche 5 liegt darüber.
  • Durchschnitt mit Woche 5: 130,5 Stück pro Woche. Ohne Woche 5: rund 100,6.
  • Ersatzwert für Woche 5: rund 101 Stück, der Durchschnitt der übrigen Wochen. Bei Trend oder Saison nimmst du stattdessen einen Modellwert.

Deckt dein Plan zehn Wochen aus Lieferzeit und Bestellzyklus ab, ergibt der rohe Durchschnitt einen Bedarf von 1.305 Stück, der bereinigte rund 1.006. Die Differenz von rund 300 Stück entspricht fast drei Wochen Absatz. Für eine Bestellung prüfst du zusätzlich verfügbaren Bestand, offene Bestellungen, Sicherheitsbestand und Bestellregeln.

Der Gegenfall zeigt, warum Schritt 4 wichtig ist. In einer anderen erfundenen Reihe lauten die acht Wochenwerte 98, 104, 101, 97, 140, 140, 140 und 140 Stück. Der Start auf einem neuen Marktplatz in Woche 5 erklärt hier eine dauerhafte Niveauverschiebung. Die obere IQR-Grenze liegt bei 259,25 Stück und markiert keinen Wert. Der Fehler entsteht nur, wenn jemand den Sprung manuell zurücksetzt. Wer die neue Höhe als Ausreißer behandelt und auf das alte Niveau von 100 zurücksetzt, plant jede Woche 40 Stück zu wenig.

So prüfst du, ob die Bereinigung hilft

Eine Bereinigung ist nur dann gut, wenn die Prognose danach genauer wird. Das prüfst du mit vier Kontrollen:

  • Testzeitraum vergleichen. Rechne die Prognose einmal mit Rohdaten und einmal mit bereinigter Historie und miss beide an denselben späteren Wochen. Wie du die Genauigkeit misst, steht im Beitrag Prognosegenauigkeit im Onlineshop messen.
  • Anteil bereinigter Wochen zählen. Prüfe bei wiederholten Korrekturen, ob ein Muster vorliegt, das als eigener Effekt ins Modell gehört.
  • Wiederholung prüfen. Erwartest du den Effekt erneut im Prognosezeitraum, behandle ihn als eigenen Effekt im Plan statt als einmaligen Ausreißer.
  • Protokoll führen. Halte für jede Korrektur SKU, Woche, Ursache, Typ, Originalwert und Ersatzwert fest. Ohne Protokoll weiß in drei Monaten niemand, warum die Historie vom Shop-Export abweicht.

Ausreißer im Forecast sichtbar machen

In der Forecasting-Software von VOIDS sind Stockout-Bereinigung, Promotion-Effekte und Ausreißer im Forecast sichtbar. So kann der Einkauf nachvollziehen, warum eine Prognose von den Rohdaten abweicht. Wenn du wissen willst, wie stark Ausreißer und Stockouts deine Bestellmengen heute verzerren: Kostenlose Bestandsanalyse buchen.

Häufige Fragen

Soll ich Ausreißer löschen oder ersetzen?

Lösche nicht den Zeitpunkt aus der Zeitreihe. Mit ARIMA kannst du den Wert als fehlend markieren. Die Funktionen ETS() und STL() im R-Paket fable verarbeiten keine fehlenden Werte; dort ersetzt du den Ausreißer durch einen Schätzwert. Das Lehrbuch schätzt ihn dazu mit ARIMA neu. Nur die Daten nach der Lücke zu nutzen, ist eine Option, wenn danach genug Historie für das gewählte Verfahren übrig bleibt.

Ist eine Kampagnenwoche ein Ausreißer?

Nicht, wenn Kampagnen wiederkommen. Plane sie als Ereignis mit eigenem Effekt. Ein bereinigter Wert würde den Bedarf der nächsten Kampagne unterschätzen.

Was mache ich mit zu niedrigen Wochen?

Prüfe zuerst den Bestand. War die SKU ausverkauft, fehlt Nachfrage, und die Stockout-Bereinigung korrigiert sie. War Bestand da, prüfe Datenfehler wie fehlende Importe.

Warum drei statt 1,5 Interquartilsabstände?

Bei 1,5 markierst du bei normalverteilten Restgrößen 7 von 1.000 Werten, bei 3 laut Lehrbuch nur rund einen von 500.000. Die strenge Grenze markiert weniger Werte; erst die Ursachenprüfung entscheidet über eine Korrektur.

Quellen

Passende Lösung

VOIDS rechnet den Forecast jede Woche neu, je Artikel und Kanal, und bereinigt historische Stockouts. Forecasting-Software

Analytics-Cookies

Wir nutzen Google Analytics, Vercel Web Analytics und Microsoft Clarity (Sitzungsaufzeichnungen und Heatmaps deines Besuchs), um Inhalte und Conversion-Flows zu verbessern. Es werden keine Formularinhalte an Analytics gesendet.