Das Modul bietet verschiedene statistische Prognosemodelle, um zukünftige Bedarfsänderungen zu planen und ist damit ein wichtiger Punkt in der Logistikkette von Unternehmen. Sie können zum Beispiel eine Bedarfsprognose auf Basis der Verkaufszahlen eines Unternehmens erstellt werden. Diese Prognose hilft den Entscheidungsträgern, zukünftige Entwicklungen und Bedürfnisse besser zu antizipieren und einen entsprechenden Fahrplan zu verfolgen. Neben einfachen Methoden wie dem arithmetischen Mittelwert können im System auch fortgeschrittene statistische Methoden wie die lineare Regressionsanalyse und die saisonale Indizierung zur Ermittlung der Nachfrageprognosemengen eingesetzt werden. Darüber hinaus ermöglichen die Algorithmen, die die Fehler im Datensatz erkennen und korrigieren, mit Hilfe dieses Moduls eine möglichst realistische Vorhersage der Zukunft. Jede Organisation möchte die Zukunft vorhersagen, um rechtzeitig die notwendigen Maßnahmen gegen veränderte Marktbedingungen zu ergreifen. Basierend auf diesem Bedarf ist es möglich, mit dem Modul "Demand Forecasting" Pläne auf der Grundlage von Zukunftsprognosen zu erstellen. Es ist sehr einfach, durch Auswertung der historischen Daten das am besten geeignete Prognosemodell zu ermitteln, mit verschiedenen Prognosemodellen Vorhersagen über zukünftige Verkaufsdaten zu treffen, auf Basis dieser Vorhersagen eine grobe Kapazitätsplanung vorzunehmen und rechtzeitig die notwendigen Maßnahmen für die Organisation zu ergreifen.
Das Modul verwendet verschiedene Vorhersagemodelle, um mit möglichst realistischen Bedingungen abzuschätzen und bietet verschiedene Schätzoptionen für Materialien. Auf diese Weise ist es möglich, zu beobachten, inwieweit jedes mögliche Szenario die Prognose mit Simulationsvorhersagen beeinflusst, die parallel zum tatsächlichen Prozess eines Materials durchgeführt werden können.
Es gibt fünf verschiedene Berechnungsmethoden für die Bedarfsprognose im Modul. Diese Methoden sind: Bezug auf alte Werte, Mittelwert (arithmetisch, harmonisch, geometrisch), exponentielle Korrektur, lineare Regression, saisonale Indizierung.
Die Methoden der Datenimputation oder der Ausreißerkorrektur können im Modul verwendet werden.
Wenn die Imputationsmethode gewählt wird, liefert das System ein genaueres Ergebnis der Bedarfsprognose, indem es die Zeiträume, in denen die Quelldaten fehlen, bei der Berechnung der Bedarfsprognose mit der gewählten Methode auffüllt. Diese Methoden sind: "als Null akzeptieren", "vorherige verwenden", "die nächstliegenden Werte bilden den Durchschnitt", "Gesamtdurchschnitt", "Median".
Wenn die Methode "Ausreißerkorrektur" ausgewählt ist, prüft das System bei der Bedarfsprognose die Genauigkeit der Quelldaten auf der Grundlage der ausgewählten Methode zur Erkennung fehlerhafter Daten. Wenn es dabei auf fehlerhafte Daten stößt, korrigiert es die fehlerhaften Daten und liefert ein genaueres Ergebnis der Bedarfsprognose. Die Methoden zur Erkennung fehlerhafter Daten im System sind der Varianztest und der Viertelwertsbreite-Test.
Das Modul für die Bedarfsprognose arbeitet in Integration mit allen Modulen, die mit Materialien zu tun haben, insbesondere mit den Modulen Stammdatenmanagement, Vertrieb, Bestandsführung, Produktionsplanung und Einkauf. Die in die Integration einbezogenen Module liefern sofortige Daten über alle erwarteten Ein- und Ausgänge für die Schätzung. So ist das System immer auf dem neuesten Stand.
Die vom Modul für die Bedarfsprognose erstellten Prognosen ermöglichen es den Entscheidungsträgern, genauere Entscheidungen für die Zukunft zu treffen.