Forecasting Engineer

Was macht ein Forecasting Engineer?

Du beantwortest eine Frage, die in vielen Unternehmen täglich gestellt wird: Wie viel wird es sein? Wie viele Artikel gehen nächste Woche über die Kasse, wie hoch ist die Netzlast am Donnerstagabend, wie viele Sendungen laufen im Dezember durch das Verteilzentrum, wie entwickeln sich die Einkaufspreise im nächsten Quartal. Aus deinen Zahlen werden Bestellungen, Schichtpläne und Kapazitäten – Prognosen sind selten Selbstzweck, sie lösen unmittelbar Entscheidungen aus.

Prognose ist ein eigenes Handwerk, und das wird regelmässig unterschätzt. Zeitreihen haben Eigenschaften, die andere Daten nicht haben. Es gibt mehrere Saisonalitäten gleichzeitig – Tageszeit, Wochentag und Jahreszeit überlagern sich. Es gibt bewegliche Feiertage, die den Kalender jedes Jahr verschieben. Es gibt Sondereffekte, die man kennen muss, um sie herauszurechnen: eine Werbeaktion, ein Lieferausfall, ein Umbau. Und es gibt Kannibalisierung – wenn ein Artikel im Angebot ist, verkauft sich der ähnliche daneben schlechter, ohne dass die Gesamtnachfrage steigt. Wer das nicht abbildet, prognostiziert zwei Artikel einzeln richtig und die Filiale insgesamt falsch.

Auffällig für viele Neueinsteiger: Klassische Verfahren halten sich hier hartnäckig. Exponentielle Glättung, saisonale Regression und verwandte Ansätze bestehen bei kurzen, verrauschten oder sehr zahlreichen Reihen oft gegen deutlich grössere Modelle. Grosse Modelle spielen ihre Stärke dort aus, wo viele Reihen gemeinsam gelernt werden können und externe Einflussgrössen dazukommen. Die Auswahl zwischen beiden Welten ist ein Kernstück der Rolle.

Die Abgrenzung zum Data Scientist: Der arbeitet breiter – Klassifikation, Segmentierung, Ursachenanalyse, wechselnde Fragestellungen. Du arbeitest schmaler und tiefer an einer Datenform, dafür meist an einem System, das täglich oder stündlich neu rechnet und produktiv Entscheidungen speist. Die Prognose ist bei dir kein Projekt, sondern ein Betrieb.

Was du im Praktikum machst

Am Anfang steht fast immer Datenarbeit: fehlende Tage ergänzen, Zeitzonen und Sommerzeit sauber bekommen, Nullen von „keine Nachfrage" und „nicht verfügbar" unterscheiden. Genau dieser Unterschied verdirbt sonst jedes Modell.

Danach baust du eine Vergleichsgrundlage – oft die Vorwoche oder der Vorjahreswert. Alles, was du danach entwickelst, muss besser sein als das. Typische Praktikumsaufgaben sind eine Feiertagslogik, ein Vergleich mehrerer Verfahren über viele Reihen hinweg oder eine Auswertung, die zeigt, wo die bestehende Prognose systematisch danebenliegt.

Ein Teil der Arbeit ist Gespräch. Die Disposition weiss oft genau, warum eine Woche aus der Reihe fiel, und diese Erklärung findest du in keinem Datensatz. Wer diese Hinweise einsammelt und in einen Kalender von Sondereffekten überführt, verbessert die Prognose meist stärker als jeder Modellwechsel.

Gegen Ende steht häufig eine Rückrechnung über vergangene Zeiträume: Du lässt dein Verfahren so laufen, als wäre jeder Stichtag die Gegenwart, und prüfst, ob es damals brauchbar gewesen wäre. Das ist der ehrlichste Test, den es für eine Prognose gibt – und der, bei dem die meisten Ansätze auffällig werden.

Was du mitbringen solltest

Statistik, insbesondere Zeitreihenanalyse, dazu Python mit den gängigen Datenwerkzeugen und sicheres SQL. Ein Gefühl für Fehlermasse ist wichtiger als eine lange Werkzeugliste: Eine prozentuale Abweichung ist bei kleinen Mengen irreführend, ein Mittelwert über alle Reihen verdeckt genau die Artikel, bei denen es teuer wird.

Dazu kommt Interesse am Fachbereich. Wer nicht versteht, wie ein Lager nachbestellt oder ein Kraftwerk gefahren wird, prognostiziert an der Entscheidung vorbei.

Was du verdienst

Praktika liegen bei rund 1.650 Euro brutto im Monat. Der Einstieg bewegt sich um 4.800 Euro, mit zwei bis drei Jahren Erfahrung zwischen 5.300 und 6.800 Euro. Das sind Erfahrungswerte und keine Zusagen; Handel und Logistik zahlen eher am unteren Rand, Energie und Industrie eher darüber.

Wie es weitergeht

Ein Weg führt in die Breite Richtung Data Science, ein zweiter tiefer in die Lieferkette, wo Prognose und Bestandsoptimierung zusammenwachsen. Wer die Fachseite mag, geht in die Leitung der Absatz- oder Bedarfsplanung – dort entscheidet sich, was mit deinen Zahlen tatsächlich geschieht.