Zeitreihenanalyse für industrielle Beschaffungsteams

Was Zeitreihenanalyse für das Risikomanagement in der Beschaffung leistet

Zeitreihenanalyse ist ein statistisches Verfahren zur Untersuchung regelmäßig erfasster Daten, mit dem Ziel, Muster, Trends, saisonale Schwankungen und Prognosen zu ermitteln. Für industrielle Beschaffungsteams bedeutet das konkret: Preisbewegungen bei Rohstoffen, Lieferzeitschwankungen oder Nachfragezyklen werden sichtbar, bevor sie zur Krise werden.

Jede Zeitreihe setzt sich aus vier Grundkomponenten zusammen:

• Trend: die langfristige Richtung der Daten, etwa steigende Lithiumpreise über mehrere Quartale
• Saisonale Schwankung: wiederkehrende Muster innerhalb eines Jahres, z. B. erhöhter Bedarf an Elektronikkomponenten vor dem Jahresende
• Konjunkturelle Zyklen: mittelfristige Auf- und Abschwünge, die über ein Jahr hinausgehen
• Restschwankung: zufällige Einflüsse, die sich keiner der anderen Komponenten zuordnen lassen

Experten betonen, dass die Modellwahl stark von der Datenstruktur abhängt: Stabile, saisonale Muster lassen sich mit klassischen Modellen gut abbilden, während nicht-lineare Marktdynamiken in Rohstoffmärkten eher KI-gestützte Ansätze erfordern. Datenqualität ist dabei keine Nebenbedingung, sondern die Grundlage jeder belastbaren Prognose.

Inhaltsverzeichnis

• 1. Bedarfsprognosen auf Basis historischer Verbrauchsdaten
• 2. Trendanalysen bei Rohstoffpreisen erkennen und nutzen
• 3. Saisonale Muster in Lieferdaten aufdecken
• 4. Anomalieerkennung in Lieferkettendaten
• 5. Klassische Modelle: ARIMA und exponentielle Glättung
• 6. Machine Learning für komplexe Marktdynamiken
• 7. Deep Learning mit LSTM-Netzwerken
• Welche Datenqualität verlässliche Zeitreihenprognosen brauchen
• Wie Zeitreihenanalyse die Risikosteuerung in der Beschaffung verändert
• Zrgmineral: Prädiktive Frühwarnungen für industrielle Beschaffungsteams
• Typische Fehler bei der Anwendung von Zeitreihenanalyse im Einkauf
• Praxisbeispiele aus der industriellen Beschaffung in Deutschland
• Welche Softwaretools sich für Zeitreihenanalyse in der Beschaffung eignen
• Wie Beschaffungsteams Kompetenzen in Zeitreihenanalyse aufbauen
• Datenschutz und rechtliche Anforderungen beim Umgang mit Lieferantendaten
• Wichtige Erkenntnisse

1. Bedarfsprognosen auf Basis historischer Verbrauchsdaten

Beschaffungsteams nutzen statistische Zeitreihen, um den künftigen Materialbedarf aus vergangenen Verbrauchsmustern abzuleiten. ARIMA-Modelle eignen sich besonders für kurz- bis mittelfristige Prognosen mit erkennbaren saisonalen Mustern. Ein Automobilzulieferer kann so den Bedarf an Kupferkabeln für das nächste Quartal mit deutlich höherer Genauigkeit planen als mit einfachen Durchschnittswerten.

2. Trendanalysen bei Rohstoffpreisen erkennen und nutzen

Trendanalysen in Zeitreihen machen schleichende Preisveränderungen sichtbar, die im Tagesgeschäft leicht übersehen werden. Wer Monatsdaten für Nickel oder Kobalt über zwei Jahre visualisiert, erkennt Aufwärtstrends oft Wochen vor dem nächsten Preisschock. Das gibt dem Einkauf Zeit, Rahmenverträge anzupassen oder alternative Lieferanten zu qualifizieren.

3. Saisonale Muster in Lieferdaten aufdecken

Saisonale Zeitreihenanalyse zeigt, wann Lieferanten erfahrungsgemäß unter Druck geraten, etwa durch Produktionsstopps in Haupturlaubszeiten oder erhöhte Nachfrage in bestimmten Branchen. Wer diese Muster kennt, kann Lagerbestände gezielt aufbauen und Engpässe vermeiden, statt auf sie zu reagieren.

4. Anomalieerkennung in Lieferkettendaten

Ungewöhnliche Ausreißer in Lieferzeiten oder Preisdaten sind oft frühe Warnsignale für tieferliegende Probleme: ein Lieferant in finanziellen Schwierigkeiten, ein Produktionsausfall, eine Sanktionsmaßnahme. Automatisierte Anomalieerkennung auf Basis von Zeitreihendaten macht solche Signale systematisch auswertbar.

5. Klassische Modelle: ARIMA und exponentielle Glättung

ARIMA (Autoregressive Integrated Moving Average) ist das meistgenutzte Modell für stationäre oder durch Differenzbildung stationarisierte Zeitreihen. Die exponentielle Glättung gewichtet jüngere Beobachtungen stärker und reagiert schneller auf Trendwechsel. Beide Ansätze sind gut interpretierbar und erfordern keine umfangreiche IT-Infrastruktur.

6. Machine Learning für komplexe Marktdynamiken

Random-Forest-Modelle und Gradient-Boosting-Verfahren erfassen nicht-lineare Zusammenhänge, die klassische Modelle übersehen. Sie eignen sich, wenn viele externe Einflussfaktoren wie Wechselkurse, Energiepreise oder geopolitische Ereignisse in die Prognose einfließen sollen. Der Nachteil: höherer Datenbedarf und weniger direkte Interpretierbarkeit.

7. Deep Learning mit LSTM-Netzwerken

Long Short-Term Memory-Netzwerke (LSTM) sind speziell für sequenzielle Daten entwickelt worden und können langfristige Abhängigkeiten in Zeitreihen modellieren. Für Beschaffungsteams mit großen historischen Datensätzen und komplexen Lieferketten bieten sie die höchste Prognosegenauigkeit, erfordern aber entsprechende Datenkompetenz im Team.

Welche Datenqualität verlässliche Zeitreihenprognosen brauchen

Schlechte Daten produzieren schlechte Prognosen. Das klingt selbstverständlich, wird in der Praxis aber regelmäßig unterschätzt.

Der erste Schritt ist die visuelle Inspektion der Rohdaten. Strukturbrüche, Ausreißer und fehlende Werte fallen im Diagramm sofort auf und müssen vor der Modellierung bereinigt werden. Wer diesen Schritt überspringt, riskiert verzerrte Prognosen.

Dann kommt die Frage der Stationarität: Eine Zeitreihe ist stationär, wenn Mittelwert und Varianz über die Zeit konstant bleiben. Viele Rohstoffpreisreihen sind das nicht. Ohne geeignete Transformationen wie Differenzbildung oder Box-Cox-Transformation sind Prognosen schlicht unbrauchbar.

Weitere Vorbereitungsschritte:

• Downsampling: Feingranulare Daten, etwa stündliche Sensormessungen, werden auf Tages- oder Wochenwerte aggregiert, um Rauschen zu reduzieren und strategisch relevante Trends sichtbar zu machen.
• ASOF-JOINs: Lieferantendaten mit abweichenden Zeitstempeln lassen sich so mit internen Zeitreihendaten verknüpfen, ohne Lücken zu erzeugen.
• Fensteraggregation: Gleitende Durchschnitte glätten kurzfristige Schwankungen und machen den eigentlichen Trend erkennbar.

Profi-Tipp: Prüfen Sie Ihre Zeitreihendaten mit dem Augmented-Dickey-Fuller-Test auf Stationarität, bevor Sie ein Modell wählen. Viele Fehlprognosen entstehen nicht durch das falsche Modell, sondern durch nicht stationarisierte Eingangsdaten.

Wie Zeitreihenanalyse die Risikosteuerung in der Beschaffung verändert

Der eigentliche Mehrwert liegt im Übergang von reaktivem zu vorausschauendem Handeln. Wer erst reagiert, wenn ein Lieferant in Verzug gerät, hat bereits verloren. Zeitreihenmodelle integriert mit Echtzeit-Lieferkettendaten ermöglichen es, Risiken Wochen im Voraus zu erkennen und zu quantifizieren.

Konkrete Vorteile für Beschaffungsteams:

• Versorgungssicherheit: Frühzeitige Erkennung von Engpasssignalen gibt Zeit für Gegenmaßnahmen, bevor die Produktion betroffen ist.
• Preisrisiken in Euro ausdrücken: Statt abstrakter Risikoeinschätzungen lassen sich finanzielle Auswirkungen konkret beziffern.
• Planungssicherheit: Verlässlichere Bedarfsprognosen reduzieren Überbestände und Notfallkäufe zu Höchstpreisen.
• Lieferantenmanagement: Anomalien in Lieferperformance-Daten werden frühzeitig sichtbar und ermöglichen gezielte Gespräche.

Experten empfehlen, Zeitreihenanalyse mit KI-Modellen und Echtzeitdaten zu kombinieren, um die bestmöglichen Ergebnisse im Risikomanagement zu erzielen. Ein Beschaffungsteam, das nur historische Daten auswertet, sieht immer in den Rückspiegel. Erst die Verbindung mit aktuellen Marktdaten macht daraus ein Frühwarnsystem.

Zrgmineral: Prädiktive Frühwarnungen für industrielle Beschaffungsteams

Zrgmineral kombiniert Zeitreihenanalyse, Echtzeit-Marktdaten und dokumentierte Due-Diligence zu einer Plattform, die Beschaffungsteams bis zu 6–8 Wochen vor Preissteigerungen und Materialengpässen warnt.

Die Plattform deckt den gesamten Prozess ab: von der Risikoerkennung über die Quantifizierung in Euro bis zur Compliance-Validierung nach LkSG und CRMA mit auditierbarem Zertifikat. Die Watcher-Methodik visualisiert Lieferkettennetzwerke bis auf Tier-2-Ebene und Upstream, inklusive Sanktions-Screening und Frachtwegeanalyse.

Beschaffungsteams, die kritische Rohstoffe managen, können mit einem kostenlosen Materialrisikocheck starten und ihre Exposition konkret einschätzen lassen.

Typische Fehler bei der Anwendung von Zeitreihenanalyse im Einkauf

Der häufigste Fehler: Modelle werden auf nicht stationären Daten trainiert. Das Ergebnis sind Prognosen, die historische Trends extrapolieren, aber keine echten Muster erkennen. Wer den Dickey-Fuller-Test weglässt, merkt das oft erst, wenn die Prognose deutlich daneben liegt.

Zweiter klassischer Fehler: zu wenig Datenhistorie. ARIMA braucht mindestens zwei vollständige Saisonzyklen, um saisonale Muster zuverlässig zu schätzen. Wer mit 12 Monaten Daten arbeitet und jährliche Saisonalität modellieren will, bekommt instabile Schätzungen.

Dazu kommt die Überanpassung bei Machine-Learning-Modellen. Ein Modell, das auf Trainingsdaten perfekt funktioniert, aber auf neuen Daten versagt, ist für die Praxis wertlos. Regelmäßige Kreuzvalidierung und ein separater Testdatensatz sind Pflicht.

Und schließlich: fehlende Aktualisierung. Zeitreihenmodelle veralten. Wer ein Modell einmal trainiert und dann zwei Jahre unverändert lässt, riskiert systematische Fehlprognosen, weil sich Marktstrukturen verändert haben.

Praxisbeispiele aus der industriellen Beschaffung in Deutschland

Ein mittelständischer Maschinenbauer in Bayern hat Zeitreihenmodelle eingesetzt, um den Stahlbedarf für die nächsten drei Monate zu prognostizieren. Durch die Kombination interner Verbrauchsdaten mit externen Preisindizes konnte das Team Einkaufszeitpunkte gezielt optimieren.

Ein Chemieunternehmen im Ruhrgebiet nutzt saisonale Zeitreihenanalyse, um Schwankungen bei Vorprodukten aus Asien frühzeitig zu erkennen. Die Integration von Lieferantendaten über ASOF-JOINs hat die Datenqualität deutlich verbessert und manuelle Abgleiche überflüssig gemacht.

Beide Beispiele zeigen: Der Einstieg muss nicht mit Deep-Learning-Modellen beginnen. Oft liefern gut kalibrierte ARIMA-Modelle auf sauberen Daten bereits erheblichen Mehrwert.

Welche Softwaretools sich für Zeitreihenanalyse in der Beschaffung eignen

Python mit den Bibliotheken pandas, statsmodels und Prophet ist der De-facto-Standard für datenaffine Teams. Die Einstiegshürde ist real, aber der Funktionsumfang unübertroffen. Für Teams ohne Programmierkenntnisse bieten sich spezialisierte Plattformen an, die Zeitreihenmodellierung über grafische Oberflächen zugänglich machen.

MATLAB eignet sich für Unternehmen mit bestehender Lizenz und ingenieurwissenschaftlichem Hintergrund. ArcGIS Insights bietet zeitliche Analyse für geografisch verteilte Lieferkettendaten. Für die Datenbankintegration und Verarbeitung großer Zeitreihendatenmengen hat sich Snowflake mit nativen Zeitreihenfunktionen etabliert.

Entscheidend bei der Toolauswahl: Kann das System Lieferantendaten aus verschiedenen Quellen mit unterschiedlichen Zeitstempeln zusammenführen? Und lässt es sich in bestehende ERP-Systeme wie SAP integrieren? Wer diese Fragen vorab klärt, vermeidet teure Nacharbeiten.

Wie Beschaffungsteams Kompetenzen in Zeitreihenanalyse aufbauen

Nicht jedes Teammitglied muss Python beherrschen. Aber das Grundverständnis für Stationarität, Saisonalität und Modellgüte sollte im gesamten Team vorhanden sein. Strukturierte Weiterbildungen zu Datenanalyse helfen dabei, dieses Fundament zu legen, ohne dass alle zu Datenwissenschaftlern werden müssen.

Sinnvoll ist eine klare Rollenverteilung: Datenspezialisten bauen und pflegen die Modelle, Einkäufer interpretieren die Ergebnisse und leiten Maßnahmen ab. Wer diese Trennung nicht vornimmt, riskiert, dass Modelle gebaut werden, die niemand im operativen Alltag nutzt. Schulungen zum Risikomanagement ergänzen die technische Ausbildung um die betriebswirtschaftliche Perspektive.

Datenschutz und rechtliche Anforderungen beim Umgang mit Lieferantendaten

Wer Lieferantendaten in Zeitreihenmodellen verarbeitet, bewegt sich im Geltungsbereich der DSGVO. Personenbezogene Daten, etwa Kontaktdaten von Ansprechpartnern bei Lieferanten, dürfen nur mit Rechtsgrundlage verarbeitet werden. Reine Transaktionsdaten wie Liefermengen und Preise fallen in der Regel nicht darunter, solange sie keiner natürlichen Person zugeordnet werden können.

Das Lieferkettensorgfaltspflichtengesetz (LkSG) verpflichtet Unternehmen ab einer bestimmten Größe, Risiken in der Lieferkette systematisch zu dokumentieren. Zeitreihenbasierte Risikoanalysen können Teil dieser Dokumentation sein, müssen aber revisionssicher gespeichert werden. Die EU-Verordnung über kritische Rohstoffe (CRMA) fügt weitere Anforderungen an Transparenz und Diversifizierung hinzu.

Verträge mit Lieferanten sollten explizite Klauseln zur Datennutzung enthalten, besonders wenn Lieferantendaten in externe Analyseplattformen übertragen werden. Interne Datenschutzbeauftragte sollten bei der Implementierung von Zeitreihenanalyse-Systemen frühzeitig eingebunden werden.

Wichtige Erkenntnisse

Zeitreihenanalyse ist für industrielle Beschaffungsteams kein akademisches Werkzeug, sondern die Grundlage für proaktive Risikosteuerung bei Materialengpässen und Preisrisiken.

Empfehlung

• Fachartikel – Material Risk & CRMA | ZRG Mineral | ZRG Mineral
• Watcher — Material-Netzwerk Methodik | ZRG Mineral | ZRG Mineral
• ZRG Mineral — Lieferengpässe erkennen, bevor sie die Produktion treffen | ZRG Mineral
• ZRG Mineral — Lieferengpässe erkennen, bevor sie die Produktion treffen | ZRG Mineral