Die einfache Antwort auf die Frage, was man mit Workforce Elements Forecasting vorhersagen kann, lautet: erstaunlich viel. Die bessere Antwort ist: viel – aber längst nicht alles.

Genau hier beginnt die eigentliche Diskussion. Denn in der Praxis wird Forecasting gern entweder zu eng gedacht – als reine Anrufprognose im Contact Center – oder zu weit – nach dem Motto: Wenn es historische Werte gibt, wird die KI schon etwas Sinnvolles daraus machen. Beides greift zu kurz.

Forecasting ist keine magische Kurvenverlängerung, sondern die datenbasierte Vorhersage zukünftiger Werte auf Basis von Zeitreihen, Mustern und, wenn verfügbar, erklärenden Treibern. Wer mit Workforce Elements arbeitet, kann deshalb nicht nur Kontaktvolumina prognostizieren, sondern prinzipiell jede operative Kennzahl, die sich sauber über die Zeit abbilden lässt. Die entscheidende Einschränkung lautet allerdings: Zeitbezug ist nur die Eintrittskarte, nicht der Qualitätsbeweis.

Forecastbar ist nicht jede Reihe, sondern jede Reihe mit Struktur

Aus dem Produktaufbau von Workforce Elements lässt sich eine relativ klare Logik ablesen: Historische Daten werden in einer definierten Zeiteinheit geladen, etwa aus Excel, CSV, Datenbanken oder per API. Das spricht technisch nicht für einen einzelnen Spezialfall, sondern für generische strukturierte Zeitreihen.

Journalistisch sauber formuliert heißt das: Mit Workforce Elements lassen sich nicht nur klassische WFM-Größen forecasten, sondern grundsätzlich unterschiedliche operative Kennzahlen – wenn diese Kennzahlen ein wiederkehrendes Verhalten zeigen.

Das ist der springende Punkt. Gute Forecasts entstehen dort, wo Reihen Muster tragen: Tagesverläufe, Wochenrhythmen, Monatspeaks, saisonale Effekte, Feiertagsmuster oder wiederkehrende Prozessimpulse. Gerade operative Umfelder sind dafür erstaunlich dankbar. Im 5-Minuten-, Stunden- oder Tagesraster tauchen oft mehrere Saisonalitäten gleichzeitig auf. Genau deshalb sind eingehende Anrufe ein Lehrbuchbeispiel: morgens anders als mittags, montags anders als samstags, Dezember anders als August.

Dasselbe Prinzip gilt auch jenseits des Contact Centers. Dokumenteneingänge schwanken nach Postläufen, Rechnungsausgang oder Mahnwellen. Kassenauslastung folgt Öffnungszeiten, Wochentagen und saisonalen Kaufmustern. In der Hotellerie reagieren Buchungen auf Ferienzeiten, Wochentage und Buchungsvorlauf. Selbst der Bedarf in einer Spülküche kann, vernünftig aggregiert, an Gästefrequenz, Veranstaltungsdichte oder Tischumschlag gekoppelt sein.

Die Kernthese lautet also nicht: „Man kann alles forecasten.“ Sondern: Man kann vieles forecasten, wenn sich operative Regelmäßigkeit erkennen, messen und fachlich erklären lässt.

Die stärksten Use Cases liegen dort, wo Planung wehtut

Der eigentliche Nutzen von Forecasting in Workforce Elements liegt nicht in hübschen Jahreskurven, sondern in Situationen, in denen Abweichungen teuer werden. Das ist ein wichtiger Unterschied.

In Workforce-Umfeldern geht es oft um Planung auf mehreren Ebenen zugleich: Jahr, Monat, Woche, Tag, Intervall. Wer zu grob prognostiziert, plant vorbei. Wer zu fein prognostiziert, ohne ausreichende Datenbasis, erzeugt Scheingenauigkeit. Gute Forecasts müssen deshalb operativ anschlussfähig sein.

Besonders geeignet sind Kennzahlen, die unmittelbar in Kapazität, Besetzung oder Steuerung übersetzt werden können. Dazu gehören zum Beispiel:

Anruf- und Kontaktvolumina: der klassische Fall, weil Muster, Mehrfach-Saisonalität und betriebliche Relevanz meist klar ausgeprägt sind.

Dokumenteneingänge: etwa in Backoffice-, Versicherungs- oder Versorgungsprozessen, sofern Sendungs- oder Verarbeitungsspitzen regelmäßig auftreten.

Bearbeitungsdauern: nicht nur Mengen, auch AHT oder ähnliche Dauern lassen sich prognostizieren – allerdings methodisch anders als Zählwerte.

Krankenquoten auf aggregierter Ebene: nicht individuell, wohl aber für Teams, Bereiche oder Standorte, wenn saisonale Muster und ausreichend Historie vorliegen.

Hotelbuchungen und Pickup-Entwicklung: insbesondere dort, wo Buchungsvorläufe als zusätzlicher Treiber verfügbar sind.

Kassenauslastung oder Besucherströme: typischerweise gut geeignet, wenn Öffnungszeiten, Kalender, Aktionen und lokale Muster sauber vorliegen.

Der gemeinsame Nenner ist nicht die Branche. Es ist die operative Wiederholbarkeit.

Treiber sind oft wichtiger als der Algorithmus

Viele Forecast-Projekte scheitern nicht am Modell, sondern an einer zu schlichten Vorstellung von Ursache und Wirkung. Historische Werte allein reichen häufig für einen ersten Forecast. Wirklich besser werden Prognosen aber oft erst dann, wenn relevante Treiber sauber integriert werden.

Typische Treiber sind Werbemaßnahmen, Rechnungsläufe, Mahnungen, Postversand, Feiertage, Wochentage, Aktionen, Ferien oder lokale Events. Im Hotel können Booking Curves entscheidend sein, im Servicecenter Kampagnen, im Retail Promotion-Kalender oder Wettereffekte.

Wichtig ist allerdings eine oft übersehene fachliche Regel: Ein Treiber hilft nur, wenn sein zukünftiger Wert bekannt, belastbar schätzbar oder als Szenario setzbar ist. Ein geplanter Rechnungsversand ist ein guter Treiber. Eine diffuse Erwartung wie „die Medienlage wird wohl unruhig“ ist keiner.

Ebenso wichtig: Treiber sollten nicht nach Bauchgefühl gesammelt werden. Dass Fachbereiche einen Zusammenhang plausibel finden, heißt noch nicht, dass er den Forecast wirklich verbessert. Der belastbare Weg ist Backtesting: also prüfen, ob ein zusätzlicher Einflussfaktor die Prognose im Rückblick tatsächlich besser macht. Nicht jede gute Story ist auch ein guter Prädiktor.

Was man nicht in einen Topf werfen sollte

Eine Stärke und zugleich eine typische Fehlerquelle in Forecast-Projekten ist die Vielfalt der Zielgrößen. Denn Menge ist nicht gleich Quote ist nicht gleich Dauer.

Anrufzahlen, Dokumentenvolumina oder Buchungen sind Zählreihen. Krankenstände sind Quoten. Bearbeitungszeiten oder Gesprächsdauern sind Dauern. Methodisch ist das nicht dasselbe, und in der Praxis merkt man das spätestens dann, wenn kleine, unregelmäßige Volumina auf dieselbe Weise behandelt werden wie große stabile Mengen.

Vor allem sehr kleinteilige Reihen sind heikel. Wenn eine Kennzahl auf feiner Granularität viele Nullen enthält oder nur sporadisch auftritt, wird Forecasting deutlich schwieriger. Manche Muster werden dann erst sichtbar, wenn man auf Tages- statt Intervallniveau aggregiert. Wer also etwa seltene Dokumentarten, Sondertätigkeiten oder kleinteilige Küchenbedarfe prognostizieren will, sollte zuerst die richtige Aggregation wählen – nicht zuerst das anspruchsvollste Modell.

Wo Workforce Elements an Grenzen stößt

Es wäre zu bequem, jetzt zu sagen: Nicht forecastbar ist alles Chaotische, etwa das Wetter. So einfach ist es nicht. Wetter ist grundsätzlich prognostizierbar – nur mit hochspezialisierten Modellen und begrenztem Horizont. Als Negativbeispiel für Workforce-Software taugt es daher nur bedingt.

Die besseren Warnbeispiele sind Reihen, die stark von Strukturbrüchen, geopolitischen Schocks oder schwer beobachtbaren Erwartungen geprägt sind: Ölpreise, Wechselkurse oder andere Marktpreise. Hier ist die Zukunft der Vergangenheit oft gerade nicht ähnlich genug, damit ein generischer operativer Forecast stabil trägt.

Auch in typischen Unternehmensprozessen gibt es solche Grenzen. Automatische Forecasts leiden, wenn sich das zugrunde liegende System abrupt ändert: neue Produkte, geänderte Prozesse, regulatorische Eingriffe, Fusionen, Krisen, Pandemien, Filialschließungen oder radikale Routing-Logiken. Dann hilft keine glatte KI-Erzählung. Dann braucht es Szenarien, Expertenurteil und oft einen bewussten methodischen Neustart.

Der relevante Praxissatz lautet daher: Nicht alles, was historisch vorliegt, ist für Standard-Forecasting ein guter Fall. Besonders misstrauisch sollte man bei Reihen werden, deren Verhalten überwiegend von singulären externen Ereignissen bestimmt wird.

Datenqualität schlägt Tool-Euphorie

Ein weiterer blinder Fleck in vielen Projekten: Die Diskussion dreht sich schnell um Algorithmen, obwohl die Forecast-Güte oft viel früher entschieden wird – in den Daten.

Missing Values, fehlerhafte Zeitstempel, Ausreißer, Systemwechsel, doppelte Zählungen oder falsch interpretierte Peaks stören Forecasts massiv. Noch problematischer ist es, Anomalien einfach glattzubügeln, ohne ihre Ursache zu verstehen. War der Peak ein Messfehler, eine Kampagne, eine Störung oder ein echter Nachfrageeffekt? Wer das nicht klärt, trainiert im Zweifel das Falsche.

Dazu kommt die Frage der Hierarchie. In realen Organisationen muss ein Forecast nicht nur „gut“ sein, sondern auch zusammenpassen: Intervall zu Tag, Tag zu Woche, Kanal zu Gesamtvolumen, Standort zu Region. Wenn Detail- und Aggregatprognosen sich widersprechen, leidet nicht nur die Statistik, sondern die Steuerbarkeit.

Der erwachsene Blick auf Forecasts: nie nur ein Wert

Ein seriöser Forecast ist kein einzelner Punkt auf einer Kurve, sondern eine Aussage über Erwartung und Unsicherheit. Je weiter der Horizont, desto breiter wird der Korridor. Für operative Planung ist das keine akademische Fußnote, sondern entscheidend.

Wer nur einen exakten Zielwert fordert, bekommt häufig Scheinsicherheit. Wer dagegen mit Unsicherheitsbandbreiten arbeitet, plant robuster: etwa bei Reservekapazitäten, Schichtoptionen oder Eskalationsregeln. Gerade hier zeigt sich, ob Forecasting als Steuerungsinstrument verstanden wird – oder nur als Zahlengenerator.

Was bleibt

Mit Workforce Elements lassen sich sehr unterschiedliche Kennzahlen forecasten: von Anrufvolumina über Dokumenteneingänge bis zu Buchungen, Auslastungen, Dauern oder aggregierten Quoten. Die entscheidende Bedingung ist aber nicht, dass eine Zahl in Excel steht. Die entscheidende Bedingung ist, dass sie einer erkennbaren operativen Logik folgt.

Wer Muster, Treiber, Datenqualität, Aggregation und Unsicherheit ernst nimmt, kann Forecasting weit über klassische Contact-Center-Volumina hinaus nutzen. Wer dagegen glaubt, jede beliebige Reihe lasse sich per Knopfdruck sinnvoll in die Zukunft verlängern, verwechselt Software mit Orakel.

Die wichtigste Erkenntnis für Entscheider lautet deshalb: Nicht die Frage „Kann man das forecasten?“ ist entscheidend, sondern die Frage „Woran würde ein belastbarer Forecast hier überhaupt erkennbar sein?“