Ein Forecast scheitert selten an der Mathematik. Er scheitert daran, dass gestern sauber modelliert wurde, morgen aber das Marketing spontan eine Kampagne startet, ein System ausfällt oder im Meeting aus einer Prognose plötzlich ein Zielwert wird.

Genau deshalb lohnt es sich, den Begriff zu schärfen. Wer einen belastbaren Forecast erstellen will, braucht mehr als eine Zahl für die nächste Woche. Ein Forecast ist eine Vorhersage der Zukunft auf Basis der Informationen, die zum Prognosezeitpunkt tatsächlich verfügbar sind – nicht das Budget, nicht der Wunschwert und auch nicht die ex-post klug erklärte Vergangenheit. Diese Abgrenzung wirkt theoretisch, ist in der Praxis aber zentral. Sobald Forecast, Zielsystem und politische Erwartung vermischt werden, beginnt Optimismusbias.

Die eigentliche Frage lautet also nicht: Welches Modell ist das beste? Sondern: Unter welchen Bedingungen entsteht überhaupt ein Forecast, der operativ trägt?

Woran ein guter Forecast wirklich zu erkennen ist

Viele Teams messen Forecast-Qualität zu grob. Ein guter Forecast ist nicht einfach derjenige mit dem kleinsten hübsch aussehenden Prozentfehler. Er muss drei Dinge leisten: erstens möglichst genau sein, zweitens möglichst wenig systematisch danebenliegen, also wenig Bias aufweisen, und drittens Unsicherheit ehrlich abbilden.

Gerade im Workforce Management ist das entscheidend. Ein dauerhaft zu niedriger Forecast produziert Überlast, Service-Level-Probleme und hektische Nachsteuerung. Ein dauerhaft zu hoher Forecast kostet Produktivität, Schichten und Vertrauen. Mathematisch ähnlich große Fehler können operativ sehr unterschiedliche Folgen haben.

Hinzu kommt: Beliebte Kennzahlen wie MAPE oder WAPE sind für viele operative Zeitreihen erstaunlich tückisch – etwa bei Nullwerten, sehr kleinen Volumina oder stark schwankenden Reihen. Robuster sind häufig skalierte Metriken wie MASE oder RMSSE. Vor allem liefern sie einen ehrlicheren Prüfstein: Ist der Forecast überhaupt besser als ein naiver Benchmark? Wenn nicht, war die Komplexität wahrscheinlich nur teuer, nicht gut.

Die fünf erfolgreichsten Bausteine für einen guten Forecast

Wer einen guten Forecast erstellen will, sollte nicht auf das eine Wundermittel hoffen. In der Praxis sind es fünf Bausteine, die zusammen wirken.

1. Eine Methodik, die Muster wirklich versteht.
Der erste Baustein ist die Fähigkeit, die Zeitreihe selbst sauber zu lesen: Trends, mehrere Saisonalitäten, Sprungstellen, Ausreißer und Strukturwechsel. Gerade in Service- und Contact-Center-Umgebungen gibt es selten nur ein Wochenmuster. Häufig überlagern sich Tages-, Wochen-, Monats- und Jahresmuster. Wer diese Ebenen nicht erkennt, projiziert keine Zukunft, sondern nur einen Durchschnitt. Ebenso wichtig: Oft ist nicht das einzelne „beste“ Modell am stärksten, sondern die Kombination mehrerer Ansätze. Die Forschung zeigt seit Jahren, dass Forecast-Kombinationen erstaunlich robust sind. Das ist eine nüchterne, aber wichtige Botschaft gegen den verbreiteten Modellfetisch – und gegen die zu einfache Erzählung, mehr KI bedeute automatisch besseren Forecast.

2. Daten, die nicht nur sauber, sondern erklärbar sind.
Schlechte Historien ruinieren gute Modelle schneller als umgekehrt. Fehlende Werte, Buchungsfehler, Systemausfälle oder falsch behandelte Ausreißer prägen den Forecast direkt. Entscheidend ist dabei ein häufiger Denkfehler: Nicht jede Auffälligkeit gehört bereinigt. Ein extremer Peak kann ein Datenfehler sein – oder die Spur einer echten Ursache, etwa eines Feiertags, einer Promotion oder eines technischen Störfalls. Gute Datenhygiene heißt daher nicht Glattbügeln, sondern Verstehen. Wer Prognosen ernst nimmt, braucht eine Historie, in der Sonderereignisse nicht nur sichtbar, sondern nachvollziehbar dokumentiert sind.

3. Exogene Treiber, die Vergangenheit erklären und Zukunft operationalisieren.
Das ist oft der größte Hebel jenseits der Zeitreihe selbst. Kalenderfaktoren, Feiertage, Zahltage, Preise, Promotions, Mailings oder Produktänderungen sind keine Störgeräusche, sondern häufig die eigentlichen Treiber. Gerade im Kundenservice ist das offensichtlich: Ein Mailing verändert das Volumen nicht irgendwann diffus, sondern oft unmittelbar und teils über mehrere Tage hinweg. Solche Effekte müssen als erklärende Variablen in die Historie eingehen – und für die Zukunft als Planwerte, Annahmen oder Szenarien vorliegen. Sonst bleibt das Modell theoretisch gut, aber operativ blind. Ein Treibermodell ohne künftige Treiberwerte ist im Tagesgeschäft kaum nutzbar.

4. Ein Tool, das die Forecast-Logik wirklich tragen kann.
Tools werden in Projekten gern entweder überschätzt oder unterschätzt. Beides ist gefährlich. Ein Tool ist keine Wunderwaffe, aber es ist auch nicht bloß Komfort. Wenn ein System kein rollierendes Backtesting beherrscht, keine exogenen Variablen für Trainings- und Zukunftsfenster verwalten kann, keine Szenarien abbildet und Forecasts über Hierarchien sauber reconciliert, dann scheitert gute Methodik an der Betriebsrealität. Viele Unternehmen brauchen Forecasts gleichzeitig für Gesamtvolumen, Standort, Skill, Team oder Kanal. Wenn diese Ebenen nicht konsistent zusammenpassen, wird aus Planung schnell Streit über Zahlenquellen.

5. Ein Teamprozess, der Wissen einbringt, ohne den Forecast zu verbiegen.
Auch der beste Algorithmus kennt nicht jede interne Entscheidung. Fachwissen ist deshalb wertvoll – aber nur dann, wenn es echtes Zusatzwissen liefert. Genau hier liegt eine häufig unterschätzte Gefahr: Dauernde manuelle Overrides verschlechtern Forecasts oft, besonders wenn sie nur kleine Bauchgefühl-Korrekturen sind. Sinnvoll sind sparsame, dokumentierte Eingriffe mit klarer Begründung. Ein guter Prozess trennt sauber zwischen Prognose und Ziel, führt einen Event-Kalender, dokumentiert Annahmen und misst mit Forecast Value Added, welcher Schritt tatsächlich Mehrwert schafft – und welcher nur Lärm produziert.

Der blinde Fleck: Business-Agilität und Business-Fragilität

Selbst ein exzellenter Forecastprozess segelt nicht auf spiegelglatter See. Zwei Gegenkräfte laufen regelmäßig gegen Prognosequalität: Business-Agilität und Business-Fragilität.

Business-Agilität klingt positiv, ist für Forecasts aber ambivalent. Wenn heute entschieden wird, morgen eine Kampagne zu starten, ein Angebot zu drehen oder Kommunikationsvolumen kurzfristig zu verschieben, erscheint das statistisch oft als Strukturbruch. Dasselbe gilt für Business-Fragilität: Systemausfälle, Prozessstörungen, Routing-Fehler oder organisatorische Brüche verändern Mittelwert, Varianz und Muster der Reihe abrupt.

Das ist keine Ausrede für schlechte Forecasts, sondern eine wichtige Einordnung ihrer Grenzen. Viele Unternehmen suchen die Ursache reflexhaft im Modell, obwohl das eigentliche Problem in einer hochvolatilen, schlecht dokumentierten Eingriffsrealität liegt. Je spontaner das Geschäft, desto wichtiger werden Event-Dokumentation, kurze Reaktionszyklen und saubere Szenarien.

Wie Forecast-Qualität fair getestet wird

Ein Forecast ist erst dann gut, wenn er sich unter realistischen Bedingungen bewährt. Deshalb reicht ein Zufallssplit der Daten nicht. Zeitreihen müssen so getestet werden, wie sie später genutzt werden: Vergangenheit prognostiziert Zukunft. Rollierendes Backtesting mit wanderndem Forecast-Ursprung ist dafür deutlich aussagekräftiger. Es verhindert Data Leakage und schützt vor der Illusion überoptimistischer Gütewerte.

Ebenso wichtig: Die Fehlermetrik muss zur geschäftlichen Entscheidung passen. Wer Personaleinsatz plant, bewertet andere Fehlerkosten als jemand, der Budgets grob abschätzt. Nicht jede Metrik optimiert denselben Zielwert, und Über- wie Unterprognosen sind wirtschaftlich oft nicht symmetrisch. Ein guter Forecast ist daher nicht nur statistisch stark, sondern betriebswirtschaftlich passend kalibriert.

Wo selbst gute Forecasts an Grenzen stoßen

So wichtig die fünf Bausteine sind: Sie heben die Qualität deutlich, aber sie schaffen keine Gewissheit. Mit wachsendem Forecast-Horizont steigt die Unsicherheit zwangsläufig. Ein sehr guter Kurzfrist-Forecast ist nicht automatisch ein guter Monats- oder Quartals-Forecast.

Besonders schwierig bleiben Wendepunkte. Richtungswechsel, plötzliche Niveauwechsel und echte Strukturbrüche sind die Königsdisziplin der Prognostik. Hinzu kommt ein oft übersehener Punkt bei Szenario-Forecasts: Die mathematischen Intervalle unterschätzen leicht die wahre Unsicherheit, wenn die angenommenen Treiberwerte – etwa Kampagnen, Preise oder operative Maßnahmen – selbst unsicher sind.

Mit anderen Worten: Ein guter Forecast reduziert Unsicherheit. Er beseitigt sie nicht.

Was das für die Praxis bedeutet

Wer heute einen belastbaren Forecast erstellen will, sollte weniger nach dem spektakulärsten Modell fragen und mehr nach der Stabilität des Gesamtsystems. Die besten Ergebnisse entstehen dort, wo Methodik, Daten, Tool und Team zusammenspielen – und wo unternehmensseitige Eingriffe nicht als lästige Störung, sondern als dokumentierbare Treiber behandelt werden.

Genau darin liegt der praktische Wert eines ganzheitlichen Ansatzes. Er macht Forecasting von einer Excel-Disziplin zu einem steuerbaren Prozess. Und erst auf dieser Basis wird proaktives Handeln möglich: Schichten früher anpassen, Kapazitäten sauberer planen, Risiken sichtbar machen und operative Entscheidungen mit weniger Bauchgefühl treffen.

Eine stabile Grundlage dafür kann ein System wie Workforce Elements liefern: nicht als Garantie gegen jede Überraschung, aber als belastbare und wirtschaftliche Basis, um Methodik, Daten, Tooling und Teamprozess sauber zusammenzuführen. Denn ein guter Forecast ist am Ende keine Zahl mit Nachkommastellen – sondern die Voraussetzung dafür, dass Steuerung überhaupt vorausschauend statt nur reaktiv funktioniert.

Ein Forecast scheitert selten am fehlenden Algorithmus. Er scheitert meist früher: an falsch geschnittenen Daten, an ungeklärten Ausreißern oder an der Annahme, eine KI werde schon irgendwie erkennen, was fachlich nie sauber beschrieben wurde. Genau dort wird interessant, wie ein Forecast mit Workforce Elements tatsächlich funktioniert.

Öffentlich beschrieben ist der Einstieg bewusst schlank: Medientyp festlegen, Projekt anlegen, Forecast benennen, Zeiteinheit wählen, historische Daten hochladen. Importiert werden können Daten etwa per Excel, CSV, Datenbank oder API. Das wirkt simpel – und soll es für Anwender auch sein. Fachlich beginnt die eigentliche Arbeit aber erst hinter dieser Oberfläche.

Denn ein belastbarer Forecast ist kein Upload mit Zahlenausgabe. Er ist ein strukturierter Lernprozess: Das System muss erkennen, welche Muster in den Daten tragfähig sind, welche Auffälligkeiten echte Informationen enthalten und welche Vergangenheitsereignisse gerade nicht in die Zukunft fortgeschrieben werden dürfen.

Die erste Entscheidung ist keine Maske, sondern Modelllogik

Wenn in Workforce Elements Thema, Projekt und Kanal konfiguriert werden, ist das mehr als UI-Organisation. Im Workforce Management entscheidet diese Struktur darüber, welche Daten überhaupt sinnvoll zusammen betrachtet werden. Ein Voice-Forecast folgt anderen Mustern als E-Mail, Chat oder Backoffice-Vorgänge. Auch Themencluster unterscheiden sich: Rechnungsanfragen haben andere Treiber als Störungsmeldungen oder vertriebliche Peaks.

Wer hier zu grob aggregiert, bekommt oft einen statistisch ruhigen, operativ aber unbrauchbaren Forecast. Wer dagegen alles bis ins letzte Nischenthema zerlegt, produziert schnell Reihen mit zu wenig Historie. Die Kunst liegt in einer fachlich plausiblen Ebene: fein genug, um echte Muster sichtbar zu machen, stabil genug, um sie überhaupt lernen zu können.

Das ist für die spätere Nutzung zentral. Forecasts dienen nicht nur der Betrachtung einer Zeitreihe, sondern der Übersetzung in Kapazitäten, FTE, Schichtbedarf und Budget. Deshalb müssen Detailprognosen später auch wieder in größere operative und strategische Steuerungsgrößen passen.

Ohne saubere Historie lernt auch die beste Automatik das Falsche

Nach dem Setup folgt der Import historischer Ist-Daten. Genau an diesem Punkt wird in vielen Projekten zu großzügig gedacht. „Wir haben doch Daten“ reicht nicht. Entscheidend sind Zeitraum, Granularität, Vollständigkeit, Konsistenz und fachliche Lesbarkeit.

Die dokumentierte Methodik rund um Professional Workforce beschreibt deshalb ausdrücklich zuerst die Schaffung einer belastbaren Datengrundlage. Geprüft wird nicht nur, ob Werte vorliegen, sondern auch, ob sie fehlerfrei und forecastfähig sind. Fehlende Intervalle, unplausible Spitzen, Dubletten oder technische Brüche sind nicht bloß kosmetische Mängel. Sie können Mustererkennung und Modellwahl direkt verzerren.

Wichtig ist dabei eine unangenehme Wahrheit: Nicht jeder Ausreißer ist Müll. Ein extremer Peak kann auf einen Systemausfall, eine Kampagne oder einen Rechnungsversand hinweisen – also auf einen realen Prozesseffekt. Wer solche Werte blind glättet, entfernt unter Umständen genau die Information, die später erklärt, warum der Betrieb aus dem Takt geraten ist.

Deshalb ist es sinnvoll, dass Anwender auf Anomalien hingewiesen werden und Daten gezielt bearbeiten oder vom Forecast ausschließen können. Falsche Daten sollten nicht „mitgelernt“ werden. Reale Sonderlagen dagegen sollten möglichst erklärt, markiert und fachlich eingeordnet werden.

Mustererkennung: Trend, Saisonalität und Sprungstellen

Ist die Datengrundlage belastbar, beginnt die eigentliche Stärke moderner Forecast-Systeme: die automatische Mustererkennung. Die methodische Dokumentation von Professional Workforce beschreibt dafür die Erkennung von Trends, Saisonalitäten, Ausreißern und Sprungstellen sowie eine weitgehend automatische Parametrisierung.

Für die Praxis ist das entscheidend. Denn in Contact Centern und serviceorientierten Einheiten gibt es selten nur ein Muster. Häufig wirken mehrere gleichzeitig: Tagesverläufe, Wochentagslogiken, Monats- oder Jahreszyklen, saisonale Krankheitswellen, Ferieneffekte oder wiederkehrende Billing-Spitzen.

Gerade bei untertägigen Forecasts entstehen viele Fehler, weil diese Ebenen miteinander verwechselt werden. Ein Montagmorgen sieht nicht nur anders aus als ein Freitagnachmittag. Er kann sich zusätzlich im Dezember anders verhalten als im Juli. Ein gutes System muss diese Schichtungen automatisch erkennen, statt den Anwender mit Parameterlisten zu überfordern.

Hinzu kommen Sprungstellen: Zeitpunkte, an denen sich das Verhalten einer Reihe strukturell ändert. Das kann ein neues Routing sein, eine Prozessänderung, ein Produktlaunch oder die Verlagerung von Kontakten in Self Services. Solche Change Points automatisch zu erkennen, ist mächtig – aber nicht magisch. Auch gute Verfahren können Trendwechsel übersehen oder überinterpretieren. Deshalb bleibt die Möglichkeit zur fachlichen Korrektur wichtig.

Kalenderlogik und Treiber: Nicht alles, was erklärt, taugt als Prognosefaktor

Ein weiterer Baustein im Forecast mit Workforce Elements ist das Lernen von Zusammenhängen mit kalendarischen Ereignissen. Wochentage, Feiertage, Brückentage, Ferien oder typische Saisonfenster gehören heute zum Standardrepertoire moderner Forecasts. Sie liefern dem Modell Struktur, noch bevor individuelle Geschäftstreiber hinzukommen.

Spannend wird es bei expliziten Treibern: Störungen, Events, Werbemaßnahmen, Rechnungsversand, Veränderungen im Kundenstamm oder andere geschäftsnahe Einflussfaktoren. Solche Variablen können enorm wertvoll sein. Gerade im Call-Center-Umfeld zeigen Studien, dass Billing-Zyklen, Mailings oder Kampagnen die Prognosegüte deutlich verbessern können.

Aber auch hier gilt: mehr Input ist nicht automatisch besser. Fachlich sauber ist die Unterscheidung zwischen Faktoren, die für die Zukunft prognoserelevant sind, und Ereignissen, die nur rückblickend erklären, was passiert ist. Eine typische Erkältungssaison kann ein sinnvoller Prädiktor sein. Ein einmaliger Systemausfall eher nicht. Wer beides gleich behandelt, baut Ausnahmezustände in den vermeintlichen Normalbetrieb ein.

Genau deshalb braucht Automatisierung im Forecasting einen „analyst in the loop“. Das System erkennt Auffälligkeiten. Der Mensch liefert Kontext.

Nicht ein Modell gewinnt, sondern das am besten passende

Ein häufiger Denkfehler in Forecast-Projekten lautet: Hauptsache KI. Tatsächlich spricht viel dafür, nicht dogmatisch auf eine einzelne Methode zu setzen. Die öffentlich beschriebene Methodenbasis von Professional Workforce nennt ein Modellportfolio aus statistischen Verfahren wie ARIMA, exponentieller Glättung und Regressionen sowie KI-basierten Ansätzen wie neuronalen Netzen, Prophet oder XGBoost.

Das ist fachlich plausibel. Denn unterschiedliche Datenreihen reagieren auf unterschiedliche Modelllogiken. Manche lassen sich mit einfachen saisonalen Verfahren erstaunlich gut prognostizieren. Andere profitieren von komplexeren nichtlinearen Mustern oder zusätzlichen Regressoren. Studien aus dem Call-Center-Umfeld zeigen sogar ausdrücklich, dass komplexere Verfahren nicht in jeder Konstellation automatisch überlegen sind.

Der richtige Ansatz ist deshalb Wettbewerb statt Glaubensfrage: mehrere Verfahren gegeneinander laufen lassen, Eignung und Güte prüfen und dann das Modell auswählen, das nachhaltig robust arbeitet. Genau darin liegt mehr Reife als in jeder pauschalen KI-Erzählung.

Backtesting macht aus einer Vorhersage ein Steuerungsinstrument

Die vielleicht wichtigste, im Alltag aber oft unterschätzte Funktion ist die Selbstkontrolle des Systems. Ein Forecast-Modell sollte nicht nur Zukunft vorhersagen, sondern zunächst beweisen, dass es bekannte Vergangenheit unter realistischen Bedingungen sinnvoll reproduzieren kann.

Dafür wird ein Teil der Historie zum Testzeitraum. Das Modell lernt auf einem früheren Abschnitt und prognostiziert dann einen späteren Abschnitt, dessen reale Werte bereits bekannt sind. Erst dieser Vergleich zeigt, wie gut der Forecast tatsächlich ist. Backtesting ist damit kein Extra für Statistikliebhaber, sondern der Nachweis der Forecastgüte.

Wichtig ist auch, wie diese Güte gemessen wird. Im operativen Sprachgebrauch wird schnell nur auf MAPE geschaut. Das ist eingängig, aber nicht immer robust – etwa bei Reihen mit Nullen oder sehr kleinen Intervallwerten. Für kleine Themen, Randkanäle oder schwach besetzte Intervalle kann das irreführend sein. Gute Forecast-Systeme und gute Analysten betrachten deshalb Güte differenzierter.

Noch wichtiger: Ein Modell mit guter Durchschnittsmetrik ist nicht automatisch operativ gut. Entscheidend ist, ob es die für Planung relevanten Tage, Wochen und Peaks verlässlich trifft.

Die Rolle des Benutzers: nicht Störfaktor, sondern Qualitätsinstanz

Wenn Workforce Elements Anomalien meldet, ist das kein Zeichen unzureichender Automatisierung, sondern ein Qualitätsmerkmal. Gute Systeme markieren Fälle, in denen menschliches Wissen einen Unterschied macht: eine Störung, ein falsch eingespielter Wert, eine Sonderkampagne, ein externer Schock.

Das ist besonders wichtig bei One-off-Effekten. Wenn außergewöhnliche Einbrüche oder Spitzen unkommentiert in der Historie bleiben, interpretiert das Modell sie womöglich als Trendbestandteil. Die Folge ist kein kleiner Fehler, sondern eine systematische Verzerrung der Zukunft. Nutzer sollten daher die Möglichkeit haben, solche Beobachtungen zu erläutern, als Sonderereignis zu kennzeichnen oder aus dem Lernprozess auszuschließen.

Genau hier zeigt sich die eigentlich kluge Logik des Systems: Automatisierung reduziert Routinearbeit, ersetzt aber nicht das Fachurteil. Oder nüchterner gesagt: Der Forecast wird nicht besser, wenn Menschen verschwinden, sondern wenn sie an der richtigen Stelle eingreifen.

Was am Ende wirklich zählt

Ein Forecast mit Workforce Elements funktioniert also nicht deshalb gut, weil im Hintergrund KI läuft. Er funktioniert dann gut, wenn Struktur, Datenqualität, Mustererkennung, Treiberlogik, Modellvergleich und Backtesting sauber zusammenspielen. Die öffentliche Produktoberfläche macht den Einstieg einfach. Die methodische Tiefe dahinter entscheidet über die Belastbarkeit.

Das ist auch die eigentliche Lehre für Entscheider: Forecasting ist kein isoliertes Zeitreihenexperiment, sondern ein betriebswirtschaftliches Steuerungsinstrument. Es muss nicht nur mathematisch überzeugen, sondern in Personaleinsatz, Kapazitätsplanung und Kostenlogik übersetzbar sein.

Oder in einem Satz: Ein guter Forecast erkennt nicht nur die Zukunft – er trennt vor allem konsequent zwischen Muster, Ausnahme und Irrtum.

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?“