Verbrauchsgesteuerte Bedarfsprognose ist eine Klasse von Prognoseverfahren zur Bedarfsermittlung, die ausgehend vom Materialverbrauch vergleichbarer Perioden der Vergangenheit mit Hilfe mathematisch-statistischer Methoden auf den zukünftigen Bedarf schließen. Sie werden vorwiegend zur Bestimmung des Bedarfs an Hilfs- und Betriebsstoffen sowie an geringwertigen gängigen Hauptstoffen verwendet, insb. wenn diese einen relativ gleichmäßigen Verbrauch aufweisen.
Je nach den Charakteristika gegebener Bedarfsreihen erweist sich der Einsatz unterschiedlicher Vorhersageverfahren als zweckmäßig. Die am häufigsten verwendeten Verfahren sind die einfache und die gleitende Mittelwertbildung sowie die exponentielle Glättung erster, zweiter und höherer Ordnung. Daneben werden Verfahren der linearen und nichtlinearen Regressionsanalyse angewandt.
Die Bedarfsentwicklung der Vergangenheit kann konstant sein, kontinuierliche lineare oder nichtlineare Veränderungen, diskontinuierliche Strukturbrüche, regelmäßige oder unregelmäßige Schwankungen aufweisen sowie von Modeeinflüssen bestimmt werden. Dabei treten Zufallsschwankungen auf, in denen sich nicht berücksichtigte bzw. nicht berücksichtigungsfähige Bestimmungsgrößen niederschlagen. Deshalb bezeichnet man diese Verfahren auch als stochastische Prognoseverfahren.
Bei konstantem Bedarf mit Zufallsschwankungen kann man den Vorhersagewert insb. als einfachen oder gleitenden Mittelwert sowie über die exponentielle Glättung erster Ordnung bestimmen. Der einfache und der gleitende Mittelwert werden als arithmetische Mittel aus einer bestimmten Anzahl vergangener Ist-Bedarfswerte ermittelt. Während beim einfachen Mittelwert mit jeder Periode die Zahl der Istwerte zunimmt, berücksichtigt man beim gleitenden Mittelwert stets eine gleichbleibende Anzahl unmittelbar zurückliegender Periodenwerte.
Ihr Nachteil liegt darin, dass Strukturveränderungen nur langsam erkennbar werden, da alle Periodenwerte mit demselben Gewicht eingehen. Dies wird bei den in der Praxis verbreiteten Verfahren der exponentiellen Glättung vermieden. Bei der exponentiellen Glättung erster Ordnung wird der Vorhersagewert Vt + 1 unter Verwendung eines Gewichtungsfaktors a als gewichtetes arithmetisches Mittel der vergangenen Ist-Bedarfswerte rt gebildet:
Vt + 1 = art + a (1 — a) rt — 1 + a (1 — a) 2 rt — 2 + . . . = art + (1—a) V
Im Falle eines trendförmigen Bedarfsverlaufs würden die mit Hilfe der bisher beschriebenen Prognoseverfahren ermittelten Vorhersagewerte der Bedarfsentwicklung hinterherhinken. Daher muss den Verfahren ein Trend zugrunde gelegt werden. Bei linearer Bedarfsentwicklung eignen sich vor allem die exponentielle Glättung erster Ordnung mit Trendkorrektur, bei der für jede Periode der Trend neu zu berechnen ist, oder die exponentielle Glättung zweiter Ordnung.
In diesem Verfahren werden periodisch Mittelwerte erster und zweiter Ordnung bestimmt, daraus jeweils eine neue Trendgerade errechnet und mit dieser der Vorhersagewert der nächsten Periode ermittelt. Sein Vorteil liegt im vergleichsweise geringen Speicher- und Rechenaufwand. Für nicht-lineare Bedarfsentwicklungen werden vor allem Verfahren der exponentiellen Glättung dritter und höherer Ordnung verwendet. Allerdings erhöht sich mit dem Einsatz dieser Verfahren die Gefahr, dass Zufallschwankungen als systematische Schwankungen aufgefasst werden.
Wenn man für die Ausprägung der Vorhersagewerte eine Normalverteilung unterstellt, bildet die Standardabweichung s ein Maß, mit dem sich die Wahrscheinlichkeit von Fehlerabweichungen bei den verbrauchsgebundenen Vorhersageverfahren bestimmen lässt. In der datenverarbeitungsorientierten Bedarfsermittlung wird häufig die mittlere Abweichung MAD (MAD = 0,8 s) als Näherungswert für die Standardabweichung verwendet. Man berechnet sie bei den Methoden der Mittelwertbildung als Durchschnitt der vergangenen absoluten Abweichungen, während man bei der exponentiellen Glättung die absoluten Abweichungen exponentiell gewichtet. Fehlerabschätzungen dieser Art können als Grundlage zur Festlegung des Sicherheitsbestandes gewählt werden.