Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
Jede Lieferkette birgt zwei kostspielige Risiken, die in entgegengesetzte Richtungen wirken. Bei einem Lieferengpass geht sofort ein Verkauf verloren – sichtbar, direkt und unwiederbringlich. Bei zu hohen Lagerbeständen zeigen sich die Kosten erst später: durch Abschreibungen, Preisnachlässe oder im Lager gebundenes Kapital. Beides sind reale, quantifizierbare Kosten. Da ein einziger Prognosefehler je nach Richtung das eine oder das andere auslösen kann, führt bereits eine moderate Verbesserung der Prognosegenauigkeit dazu, beide Risiken gleichzeitig zu reduzieren, anstatt sie lediglich gegeneinander aufzuwiegen.
Das ist ein Grund, warum Bedarfsplanung einen ungewöhnlich klaren Einblick in das bietet, was wir bei Averdas als operative Produktivität bezeichnen: die Fähigkeit eines Unternehmens, seine Prozesse, Ressourcen und Anpassungsfähigkeit in messbare wirtschaftliche Ergebnisse umzuwandeln. Dass bessere Prognosen einem Unternehmen helfen, ist keine neue Erkenntnis. Neu ist jedoch, wie direkt und nachweisbar aktuelle KI-gestützte Ansätze im Demand Planning diese Verbesserung in den ausgewiesenen Finanz- und Betriebskennzahlen sichtbar machen.
Zwei Produktivitätsfaktoren, ein operativer Hebel
Averdas untersucht die Unternehmensproduktivität anhand von vier Dimensionen: Anlagenproduktivität, Prozessproduktivität, Ressourcenproduktivität und Resilienzproduktivität. Demand Planning liegt genau an der Schnittstelle von zweien dieser Dimensionen.
Prozessproduktivität fragt danach, wie effizient die operativen Arbeitsabläufe und Verfahren eines Unternehmens funktionieren. Ein Sales-and-Operations-Planning-Zyklus (S&OP), der in einem festen monatlichen Rhythmus abläuft und weitgehend auf historischen Verkaufsdaten basiert, ist ein Prozess mit einer strukturellen Einschränkung: Er kann nur so gut sein wie die Annahme, dass die Zukunft der Vergangenheit ähnelt. Wenn diese Annahme nicht mehr zutrifft – etwa durch eine Werbeaktion, ein Wetterereignis oder eine makroökonomische Veränderung –, hinkt der Prozess der Realität hinterher, bis der nächste Überprüfungszyklus greift.
Resilienzproduktivität fragt danach, wie ein Unternehmen seine Leistung aufrechterhält, wenn sich die Bedingungen ändern. Ein Prognoseprozess, der kontinuierlich neue Signale einbezieht, anstatt auf den nächsten monatlichen Zyklus zu warten, ist ein Prozess, der für eine Welt mit sich ständig ändernden Bedingungen ausgelegt ist – was eine treffende Definition von Resilienz auf operativer Ebene darstellt.
Demand Planning durch diese Brille zu betrachten, erfordert keine speziellen neuen Technologieversprechen. Es macht lediglich etwas sichtbar, das oft als reine Back-Office-Funktion behandelt wird: Es ist einer der messbaren Bereiche, in denen «effiziente Prozesse» und «Anpassungsfähigkeit» direkt beobachtet und nicht nur abgeleitet werden können.
Warum kleine Genauigkeitsgewinne grosse finanzielle Effekte erzielen
Der Mechanismus ist es wert, erläutert zu werden, da er erklärt, warum die unten aufgeführten Ergebnisse so signifikant sind. Herkömmliche statistische Prognosen stützen sich fast ausschliesslich auf historische Verkaufsdaten. Neuere, KI-gestützte Ansätze beziehen ein weitaus breiteres Spektrum externer Signale ein – Wetter, Aktionskalender und makroökonomische Indikatoren – und aktualisieren diese vorwiegend kontinuierlich statt nach einem festen Zeitplan. Laut der diesem Artikel zugrunde liegenden Forschung dokumentiert der Supply-Chain-Planning-Bericht 2026 der Boston Consulting Group eine EBITDA-Verbesserung von 2 Prozentpunkten bei einem globalen Industrieunternehmen nach der Integration von agentischer KI in den S&OP-Workflow – beschrieben als geprüftes Finanzergebnis und nicht als Umfrageschätzung.
Da ein einzelner Prognosefehler je nach Richtung entweder zu einem Lieferengpass oder zu einer Bestandsabschreibung führen kann, führt selbst eine kleine Verbesserung der Genauigkeit dazu, beide Risiken gleichzeitig zu verringern. Das ist der strukturelle Grund, warum sich die finanziellen Auswirkungen potenzieren, anstatt sich nur zu addieren. Deshalb betrachten operative Forscher die Prognosegenauigkeit zunehmend als eine Produktivitätskennzahl, die es wert ist, verfolgt zu werden, unabhängig davon, welche spezifische Technologie die Verbesserung bewirkt hat.
Was die Belege zeigen
Drei namentlich genannte, öffentlich dokumentierte Fälle veranschaulichen den Mechanismus in unterschiedlichem Massstab. Alle unten aufgeführten Zahlen stammen aus von Anbietern veröffentlichten Fallstudien mit namentlich genannten Unternehmenskunden und Führungskräften – nicht aus nicht zugeordneten Branchendurchschnitten.
- AB InBev, das mehr als 100'000 Lieferanten, 270 Werke und 500 Marken verwaltet, hat seine Altsysteme für die Planung, darunter SAP APO, durch eine KI-gestützte integrierte Planungsplattform von o9 Solutions ersetzt. Laut Elito Siqueira, dem Chief Supply Chain und Distribution Officer des Unternehmens für Nordamerika, konnten die Lieferengpässe innerhalb von drei bis vier Jahren etwa halbiert werden. Die Lagerbestände sind um 20 % gesunken, und die Prognosegenauigkeit hat sich um mehr als 11 Prozentpunkte auf über 87 % verbessert. 85 % der Nachfrageplanung in den USA erfordern mittlerweile keinen manuellen Eingriff mehr.
- Discount Tire, ein US-amerikanischer Einzelhändler für Reifen und Räder mit über 1'200 Filialen und mehr als einer Million verwalteten Produktplatzierungen, hat eine KI-gestützte Nachfrageplanung und Warenauffüllung von Blue Yonder auf Basis von Microsoft Azure implementiert. Das Unternehmen berichtet von einer Verbesserung der Prognosegenauigkeit um 600 Basispunkte und einer Steigerung der Liefertreue (Vendor Fill-to-Order) um 1'000 Basispunkte.
- American Tire Distributors hat eine Plattform für probabilistische Prognosen von ToolsGroup eingeführt, um den Lagerbestand in seinem gesamten Vertriebsnetz zu verwalten. Laut Sarah Voorhees, VP of Demand und Inventar Planning des Unternehmens, konnte der Bestand an Ersatzteilen innerhalb von drei Jahren um 30 % reduziert werden, während das Serviceniveau im gleichen Zeitraum von 87 % auf 97 % stieg.
Was diese drei Fälle gemeinsam haben, ist nicht eine einzelne zugrunde liegende Technologie – die Wissensgraf-Architektur von o9, die Machine-Learning-Prognose-IP von Blue Yonder und die probabilistische Methodik von ToolsGroup sind grundlegend verschiedene Ansätze –, sondern ein gemeinsames Muster: Lagerbestandsreduzierung und Verbesserung des Serviceniveaus entwickeln sich in die gleiche Richtung, anstatt gegeneinander abgewogen zu werden. Genau dieses Muster macht einen Gewinn an Prognosegenauigkeit zu einem Produktivitätssignal und nicht zu einer blossen Kostensenkungsmassnahme: Das Unternehmen nimmt nicht mehr Lieferengpässe in Kauf, um weniger Lagerbestand zu halten, oder umgekehrt – es gewinnt mehr verwertbare Informationen aus derselben operativen Basis.
Die Sichtweise für Investoren
Dies ist weder eine Aussage über die Aktien eines genannten Unternehmens noch über die Bestände von Averdas oder einen spezifischen Produktivitätswert. Der Wert für einen Investor, der Produktivität als strukturellen Treiber der Wettbewerbsfähigkeit untersucht, liegt im Muster, nicht im Einzelfall: Unternehmen, die eine gleichzeitige Verbesserung von Serviceniveau und Kapitaleffizienz nachweisen können, zeigen etwas, das vergleichsweise schwer vorzutäuschen oder allein durch ein Quartal mit Kostensenkungen aufrechtzuerhalten ist. Ein einmaliger Abbau von Lagerbeständen kann die Bilanz vorübergehend schönfärben; eine mehrjährige, belegte Verbesserung sowohl der Prognosegenauigkeit als auch des Serviceniveaus ist eine andere Art von Nachweis.
Dies verdeutlicht auch, warum Averdas Prozess- und Resilienzproduktivität als Faktoren betrachtet werden, die mit definierten Daten und Methoden operationalisiert werden müssen, anstatt sie nur qualitativ zu beschreiben. «Das Unternehmen hat seine Lieferkette verbessert» ist keine investierbare Beobachtung. «Die Prognosegenauigkeit verbesserte sich über drei bis vier Jahre um 11 Prozentpunkte, wobei die Lieferengpässe um etwa 50 % und die Lagerbestände um 20 % sanken, laut Angaben der genannten Führungskraft» kommt der Art von strukturierten, belegten und zeitlich eingeordneten Nachweisen näher, die ein produktivitätsbasierter Investmentansatz bewerten soll – selbst wenn diese, wie hier, aus Fallstudien von Drittanbietern stammen und nicht aus den eigenen proprietären Daten von Averdas.
