← Zurück zu allen Tipps4. Oktober 2026

Warum Zeitreihenprognosen schwierig sind

Zukünftige Werte aus historischen Daten vorherzusagen klingt einfach, bis man es versucht. Die Schwierigkeit liegt nicht in der Mathematik – sondern darin, dass reale Zeitreihen eine Mischung aus drei verschiedenen, übereinandergelagerten Signalen sind, und eine Prognose ist nur so gut wie ihre Fähigkeit, diese zu trennen.

Die drei Komponenten

Trend ist die langfristige Richtung – zum Beispiel ein Umsatz, der Jahr für Jahr generell wächst. Saisonalität ist ein sich wiederholendes Muster mit fester Periode – Traffic-Spitzen am Wochenende, Verkaufsschübe im Dezember, Support-Tickets am Montagmorgen. Rauschen (oder Residuum) ist das, was übrig bleibt: echte Zufälligkeit, die kein Modell vorherzusagen versuchen sollte, weil sie per Definition nicht vorhersagbar ist.

Eine Prognose, die diese nicht trennt, macht etwas erkennbar Falsches: Ein Modell, das die Spitze vom letzten Dezember als "den Trend" behandelt, wird bis in den nächsten Sommer hinein eine hohe, steigende Basislinie vorhersagen.

Warum naive Extrapolation scheitert

Die einfachste denkbare Prognose – "nächste Woche sieht aus wie diese Woche" – scheitert, sobald Saisonalität existiert, weil sie kein Konzept eines wiederkehrenden Zyklus kennt. Ein etwas besserer naiver Ansatz – "nächste Woche sieht aus wie dieselbe Woche im letzten Jahr" – ignoriert Trend vollständig und wird ein wachsendes oder schrumpfendes Geschäft systematisch unter- oder überschätzen.

Stationarität, und warum Modelle sich darum kümmern

Viele klassische Prognosemethoden (darunter ARIMA) setzen voraus, dass sich die statistischen Eigenschaften der Reihe – ihr Mittelwert, ihre Varianz – über die Zeit nicht ändern, eine Eigenschaft namens Stationarität. Die meisten realen Daten sind von sich aus nicht stationär (ein wachsendes Geschäft hat per Definition einen sich ändernden Mittelwert), daher arbeiten diese Methoden meist mit einer transformierten Version der Daten – etwa differenziert, um den Trend zu entfernen – und übersetzen die Prognose anschließend zurück.

Neuere Ansätze (Prophet sowie Sequenzmodelle wie LSTMs und GRUs) lockern diese Anforderung und können Trend und Saisonalität direkter modellieren, auf Kosten von mehr benötigten Daten und mehr Rechenaufwand fürs Training.

Was Prognosequalität tatsächlich bestimmt

Die ehrliche Antwort: wie viel der Variation in den Daten Trend und Saisonalität ist (vorhersagbar) gegenüber Rauschen (nicht vorhersagbar). Eine Absatzprognose mit starker, konsistenter Saisonalität kann über Monate hinweg wirklich genau sein. Eine Prognose für etwas, das von einmaligen externen Ereignissen getrieben wird, hat eine harte Obergrenze an Genauigkeit, die keine noch so ausgefeilte Modellierung anheben kann – und ein guter Prognoseprozess sagt das explizit, statt eine selbstsichere Zahl ohne Unsicherheitsangabe zu präsentieren.