Prognosen kommunizieren: Fächerdiagramme, Szenarien und das Modell dahinter

Kurz gesagt

Niveau: Profi

Eine Prognose ist ein Bündel möglicher Zukünfte, keine Linie.

  • Zeichne sie als Fächerdiagramm: eine zentrale Prognose mit einem 50 % und einem 90 % Band, die mit dem Horizont breiter werden, weil sich Fehler aufstapeln.
  • Das Modell bestimmt das Band: Zeitreihenmodelle liefern Intervalle, die mit der Zeit wachsen, eine Regression liefert Intervalle, die weg von deinen Daten wachsen, Machine Learning liefert oft nur eine Zahl, bis du Quantilmodelle, Backtest Fehler oder Conformal Prediction ergänzt.
  • Bänder fallen meist zu schmal aus, lies sie als Mindestmaß an Zweifel.
  • Ergänz bis zu drei Szenarien mit aufgeschriebenen Annahmen, schreib Zahlen neben Wahrscheinlichkeitswörter, beschrifte das Band so, dass niemand es als Größe liest, und zeig die Prognose vom Vorjahr neben der Wirklichkeit.

Eine Prognose als eine selbstsichere Linie verleitet dazu, ihr blind zu glauben oder sie zu ignorieren. Hier steht, wie du eine Prognose ehrlich zeigst: Fächerdiagramme, die Mathematik, die sie breiter werden lässt, warum dein Modell bestimmt, welches Band du zeichnen darfst, Szenarien, Wahrscheinlichkeitswörter und die Bilanz, die das Vertrauen eines Beirats verdient.

Die Frage hinter diesem Kapitel

Du hast eine Prognose. Vielleicht hast du sie selbst gebaut, vielleicht ein Tool, vielleicht hat sie dir jemand als Tabelle geschickt. Jetzt musst du sie Leuten zeigen, die damit entscheiden: dem Beirat, der Bank, dem Einkauf, der im Januar die Ware für den nächsten Sommer bestellt.

Dabei kann zweierlei schiefgehen. Entweder glauben alle der Prognose blind, als wäre das nächste Jahr schon geschrieben. Oder sie ignorieren sie, weil "Prognosen eh nie stimmen". Beides kostet Geld. Im ersten Fall liegt zu viel Ware im Lager. Im zweiten bestellt das Bauchgefühl.

In diesem Kapitel geht es um das Diagramm, das zwischen diesen beiden Fehlern steht. Es baut auf Unsicherheit ehrlich zeigen auf, wo es um Intervalle und Fehlerbalken für eine einzelne Schätzung geht. Hier reicht die Schätzung in die Zukunft, und das verändert das Bild. Wie du die Prognose selbst baust, steht im Forecasting Leitfaden und in Nachfrage prognostizieren mit Autokorrelation und Saisonalität. Hier geht es darum, wie du sie zeigst, und warum das Modell dahinter bestimmt, was du überhaupt zeichnen darfst.

Mein Beispiel durch das ganze Kapitel ist erfunden: Nordkante Outdoor, ein Händler für Outdoorausrüstung in Hamburg mit Onlineshop (nordkanteoutdoor.example) und einem Laden. Die Analystin Lena soll der Inhaberin Jana und dem Beirat die Umsatzprognose für das nächste Jahr vorstellen. Alle Zahlen von Nordkante Outdoor sind zum Lernen ausgedacht.

Eine Prognose ist ein Bündel möglicher Zukünfte, keine Linie

Eine Prognose beantwortet die Frage "Was passiert?" ehrlicher als mit einer einzigen Zahl. Sie sagt, welche Ergebnisse wahrscheinlich sind, welche möglich und welche dich überraschen würden. In der Statistik heißt das eine Verteilung: eine Spanne möglicher Werte, jeder mit seiner eigenen Chance.

Presst du eine Verteilung in eine einzige Zahl, meist die mittlere, wirfst du den Großteil der Information weg. Die Mitte ist der wahrscheinlichste einzelne Wert, aber für sich genommen tritt sie selten genau so ein. Die eigentliche Frage des Einkaufs lautet: "Wie schlecht kann es werden, und wie gut?" Darauf hat die einzelne Zahl keine Antwort.

Beispiel: eine Zahl für den Dezember

Lenas Modell sagt für Dezember 2026 einen Umsatz von 189.000 € voraus. Das ist die Mitte der Prognose, die zentrale Prognose oder der Median.

Dasselbe Modell sagt vollständig:

  • mit 50 % Wahrscheinlichkeit landet der Dezember zwischen 183.000 € und 195.000 €,
  • mit 90 % Wahrscheinlichkeit zwischen 175.000 € und 203.000 €,
  • bleiben 10 %, dass er außerhalb landet, je 5 % darunter und darüber.

Jetzt stell dir den Einkauf vor, der Daunenjacken für Dezember bestellt. "189.000 €" lädt zu einer Bestellung genau für 189.000 € ein. Die Spanne erzählt etwas anderes: Kommt der Dezember bei 175.000 € an, bleiben Jacken im Wert von rund 14.000 € Umsatz liegen. Kommt er bei 203.000 € an, sind die Regale in den stärksten zwei Wochen des Jahres leer. Die Entscheidung hängt an den Rändern, und nur die Spanne zeigt die Ränder.

Die einzelne Linie: warum sie in die Irre führt

Das häufigste Prognosediagramm in jeder Beiratsunterlage ist eine Linie, die aus der Vergangenheit einfach in die Zukunft weiterläuft, vielleicht gestrichelt, vielleicht in einer anderen Farbe. Sieht sorgfältig aus. Ist das Gegenteil.

Eine einzelne Linie behauptet zwei falsche Dinge auf einmal. Sie behauptet, die Zukunft sei so sicher wie die Vergangenheit, weil die Linie auf beiden Seiten von heute gleich kräftig ist. Und sie behauptet, jeder Monat der Zukunft sei gleich sicher, obwohl der nächste Monat viel leichter vorherzusagen ist als der Oktober im nächsten Jahr.

Beispiel: Lenas erster Entwurf

So sah Lenas erster Entwurf für den Beirat aus. Die Vergangenheit ist echt (also erfunden, aber tu so, als wäre sie echt), die Prognose setzt sie Monat für Monat fort.

Liniendiagramm des Monatsumsatzes von Nordkante Outdoor in Tausend Euro, erfundene Beispielzahlen. Der tatsächliche Umsatz läuft von November 2025 bis Oktober 2026 zwischen 108 und 176. Die Prognose setzt sich als einzelne Linie von November 2026 bis Oktober 2027 fort, zwischen 118 und 189, ohne Band. Irreführend, weil der nächste Oktober genauso sicher wirkt wie der letzte. Zum Vergrößern antippen: Vollbild, frei verschiebbar

Jana liest es, wie es jeder lesen würde: "Im Juni 2027 also 181.000 €." Ein Beiratsmitglied trägt 1.874.000 € als Jahresumsatz ins Budget ein, die Summe der zwölf Prognosemonate. Niemand fragt, wie sicher Lena ist, denn das Diagramm hat nie angedeutet, dass es da etwas zu fragen gäbe.

Fächerdiagramme: wie eine Zentralbank gelernt hat, Zweifel zu zeichnen

Die bekannteste Antwort auf dieses Problem kommt von der Bank of England. Zwischen 1993 und Anfang 1996 veröffentlichte sie ihre Inflationsprognose als zentrale Linie mit einer einzigen schattierten Fläche, abgeleitet aus der Größe früherer Prognosefehler. Die eigenen Fachleute der Bank schrieben später, diese Fläche sei oft als feste Grenze nach oben und unten missverstanden worden, und kleine Bewegungen der zentralen Linie hätten viel zu viel Aufmerksamkeit bekommen, gemessen an der Unsicherheit drumherum.1

Ab Februar 1996 stellte die Bank auf ein neues Bild um: das Fächerdiagramm, englisch fan chart.1 Statt einer Linie und einer Fläche zeigt es die ganze Verteilung in Farbschichten. Das dunkelste Band in der Mitte enthält die Ergebnisse, die als am wahrscheinlichsten gelten. Jedes hellere Bänderpaar außen herum fügt eine weitere Scheibe Wahrscheinlichkeit hinzu, in Schritten von 10 Prozentpunkten, bis 90 % der Verteilung abgedeckt sind.1 Je weiter der Blick nach vorn reicht, desto breiter die Bänder und desto blasser die Farbe. Ein Fächer für das Wachstum folgte im November 1997.1

Der Name sagt es: Die Prognose fächert sich von heute aus auf wie ein Blatt Spielkarten in der Hand. Die Breite ist die Botschaft. Ein schmaler Fächer heißt "das weiß ich ziemlich genau". Ein breiter Fächer heißt "plan eine Spanne ein".

Beispiel: Lenas Fächerdiagramm

Lena zeichnet die Prognose neu, mit zwei Bändern, was für einen Beirat völlig reicht: einem 50 % Band (dunkler) und einem 90 % Band (heller). Die zentrale Prognose bleibt als Linie, jetzt sichtbar mitten in ihrer Unsicherheit.

Liniendiagramm des Monatsumsatzes von Nordkante Outdoor in Tausend Euro, erfundene Beispielzahlen. Tatsächlicher Umsatz von November 2025 bis Oktober 2026, danach eine zentrale Prognose von November 2026 bis Oktober 2027 mit zwei schattierten Bändern. Das 90 % Band beginnt schmal, von 155 bis 175 im November 2026, und wird bis Oktober 2027 breiter, von 105 bis 173. Das 50 % Band liegt darin, von 161 bis 169 im November 2026 und von 125 bis 153 im Oktober 2027. Die Aussage: Je weiter weg der Monat, desto unsicherer die Prognose. Zum Vergrößern antippen: Vollbild, frei verschiebbar

So liest du es. Im November 2026, einen Monat voraus, reicht das 90 % Band von 155.000 € bis 175.000 €: eine Spanne von 20.000 €. Im Juni 2027 reicht es von 153.000 € bis 209.000 €, im Oktober 2027 von 105.000 € bis 173.000 €: fast 70.000 € breit. Lena ist zwischen November und Oktober nicht schlechter im Prognostizieren geworden. Die Zukunft ist einfach schwerer zu sehen, je weiter weg sie liegt, und das Diagramm sagt das jetzt auch.

Die Reaktion im Beirat ändert sich mit. Niemand trägt 181.000 € als Tatsache ins Juni Budget ein. Stattdessen fragt jemand: "Was müsste sich ändern, wenn der Juni bei 153.000 € landet?" Genau für diese Frage gibt es Prognosen.

Warum der Fächer breiter wird: die Mathematik

Der Fächer wird nicht breiter, weil ihn jemand so gezeichnet hat. Er wird breiter, weil sich Fehler aufstapeln. Eine Prognose für den nächsten Monat muss einen Monat treffen. Eine Prognose für zwölf Monate stapelt zwölf Monate voller Überraschungen übereinander, und die heben sich nicht sauber auf.

Bei der einfachsten Methode, der naiven Prognose ("nächster Monat wird wie dieser"), wächst die Streuung des Prognosefehlers mit der Wurzel des Horizonts.2 Die meisten echten Modelle werden auf ähnliche Weise breiter.2

σ^h=σ^ h\hat{\sigma}_h = \hat{\sigma}\,\sqrt{h}

Dabei ist σ^h\hat{\sigma}_h die geschätzte Standardabweichung des Prognosefehlers hh Monate voraus, σ^\hat{\sigma} die Standardabweichung des Fehlers einen Monat voraus (geschätzt aus den bisherigen Fehlern des Modells, den Residuen) und hh der Prognosehorizont in Monaten. Die Standardabweichung misst, wie weit Werte typischerweise von ihrem Durchschnitt entfernt liegen. Grundlagen: Streuung erklärt sie von Grund auf.

Ein Intervall ist dann die zentrale Prognose plus und minus ein Vielfaches dieser Streuung:

y^T+h±z σ^h\hat{y}_{T+h} \pm z\,\hat{\sigma}_h

Dabei ist y^T+h\hat{y}_{T+h} die zentrale Prognose für hh Monate nach dem letzten beobachteten Monat TT, zz der Faktor für die gewünschte Abdeckung (rund 0,6740{,}674 für ein 50 % Intervall, 1,6451{,}645 für 90 %, 1,961{,}96 für 95 %, unter der Annahme normalverteilter Fehler) und σ^h\hat{\sigma}_h die Streuung aus der Formel davor. Grundlagen: Konfidenzintervalle zeigt, woher diese Faktoren kommen.

Beispiel: drei Monate, drei Breiten

Lenas Modell hat eine Fehlerstreuung von σ^=6\hat{\sigma} = 6 für einen Monat voraus, in Tausend Euro. Damit die Rechnung sichtbar bleibt, folgt Lenas erfundenes Modell der Wurzelregel exakt.

Einen Monat voraus, November 2026, zentrale Prognose 165.000 €:

σ^1=6⋅1=6,165±1,645⋅6=165±9,9\hat{\sigma}_1 = 6 \cdot \sqrt{1} = 6, \qquad 165 \pm 1{,}645 \cdot 6 = 165 \pm 9{,}9

Mit h=1h = 1 reicht das 90 % Intervall von 155.100 € bis 174.900 €.

Drei Monate voraus, Januar 2027, zentrale Prognose 126.000 €:

σ^3=6⋅3=10,39,126±1,645⋅10,39=126±17,1\hat{\sigma}_3 = 6 \cdot \sqrt{3} = 10{,}39, \qquad 126 \pm 1{,}645 \cdot 10{,}39 = 126 \pm 17{,}1

Mit h=3h = 3 reicht das 90 % Intervall von 108.900 € bis 143.100 €.

Zwölf Monate voraus, Oktober 2027, zentrale Prognose 139.000 €:

σ^12=6⋅12=20,78,139±1,645⋅20,78=139±34,2\hat{\sigma}_{12} = 6 \cdot \sqrt{12} = 20{,}78, \qquad 139 \pm 1{,}645 \cdot 20{,}78 = 139 \pm 34{,}2

Mit h=12h = 12 reicht das 90 % Intervall von 104.800 € bis 173.200 €. Das 50 % Intervall nimmt stattdessen 0,6740{,}674: 139±14,0139 \pm 14{,}0, also von 125.000 € bis 153.000 €.

Der Horizont ist zwölfmal so lang geworden, die Breite aber nur etwa dreieinhalbmal so groß (12≈3,46\sqrt{12} \approx 3{,}46). Deshalb biegt sich ein Fächer erst nach außen und flacht dann etwas ab, statt sich wie ein Kegel mit geraden Seiten zu öffnen.

Eine ehrliche Warnung gehört auf jedes Fächerdiagramm: Diese Intervalle fallen meist zu schmal aus, nicht zu breit. Sie erfassen das Rauschen, das das Modell kennt, nicht die Schocks, die es noch nie gesehen hat, etwa einen Lieferanten, der pleitegeht, oder einen verregneten Sommer. Der große M4 Prognosewettbewerb, der 61 Methoden an 100.000 Zeitreihen verglich, fand, dass Prognosemethoden die Unsicherheit deutlich unterschätzen, und nur die zwei genauesten Methoden trafen ihre 95 % Intervalle richtig.34 Lies das äußere Band als Untergrenze deines Zweifels, nicht als Obergrenze.

Das Modell bestimmt, welches Band du zeichnen darfst

Jetzt kommt der Teil, den die meisten Prognosediagramme auslassen. Nicht jedes Modell liefert dieselbe Art von Unsicherheit, und manche liefern gar keine. Bevor du ein Band zeichnest, musst du wissen, woher es kommt.

Zum Vergrößern antippen: Vollbild, frei verschiebbar

Zeitreihenmodelle: Das Band wächst mit dem Horizont

Ein Zeitreihenmodell sagt eine Zahl aus ihrer eigenen Vergangenheit voraus: letzter Monat, derselbe Monat im Vorjahr, der Trend. ARIMA (AutoRegressive Integrated Moving Average) und die exponentielle Glättung sind die zwei klassischen Familien, beide im Forecasting Leitfaden erklärt. Weil sie beschreiben, wie sich die Reihe von Monat zu Monat bewegt, wissen sie auch, wie sich die Fehler von Monat zu Monat aufstapeln. Ihre Prognoseintervalle kommen aus dem Modell selbst und werden meist breiter, je weiter der Horizont reicht.2 Das ist das natürliche Zuhause des Fächerdiagramms.

Beispiel: der Fächer, den Lena schon gezeichnet hat

Lenas Prognose ist eine exponentielle Glättung mit Saisonmuster: Dezember hoch, Februar tief, ein Sommergipfel für Zelte und Wanderschuhe. Das Fächerdiagramm oben ist genau das, was dieses Modell ausgibt. Lena braucht keine zusätzliche Technik. Die Bildunterschrift lautet: "Bänder aus den 50 % und 90 % Prognoseintervallen des Modells." Dieser eine Satz sagt jeder aufmerksamen Leserin und jedem aufmerksamen Leser, woher die Unsicherheit stammt.

Regression: Das Band ist in der Mitte deiner Daten am schmalsten

Eine Regression sagt aus Treibern voraus statt aus dem Kalender: Werbebudget, Preis, Zahl der verregneten Wochenenden. Ihre Unsicherheit verhält sich anders. Es ist ihr egal, wie weit du in der Zeit vorausschaust. Es zählt, wie weit dein Treiber von den Werten entfernt ist, die das Modell schon gesehen hat.

Für eine einfache Regression mit einem Treiber lautet das ungefähre 95 % Prognoseintervall:5

y^±1,96 σ^e1+1T+(x−xˉ)2(T−1) sx2\hat{y} \pm 1{,}96\,\hat{\sigma}_e \sqrt{1 + \frac{1}{T} + \frac{(x - \bar{x})^2}{(T - 1)\,s_x^2}}

Dabei ist y^\hat{y} der vorhergesagte Wert beim Treiberwert xx, σ^e\hat{\sigma}_e der Standardfehler der Regression (die typische Größe ihrer Fehler), TT die Zahl der Beobachtungen, auf denen das Modell geschätzt wurde, xˉ\bar{x} der Durchschnitt des Treibers in diesen Daten und sxs_x seine Standardabweichung. Der entscheidende Teil ist (x−xˉ)2(x - \bar{x})^2: Er wächst, je weiter du dich vom Durchschnitt entfernst, und damit wird das Intervall breiter.5 Grundlagen: Regression baut das Modell Schritt für Schritt auf.

Im Diagramm entsteht eine liegende Sanduhr: schmal in der Mitte deiner Erfahrung, breit an den Rändern.

Beispiel: Was, wenn Jana das Werbebudget verdoppelt?

Lena hat 24 Monate Daten zu monatlichem Onlinewerbebudget und Onlineumsatz. Das Budget lag zwischen 8.000 € und 22.000 €, im Schnitt bei xˉ=15\bar{x} = 15 mit sx=4s_x = 4 (in Tausend Euro). Das geschätzte Modell lautet Onlineumsatz =40+3,2⋅= 40 + 3{,}2 \cdot Budget, mit σ^e=9\hat{\sigma}_e = 9.

Jana fragt, was bei 40.000 € Budget passiert. Schritt für Schritt, für ein 90 % Intervall (Faktor 1,6451{,}645):

(40−15)2(24−1)⋅42=625368=1,70\frac{(40 - 15)^2}{(24 - 1) \cdot 4^2} = \frac{625}{368} = 1{,}70

Das ist der Abstandsterm mit x=40x = 40, xˉ=15\bar{x} = 15, T=24T = 24 und sx=4s_x = 4. Dann die Wurzel und die zentrale Vorhersage y^\hat{y}:

1+124+1,70=2,74=1,655,y^=40+3,2⋅40=168\sqrt{1 + \frac{1}{24} + 1{,}70} = \sqrt{2{,}74} = 1{,}655, \qquad \hat{y} = 40 + 3{,}2 \cdot 40 = 168

Zum Schluss das Intervall, mit σ^e=9\hat{\sigma}_e = 9:

168±1,645⋅9⋅1,655=168±24,5168 \pm 1{,}645 \cdot 9 \cdot 1{,}655 = 168 \pm 24{,}5

Mit x=40x = 40 reicht das 90 % Intervall also von 143.500 € bis 192.500 €. Bei 15.000 €, der Mitte der Daten, ergibt dieselbe Rechnung 88±15,188 \pm 15{,}1. Das Band ist am Rand gut anderthalbmal so breit.

Liniendiagramm des vorhergesagten monatlichen Onlineumsatzes in Abhängigkeit vom monatlichen Werbebudget, erfundene Beispielzahlen. Die Vorhersage steigt von 56 Tausend Euro bei 5 Tausend Budget auf 168 Tausend bei 40 Tausend. Das 90 % Band ist um 15 Tausend Budget am schmalsten, plus minus 15, und bei 40 Tausend am breitesten, plus minus 25. Lenas echte Daten reichen nur von 8 bis 22 Tausend Budget, alles darüber ist Extrapolation. Zum Vergrößern antippen: Vollbild, frei verschiebbar

Und Lena schreibt eine Bildunterschrift dazu, denn die Formel hat einen blinden Fleck: "Über 22.000 € Budget ist das Extrapolation. Das Band setzt voraus, dass die Gerade dort noch gilt, und das hat niemand geprüft." Werbung wird meist weniger wirksam, je mehr du ausgibst, weil dir zuerst die interessiertesten Menschen ausgehen. Das Intervall misst das Rauschen um die Gerade. Ob sich die Gerade selbst biegt, kann es nicht messen. Ein Diagramm, das ein sauberes Band über Gelände zeichnet, das die Daten nie betreten haben, sollte das in Worten sagen.

Machine Learning: oft eine einzige Zahl und sonst nichts

Viele Machine Learning Modelle, etwa Gradient Boosting oder neuronale Netze, werden darauf trainiert, pro Monat einen besten Tipp abzugeben. Von Haus aus liefern sie eine Punktprognose ohne jedes Band. Das ist kein Fehler des Modells, es tut einfach, was man von ihm verlangt hat. Aber das Diagramm hat dann nichts Ehrliches, das es um die Linie zeichnen könnte, bis du es ergänzt.

Dafür gibt es drei gängige Wege:

  • Quantilmodelle. Statt das Modell auf die Mitte zu trainieren, trainierst du es auf ein bestimmtes Perzentil, zum Beispiel das 5. und das 95. Die Idee geht auf die Quantilregression von 1978 zurück.6 Verbreitete Bibliotheken unterstützen das direkt, und die Dokumentation von scikit-learn zeigt, wie aus drei so trainierten Gradient Boosting Modellen ein Prognoseintervall entsteht.7
  • Backtest Fehler. Du spielst die Vergangenheit nach: Tu so, als wäre es ein früherer Monat, prognostiziere, vergleiche mit dem, was wirklich kam, und wiederhole das. Die Streuung dieser Fehler ist dein Band.
  • Conformal Prediction. Eine formale Fassung der Backtest Idee. Sie legt sich um jedes Modell, egal wie komplex, und liefert Intervalle, die den wahren Wert mit der gewählten Rate enthalten, ohne eine bestimmte Verteilung der Daten vorauszusetzen.8 Die Garantie setzt voraus, dass sich die Zukunft verhält wie der Zeitraum, an dem du kalibriert hast. In einem Geschäft, das sich gerade verändert, gehört das laut gesagt.

Die einfachste Variante, Split Conformal Prediction, nimmt einen der sortierten früheren Fehler als Breite des Bands:8

k=⌈(n+1)(1−α)⌉k = \left\lceil (n + 1)(1 - \alpha) \right\rceil

Dabei ist nn die Zahl der gesammelten früheren Fehler auf Daten, die das Modell beim Training nicht gesehen hat, α\alpha der Anteil an Ergebnissen, die außerhalb des Bands liegen dürfen (0,10{,}1 für ein 90 % Intervall), ⌈⋅⌉\lceil \cdot \rceil heißt aufrunden auf die nächste ganze Zahl, und kk ist die Position des Fehlers, gezählt vom kleinsten, den du als Breite nimmst. Grundlagen: Konfidenzintervalle erklärt die Idee der Abdeckung dahinter.

Beispiel: ein Band für Lenas Machine Learning Prognose

Lena testet auch ein Gradient Boosting Modell, das die Wettervorhersage und den Marketingkalender nutzt. Es sagt für März 2027 einen Umsatz von 145.000 € voraus, und sonst nichts.

Lena lässt es an 20 früheren Monaten im Backtest laufen, jeweils drei Monate voraus, und notiert jedes Mal den absoluten prozentualen Fehler. Vom kleinsten zum größten sortiert, reichen die Fehler von 1,2 % bis 21,0 %.

Für ein 90 % Band gilt α=0,1\alpha = 0{,}1:

k=⌈(20+1)(1−0,1)⌉=⌈18,9⌉=19k = \lceil (20 + 1)(1 - 0{,}1) \rceil = \lceil 18{,}9 \rceil = 19

Mit k=19k = 19 bestimmt der 19. kleinste Fehler das Band: 15,8 %. Das Band ist also die Prognose plus und minus 15,8 %:

145±0,158⋅145=145±22,9145 \pm 0{,}158 \cdot 145 = 145 \pm 22{,}9

Bei einer Punktprognose von y^=145\hat{y} = 145 reicht das 90 % Intervall für März 2027 von 122.100 € bis 167.900 €. Das Diagramm zeigt die 20 Fehler, der Fehler, der das Band festlegt, ist hervorgehoben.

Balkendiagramm von 20 absoluten prozentualen Fehlern aus dem Backtest einer Machine Learning Prognose drei Monate voraus, erfundene Beispielzahlen, sortiert von 1,2 % bis 21,0 %. Der 19. Balken, 15,8 %, ist hervorgehoben: Er ist bei Split Conformal Prediction die halbe Breite des 90 % Intervalls. Ein Balken, 21,0 %, ist größer, das sind die 10 %, die das Band verfehlen darf. Zum Vergrößern antippen: Vollbild, frei verschiebbar

Zwei Hinweise gehören in die Bildunterschrift. Dieses Band gilt nur für drei Monate voraus. Für sechs oder zwölf Monate wiederholt Lena den Backtest mit diesem Horizont, und das Band wird breiter, womit wieder ein Fächer entsteht. Und mit nur 20 Fehlern ist das Band selbst grob: Ein einziger ungewöhnlicher Monat in der Vergangenheit verschiebt es. Lena schreibt beides unter das Diagramm, statt eine Genauigkeit vorzutäuschen, die es nicht gibt.

Modelle kombinieren: warum der Durchschnitt oft gewinnt

Hat Lena drei Modelle, ein Zeitreihenmodell, eine Regression und ein Machine Learning Modell, liegt es nahe, das beste auszuwählen. Die Belege sprechen dagegen. Im M4 Wettbewerb waren 12 der 17 genauesten Methoden Kombinationen mehrerer Methoden, meist einfacher statistischer.4 Verschiedene Modelle machen verschiedene Fehler, und im Durchschnitt heben sich manche davon auf.

Die Kombination liefert dir außerdem ein Bild, das du zeigen kannst. Jede Modellprognose ist eine mögliche Zukunft. Als dünne Linien nebeneinander zeigen sie, wie einig sich die Modelle sind. Liegen die Linien eng beisammen, sind sich die Modelle einig. Laufen sie auseinander, weiß es niemand so genau, und das Diagramm sagt das ganz ohne Statistik.

Beispiel: Juni 2027 aus drei Modellen

Für Juni 2027 sagen Lenas drei Modelle:

  • exponentielle Glättung: 181.000 €,
  • Regression auf das geplante Budget: 174.000 €,
  • Gradient Boosting: 186.000 €.

Der einfache Durchschnitt ist:

181+174+1863=180,3\frac{181 + 174 + 186}{3} = 180{,}3

Die kombinierte Prognose ist 180,3180{,}3, also nimmt Lena 180.000 € als zentrale Prognose und zeigt die drei einzelnen Prognosen als kleine Markierungen daneben. Ihr Abstand, 12.000 €, ist ein schneller Plausibilitätstest für den Fächer: Wäre das 50 % Band schmaler als die Uneinigkeit dreier vernünftiger Modelle, wäre es zu selbstsicher. Hier ist das 50 % Band für Juni rund 23.000 € breit, der Test ist bestanden.

Szenarien: bester, mittlerer und schlechtester Fall, mit aufgeschriebenen Annahmen

Ein Fächerdiagramm beantwortet die Frage "Wie unsicher ist das, wenn alles ungefähr so bleibt, wie es war?". Es beantwortet nicht "Was, wenn sich etwas Bestimmtes ändert?". Dafür brauchst du Szenarien: getrennte Prognosen, jede auf einer ausgesprochenen Annahme gebaut.

Die Regeln, die Szenarien ehrlich halten:

  • Schreib die Annahme direkt an die Linie. "Schlechtester Fall" allein sagt nichts. "Ein verregneter Sommer und ein Mitbewerber, der die Preise um 10 % senkt" kann man diskutieren, und genau darum geht es.
  • Tu nicht so, als wäre ein Szenario eine Wahrscheinlichkeit. Ein Szenario erzählt, was passieren könnte, nicht, wie wahrscheinlich es ist. Kennst du die Chance nicht, zeichne es nicht so, als würdest du sie kennen.
  • Halt sie wenige. Drei reichen. Sieben Szenarien sind ein schlecht gezeichneter Fächer.
  • Der mittlere Fall ist die zentrale Prognose, damit Szenarien und Fächer dieselbe Geschichte erzählen.

Beispiel: drei Zukünfte für Nordkante Outdoor

Lena baut drei Szenarien für November 2026 bis Oktober 2027:

  • Mittlerer Fall: die zentrale Prognose, 1.874.000 € im Jahr, 5,0 % mehr als die 1.785.000 € der letzten zwölf Monate.
  • Bester Fall: Die neue Leichtzeltlinie verkauft sich so, wie der Test es nahegelegt hat, und der Umbau des Ladens bringt mehr Laufkundschaft. Rund 10 % über dem mittleren Fall in jedem Monat, 2.063.000 € im Jahr.
  • Schlechtester Fall: ein nasser, kurzer Sommer plus eine Preissenkung eines Mitbewerbers bei Wanderschuhen. Rund 12 % unter dem mittleren Fall in jedem Monat, 1.648.000 € im Jahr.
Liniendiagramm mit drei Umsatzszenarien für Nordkante Outdoor von November 2026 bis Oktober 2027, in Tausend Euro, erfundene Beispielzahlen. Mittlerer Fall zwischen 118 und 189 pro Monat, 1.874 im Jahr. Bester Fall, Zeltlinie erfolgreich und Ladenumbau bringt Laufkundschaft, rund 10 % darüber, 2.063 im Jahr. Schlechtester Fall, nasser Sommer und Preissenkung eines Mitbewerbers, rund 12 % darunter, 1.648 im Jahr. Der Abstand ist in den Sommermonaten am größten. Zum Vergrößern antippen: Vollbild, frei verschiebbar

Jetzt kann der Beirat nützliche Fragen stellen. "Reicht im schlechtesten Fall der Kontokorrentrahmen über den Februar?" "Woran würden wir bis April erkennen, dass es Richtung bester Fall geht?" Der Fächer sagt, wie breit du planen musst. Die Szenarien sagen, worauf du achten solltest.

Wörter für Wahrscheinlichkeiten: sag die Zahl dazu

Menschen lesen Wahrscheinlichkeitswörter sehr unterschiedlich. "Wahrscheinlich" heißt für die eine Person 60 %, für die andere 90 %. Das steht ausführlich in Unsicherheit ehrlich zeigen. Der Weltklimarat (IPCC, Intergovernmental Panel on Climate Change) hat das für seine eigenen Berichte gelöst, indem er die Wörter an Spannen gebunden hat: "likely" (wahrscheinlich) heißt 66 bis 100 % Wahrscheinlichkeit, "very likely" 90 bis 100 %, "about as likely as not" 33 bis 66 %.9

Du musst die Skala des IPCC nicht übernehmen, aber die Gewohnheit lohnt sich: Wenn du ein Wort benutzt, schreib die Zahl dazu, zumindest beim ersten Mal.

Beispiel: der Satz unter dem Fächer

Lenas erster Entwurf lautete: "Der Umsatz wird im nächsten Jahr voraussichtlich bei etwa 1,87 Mio. € liegen." Jana hat keine Ahnung, ob "voraussichtlich" 55 % oder 95 % bedeutet.

Die neue Fassung: "Die zentrale Prognose liegt bei 1,87 Mio. €, 5 % über diesem Jahr. In jedem einzelnen Monat landet der Umsatz mit 90 % Wahrscheinlichkeit im hellen Band. Am unsichersten sind die Sommermonate: Der Juni kann realistisch irgendwo zwischen 153.000 € und 209.000 € liegen."

Die zweite Fassung ist einen Satz länger und enthält kein einziges Wort mehr, das für jede lesende Person etwas anderes bedeuten könnte.

Der Unsicherheitskegel: ein Missverständnis, gegen das du gestalten musst

Selbst ein gut gezeichnetes Band kann falsch gelesen werden. Die deutlichsten Belege kommen aus der Wettervorhersage. Das National Hurricane Center in den USA zeigt die wahrscheinliche Zugbahn eines Wirbelsturms als Kegel. Er ist so gebaut, dass etwa zwei Drittel der früheren Prognosefehler für das Zentrum des Sturms darin liegen, und er wird in der atlantischen Fassung von 2026 von etwa 25 Seemeilen bei 12 Stunden auf etwa 200 Seemeilen bei 120 Stunden breiter.10 Er zeigt die Unsicherheit darüber, wohin das Zentrum des Sturms zieht, sonst nichts.

Die Öffentlichkeit liest ihn anders. In Experimenten trafen Menschen zum selben Sturm unterschiedliche Urteile, je nachdem, wie seine Unsicherheit gezeichnet war,11 und eine Folgestudie fand, dass der Umriss eines solchen Kegels als Größe des Sturms missverstanden werden kann, als würde der Hurrikan selbst auf seinem Weg wachsen.12 Zeigte man stattdessen eine Schar einzelner möglicher Zugbahnen, ein sogenanntes Ensemble, lagen die Urteile näher an den echten Wahrscheinlichkeiten, allerdings gaben Menschen dann einzelnen Bahnen zu viel Gewicht.12 Ein Überblick darüber, wie Unsicherheit der Öffentlichkeit gezeigt wird, kommt zu einem nüchternen Schluss: Es gibt nur begrenzte experimentelle Belege dafür, wie Menschen solche Grafiken lesen, und was funktioniert, hängt davon ab, wie sicher das Publikum mit Zahlen umgeht.13

Die Lehre fürs Geschäft: Ein Fächer, der breiter wird, kann als "der Umsatz wird schwankender" oder "das Geschäft wird größer und wilder" gelesen werden statt als "über die ferne Zukunft wissen wir weniger". Die Form ist dieselbe. Die Bedeutung ist das Gegenteil.

Beispiel: Janas Frage und Lenas Lösung

Jana schaut auf den Fächer und fragt: "Warum soll der Umsatz im nächsten Herbst so viel stärker schwanken?" Sie hat das Band als Größe künftiger Schwankungen gelesen, genau wie beim Hurrikankegel.

Lena ändert drei Dinge:

  • Die Bänder sagen jetzt, was sie sind: "90 % der Ergebnisse erwartet in diesem Bereich" statt "90 % Intervall".
  • Eine Zeile im Diagramm sagt: "Das Band wird breiter, weil der nächste Herbst weiter weg ist, nicht weil der Umsatz stärker schwankt."
  • Im Anhang zeigt eine zweite Fassung des Diagramms 20 simulierte mögliche Jahre als dünne graue Linien über der zentralen Prognose. Wie die Ensembles beim Hurrikan zeigt das viele mögliche Zukünfte, ohne eine Form, die wie ein wachsendes Objekt aussieht.

Der Fächer bleibt das Hauptdiagramm. Die Änderungen machen ihn schwer misszuverstehen.

Zeig hinterher die Bilanz

Ein Prognosediagramm gewinnt Vertrauen langsam, und der einzige Weg dorthin ist zu zeigen, wie frühere Prognosen abgeschnitten haben. Stell die Prognose vom letzten Jahr, ihr Band und das, was wirklich passiert ist, in ein Diagramm. Dann nenn zwei Zahlen: wie weit die zentrale Prognose im Schnitt danebenlag, und wie oft die Wirklichkeit im Band gelandet ist.

Das übliche Maß für die erste Zahl ist der mittlere absolute prozentuale Fehler, MAPE (Mean Absolute Percentage Error):14

MAPE=100 %n∑t=1n∣yt−y^tyt∣\text{MAPE} = \frac{100\,\%}{n} \sum_{t=1}^{n} \left| \frac{y_t - \hat{y}_t}{y_t} \right|

Dabei ist nn die Zahl der verglichenen Monate, yty_t der tatsächliche Wert im Monat tt, y^t\hat{y}_t die Prognose für diesen Monat, und die senkrechten Striche heißen "Vorzeichen ignorieren", sodass 5.000 € zu hoch genauso zählen wie 5.000 € zu tief. Grundlagen: Prozente erklärt prozentuale Fehler von Grund auf. Der MAPE hat bekannte Schwächen: Er versagt, wenn tatsächliche Werte null oder fast null sind, und er bestraft zu hohe Prognosen stärker als zu niedrige.14 Für ein Geschäft mit stabilen Monatsumsätzen wie Nordkante Outdoor ist er eine faire und leicht erklärbare Wahl.

Die zweite Zahl ist die Abdeckung: der Anteil der Monate, die im 90 % Band gelandet sind. Bei zwölf Monaten erwartest du etwa 0,9⋅12=10,80{,}9 \cdot 12 = 10{,}8 Treffer. Deutlich weniger heißt, das Band ist zu schmal, und das ist, wie der M4 Wettbewerb gezeigt hat, der übliche Fehler.3

Beispiel: wie die Prognose vom letzten Jahr abgeschnitten hat

Vor einem Jahr hat Lena November 2025 bis Oktober 2026 prognostiziert. So sieht das neben der Wirklichkeit aus.

Liniendiagramm, das die im Oktober 2025 erstellte Prognose von Nordkante Outdoor mit dem tatsächlichen Monatsumsatz von November 2025 bis Oktober 2026 vergleicht, in Tausend Euro, erfundene Beispielzahlen. Die Prognose lag zwischen 107 und 172, mit einem 90 % Band. Der tatsächliche Umsatz lag zwischen 108 und 176 und war in allen zwölf Monaten höher als die zentrale Prognose. Elf von zwölf Monaten landeten im 90 % Band, nur der November 2025 mit 160 lag knapp darüber. Der MAPE betrug 4,7 %. Zum Vergrößern antippen: Vollbild, frei verschiebbar

Die monatlichen prozentualen Fehler waren 6,2, 2,3, 6,6, 0,9, 8,5, 3,4, 7,1, 1,2, 6,4, 5,1, 2,3 und 6,0. Zusammengerechnet:

MAPE=6,2+2,3+6,6+0,9+8,5+3,4+7,1+1,2+6,4+5,1+2,3+6,012=56,012=4,7 %\text{MAPE} = \frac{6{,}2 + 2{,}3 + 6{,}6 + 0{,}9 + 8{,}5 + 3{,}4 + 7{,}1 + 1{,}2 + 6{,}4 + 5{,}1 + 2{,}3 + 6{,}0}{12} = \frac{56{,}0}{12} = 4{,}7\,\%

Hier ist n=12n = 12, und die zwölf prozentualen Fehler ergeben zusammen 56,056{,}0. Abdeckung: 11 von 12 Monaten im 90 % Band, erwartet waren 10,8. Das passt.

Aber das Diagramm zeigt etwas, das beide Zahlen verstecken: Jeder einzelne Monat lag über der Prognose. Das Modell war nicht nur ungenau, es war verzerrt, weil das Geschäft schneller gewachsen ist, als das Modell angenommen hat. Ein MAPE von 4,7 % klingt beruhigend. Zwölf Fehler in dieselbe Richtung sind eine Botschaft: Pass die Wachstumsannahme an. Deshalb zeigt Lena das Diagramm und nicht nur die Kennzahl.

Alles zusammen: die Prognoseseite für den Beirat

Alles bisher passt auf eine Seite. Diese Reihenfolge funktioniert, weil sie von der Antwort über den Zweifel zum Beleg führt:

Zum Vergrößern antippen: Vollbild, frei verschiebbar

Ich fange jedes Analyticsprojekt bei der Entscheidung an, die es stützen soll, nicht bei einem Dashboard, und eine Prognoseseite ist da keine Ausnahme. Geht es um Ware, zeig Monate. Geht es um einen Kredit, zeig das Jahr und den schlechtesten Fall. Geht es um Neueinstellungen, zeig das Quartal, in dem das Geld da ist.

Beispiel: Lenas fertige Seite

Die Entscheidung: wie viel Sommerware im Januar bestellt wird, und ob der Kontokorrentrahmen erhöht werden muss.

  • Fächerdiagramm mit der Unterschrift: "Zentrale Prognose 1,87 Mio. € im Jahr, 5 % mehr. Das Band wird breiter, weil spätere Monate weiter weg sind, nicht weil der Umsatz stärker schwankt."
  • Szenarien: bester Fall 2,06 Mio. € (Zelte und Umbau greifen), schlechtester Fall 1,65 Mio. € (nasser Sommer und Preissenkung), jeweils mit Annahme.
  • Der Satz: "Plan die Sommerware für den mittleren Fall von 181.000 € im Juni, aber verhandle Lieferbedingungen, mit denen sich bis April 15 % streichen lassen. Mit etwa einer Chance von eins zu zwanzig landet der Juni unter 153.000 €."
  • Bilanz: MAPE im Vorjahr 4,7 %, 11 von 12 Monaten im Band, jeder Monat über der Prognose. "Das neue Modell hebt die Wachstumsannahme an, um die Verzerrung nach unten zu korrigieren."

Der Beirat von Jana muss nicht wissen, was exponentielle Glättung ist. Er sieht den wahrscheinlichsten Weg, wie breit er planen muss, was das Bild verändern würde und wie viel Vertrauen sich die Prognose verdient hat.

Fazit

Eine Prognose ist eine Verteilung, also zeichne sie als eine. Ersetz die einzelne Linie durch ein Fächerdiagramm: eine zentrale Prognose und zwei Bänder, 50 % und 90 %, die mit dem Horizont breiter werden, weil sich Fehler aufstapeln. Wisse, woher dein Band kommt: Ein Zeitreihenmodell liefert es mit, eine Regression liefert ein Band, das weg von deinen Daten breiter wird, und ein Machine Learning Modell liefert oft gar keins, bis du Quantilmodelle, Backtest Fehler oder Conformal Prediction ergänzt. Geh davon aus, dass das Band eher zu schmal ist als zu breit. Nimm für die konkreten Risiken, die der Fächer nicht zeigen kann, eine Handvoll Szenarien, jedes mit seiner Annahme daneben. Schreib Zahlen neben Wahrscheinlichkeitswörter. Beschrifte das Band so, dass niemand es als Größe der Zukunft liest. Und zeig die Prognose vom letzten Jahr neben dem, was passiert ist, denn erst eine Bilanz macht aus einem Diagramm etwas, dem ein Beirat vertrauen kann.

Wenn deine Prognosen als eine selbstsichere Linie im Beirat landen, buch den kostenlosen Workshop: Wir machen aus einer davon einen Fächer, Szenarien und eine Bilanz, mit der dein Beirat arbeiten kann, und die ersten zwei Wochen Arbeit gehen auf mich.

Quellen

  1. 1.

    Erik Britton, Paul Fisher und John Whitley, The Inflation Report projections: understanding the fan chart, Bank of England Quarterly Bulletin, Februar 1998, https://www.bankofengland.co.uk/-/media/boe/files/quarterly-bulletin/1998/the-inflation-report-projections-understanding-the-fan-chart.pdf

  2. 2.

    Rob J Hyndman und George Athanasopoulos, Forecasting: Principles and Practice, 3. Auflage, OTexts, 2021, Kapitel 5 The forecaster's toolbox, Abschnitt zu Prognoseintervallen, https://otexts.com/fpp3/toolbox.html#sec-prediction-intervals

  3. 3.

    Spyros Makridakis und Slawek Smyl, Decision makers should rely on hybrid forecasting models, INSEAD Knowledge, 22. November 2018, https://knowledge.insead.edu/operations/decision-makers-should-rely-hybrid-forecasting-models

  4. 4.

    Spyros Makridakis, Evangelos Spiliotis und Vassilios Assimakopoulos, The M4 Competition: Results, findings, conclusion and way forward, International Journal of Forecasting 34(4), 802 bis 808, 2018, https://doi.org/10.1016/j.ijforecast.2018.06.001

  5. 5.

    Rob J Hyndman und George Athanasopoulos, Forecasting: Principles and Practice, 3. Auflage, OTexts, 2021, Kapitel 7 Time series regression models, Abschnitt zur Prognose mit Regression, https://otexts.com/fpp3/regression.html#sec-forecasting-regression

  6. 6.

    Roger Koenker und Gilbert Bassett, Regression Quantiles, Econometrica 46(1), 33 bis 50, 1978, https://doi.org/10.2307/1913643

  7. 7.

    scikit-learn developers, Prediction Intervals for Gradient Boosting Regression, Dokumentation von scikit-learn, https://scikit-learn.org/stable/auto_examples/ensemble/plot_gradient_boosting_quantile.html

  8. 8.

    Anastasios N. Angelopoulos und Stephen Bates, A Gentle Introduction to Conformal Prediction and Distribution Free Uncertainty Quantification, arXiv 2107.07511, 2021, https://arxiv.org/abs/2107.07511

  9. 9.

    Michael D. Mastrandrea und andere, Guidance Note for Lead Authors of the IPCC Fifth Assessment Report on Consistent Treatment of Uncertainties, Intergovernmental Panel on Climate Change, 2010, https://www.ipcc.ch/site/assets/uploads/2017/08/AR5_Uncertainty_Guidance_Note.pdf

  10. 10.

    National Hurricane Center, Definition of the NHC Track Forecast Cone, National Oceanic and Atmospheric Administration, 2026, https://www.nhc.noaa.gov/aboutcone.shtml

  11. 11.

    Ian T. Ruginski und andere, Non expert interpretations of hurricane forecast uncertainty visualizations, Spatial Cognition and Computation 16(2), 154 bis 172, 2016, https://doi.org/10.1080/13875868.2015.1137577

  12. 12.

    Lace M. Padilla, Ian T. Ruginski und Sarah H. Creem Regehr, Effects of ensemble and summary displays on interpretations of geospatial uncertainty data, Cognitive Research: Principles and Implications 2, Artikel 40, 2017, https://cognitiveresearchjournal.springeropen.com/articles/10.1186/s41235-017-0076-1

  13. 13.

    David Spiegelhalter, Mike Pearson und Ian Short, Visualizing Uncertainty About the Future, Science 333(6048), 1393 bis 1400, 2011, https://doi.org/10.1126/science.1191181

  14. 14.

    Rob J Hyndman und George Athanasopoulos, Forecasting: Principles and Practice, 3. Auflage, OTexts, 2021, Kapitel 5 The forecaster's toolbox, Abschnitt zur Genauigkeit von Punktprognosen, https://otexts.com/fpp3/toolbox.html#sec-accuracy