Pharma Demand Forecasting mit erklärbarer KI: belastbarer planen, Compliance sichern

Pharma Demand Forecasting muss heute mehr leisten als eine saubere Absatzkurve. Es muss volatile Ausschreibungen, Klinikprotokolle, Generikaeffekte, saisonale Peaks und regulatorische Anforderungen gleichzeitig abbilden. Genau hier hilft erklärbare KI (XAI): nicht als Black Box, sondern als nachvollziehbare Entscheidungsunterstützung für Planung, Supply Chain und Qualität.

Wichtig ist die Reihenfolge. Erst Datenqualität und Analytics, dann Prognosemodelle. Erst Governance und Validierungslogik, dann Skalierung. So wird aus einem KI-Pilot kein Compliance-Risiko, sondern ein steuerbarer Verbesserungshebel.

Das Wichtigste in Kürze

• Pharma-Forecasts scheitern selten nur am Modell, sondern meist an fragmentierten Signalen, unklaren Stammdaten und fehlender Governance.
• Erklärbare KI funktioniert in regulierten Umgebungen, wenn Modelllogik, Datenquellen, Rollen, Overrides und Änderungen sauber dokumentiert sind.
• Neben klassischen Fehlermaßen zählen vor allem Bias, Service Level, Prognoseintervalle, Backorders und stockout-bezogene Risiken.
• Ein sinnvoller Start ist kein Big-Bang-Rollout, sondern ein klar abgegrenzter Pilot mit Human-in-the-Loop.

Warum Forecasting in Pharma anders ist

In vielen Branchen reicht historische Nachfrage als Ausgangspunkt. In Pharma ist das zu kurz gegriffen. Dieselbe Therapie kann über Klinikapotheken, Tender, Großhandel, Spezialdistributoren und Direktprogramme laufen. Jeder Kanal folgt einer eigenen Logik und reagiert auf andere Auslöser.

Besonders anspruchsvoll sind Portfolios mit Ausschreibungsgeschäft, Protokolländerungen, Launches, Patentabläufen und Generikaeintritten. Dazu kommen lange Vorlaufzeiten, Haltbarkeiten, Mindestchargen, API-Abhängigkeiten und hohe Auswirkungen von Fehlmengen. Ein Forecast ist hier nicht nur Planungsinput, sondern Teil der Versorgungssicherheit.

Wo klassische Verfahren an Grenzen stoßen

Gleitende Durchschnitte, ARIMA-Modelle und manuelle Excel-Korrekturen funktionieren bei stabilen Artikeln oft ordentlich. Sie werden aber schwach, wenn die entscheidenden Ereignisse nicht sauber in der Historie stehen: Tender-Gewinne und -Verluste, neue Klinikprotokolle, Konkurrenzengpässe, Grippewellen oder kurzfristige Substitutionseffekte.

Das Wissen erfahrener Planerinnen und Planer bleibt deshalb unverzichtbar. Nur: Es steckt häufig in Köpfen, Mails und Nebendateien. Genau hier schafft erklärbare KI einen besseren Rahmen. Sie ersetzt die Fachlogik nicht, sondern macht sie systematisch nutzbar.

Was erklärbare KI in der Praxis leistet

Geeignete Methoden statt Modell-Show

In regulierten Umgebungen zählt nicht das spektakulärste Modell, sondern ein belastbarer Mix aus Prognosequalität, Nachvollziehbarkeit und kontrollierter Änderung. Für viele Pharma-Szenarien sind deshalb Verfahren sinnvoll, die gute Leistung mit Erklärbarkeit verbinden.

• Gradient-Boosting-Modelle mit SHAP-Erklärungen, um Treiber pro Prognose nachvollziehbar zu machen.
• Probabilistische Forecasts mit Prognoseintervallen, damit Planung nicht nur einen Punktwert, sondern eine belastbare Bandbreite erhält.
• Hierarchische Abstimmung, damit lokale Signale, Länderpläne und globale Portfolios konsistent zusammenlaufen.
• Monotonic Constraints, wenn fachliche Regeln im Modell nicht verletzt werden dürfen.
• Analogie-Modelle für Launches und Relaunches, wenn für neue Produkte kaum eigene Historie vorhanden ist.

Wo der Nutzen konkret entsteht

• Tender-Portfolios lassen sich als Wahrscheinlichkeitsraum statt als Ja-nein-Annahme planen.
• Respiratorische und saisonale Portfolios reagieren früher auf externe Signale als auf reine Abverkaufsdaten.
• Bei Generikaeintritten lässt sich der Nachfrageabfall differenzierter auf Märkte, Kanäle und Produktgruppen verteilen.
• Für kritische Therapien können Forecast und Bestandslogik enger mit Sicherheitsbeständen und Eskalationsregeln verzahnt werden.

Welche Daten in ein belastbares Pharma-Forecasting gehören

Gute Modelle entstehen nicht aus mehr Daten, sondern aus den richtigen Signalen. Im Pharma-Umfeld gehören typischerweise interne und externe Quellen zusammengeführt.

• Interne Daten: Aufträge, Abverkauf, Lagerbestände, Chargebacks, Retouren, Samples, Lieferzeiten, Haltbarkeiten, Produktionsrestriktionen und historische Planungsentscheidungen.
• Markt- und Kanalinformationen: Tenderkalender, Marktdaten, 852/867-Daten, Krankenhaus- oder Großhandelsabzüge, Klinikprotokoll-Updates sowie Preis- und Erstattungsänderungen.
• Externe Signale: saisonale Verläufe, Suchtrends, regionale Ereignisse und weitere marktnahe Frühindikatoren.

Entscheidend ist dabei nicht nur, welche Daten verfügbar sind, sondern wie sie zusammengeführt, geprüft und in eine belastbare Planungslogik übersetzt werden. Genau daraus entsteht in der Praxis ein Forecasting-Prozess, der nicht nur genauer, sondern auch nachvollziehbarer und steuerbarer wird.

GxP-ready: So sieht validierte KI in der Praxis aus

Genau an diesem Punkt zeigt sich, ob ein Forecasting-Ansatz in Pharma wirklich tragfähig ist. Denn ein guter Forecast allein reicht nicht aus: Das System muss auch validierbar, auditierbar und im Tagesgeschäft kontrollierbar bleiben.

Ein Forecasting-System für Pharma muss nicht nur nützlich, sondern validierbar sein. Das bedeutet: klare Zweckbeschreibung, definierte Datenquellen, nachvollziehbare Modelllogik, kontrollierte Änderungen und ein Audit Trail, der auch Monate später noch verständlich ist.

• CSV-/CSA-Paket mit URS, FS und DS sowie IQ, OQ und PQ für die produktive Nutzung.
• Dokumentierte Modellversionen mit Change-Control-SOP, Freigabeprozess und Rollback-Logik.
• Auditierbarer Nachweis für Forecast-Erzeugung, Override, Freigabe und Produktivsetzung.
• Rollen- und Rechtemodell für Planung, Qualität, IT und Fachbereich.
• Human-in-the-Loop-Regelwerk mit Pflicht zur Begründung manueller Eingriffe und definierter Eskalation bei kritischen Therapien.

Gerade bei hospitalnahen oder patientennahen Daten müssen außerdem De-Identifizierung, PHI-Handling, Datennutzungsvereinbarungen, rollenbasierter Zugriff und eine Datenschutz-Folgenabschätzung früh mitgedacht werden. Je nach Datenlage kann auch ein stärker aggregiertes oder anderweitig datenschutzschonendes Setup sinnvoll sein.

Diese KPIs zählen wirklich

MAPE ist hilfreich, reicht aber für Pharma allein nicht aus. Wer nur auf den durchschnittlichen Fehler schaut, übersieht systematische Unterdeckung und Versorgungsrisiken.

• Bias beziehungsweise Mean Error, um dauerhafte Über- oder Unterprognosen sichtbar zu machen.
• Abdeckungsgrad der Prognoseintervalle, um zu prüfen, ob die prognostizierten Bandbreiten belastbar sind.
• CRPS oder vergleichbare probabilistische Gütemaße, wenn Unsicherheit bewusst mitgesteuert werden soll.
• Service Level, Fill Rate und OTIF für die Service-Perspektive, getrennt nach Kanal und Kritikalität.
• Stockout-Incidents, Backorder-Dauer und Eskalationsfälle für das reale Versorgungsrisiko.
• Sicherheitsbestände und Ergebnisse einer mehrstufigen Bestandsoptimierung, damit Forecasting direkt in Bestandsentscheidungen übersetzt wird.

Wichtig ist die Verknüpfung mit der Bestandslogik. Ein genauerer Forecast ist kein Selbstzweck. Er soll helfen, Bestände differenzierter zu steuern: höher, wo Therapie- oder Service-Risiken kritisch sind; niedriger, wo Unsicherheit sinkt und Versorgung stabil abgesichert bleibt.

GxP-ready AI Rollout in 90 Tagen

1. Tag 1 bis 30: Use Case eingrenzen, Datenquellen festziehen, Stammdaten und Ausschlusslogik klären, KPI-Basislinie definieren.
2. Tag 31 bis 60: Analytics-Schicht aufbauen, Forecast-Treiber sichtbar machen, Modellkandidaten vergleichen, Override-Prozess definieren.
3. Tag 61 bis 90: Pilot produktionsnah aufsetzen, Validierungsdokumente vorbereiten, Freigabelogik testen und Review-Rhythmus etablieren.

Ein guter Pilot ist bewusst klein genug, um steuerbar zu bleiben, aber relevant genug, um Entscheidungen zu verbessern. Geeignet sind meist klar segmentierte Produktfamilien, Ländercluster oder einzelne Kanäle mit hohem Forecast-Schmerz und überschaubarem Risiko.

Praxisbeispiel aus der Pharmaindustrie: Sothema

Ein konkretes Beispiel aus der Pharmaindustrie ist Sothema. Die Referenz zeigt, wie eine gemeinsame Datenbasis, integrierte Planung und strukturierte Szenarien helfen, Entscheidungen über verschiedene Planungshorizonte hinweg besser abzustimmen.

Für diesen Artikel ist das vor allem deshalb relevant, weil belastbares Forecasting nicht mit einer Black Box beginnt, sondern mit nachvollziehbaren Annahmen, abgestimmten Prozessen und einer Planungslogik, die Veränderungen früh sichtbar macht.

Regulatorische Leitplanken für Forecasting-Systeme

• FDA 21 CFR Part 11: relevant, wenn Forecasting-Systeme elektronische Aufzeichnungen, Benutzeraktionen und Freigaben revisionssicher nachweisen müssen.
• EU GMP Annex 11: wichtig für Validierung, Risikomanagement und den kontrollierten Betrieb computerisierter Systeme.
• ISPE GAMP 5, 2nd Edition: liefert einen praxistauglichen Rahmen, um GxP-relevante Systeme risikobasiert und nachvollziehbar einzuführen.
• IMDRF Good Machine Learning Practice: zeigt, wie daten- und modellgetriebene Systeme über ihren Lebenszyklus kontrolliert, überwacht und verbessert werden sollten.
• EMA-Leitlinie zu computerisierten Systemen und elektronischen Daten: unterstreicht, warum Datenintegrität, Rollenmodelle, Validierungsstatus und Traceability für regulierte Prozesse unverzichtbar sind.

Fazit

Pharmaunternehmen brauchen keine spektakuläre KI-Demo. Sie brauchen Forecasting, das belastbar, erklärbar und auditierbar ist. Der richtige Startpunkt ist daher selten das komplexeste Modell. Es sind saubere Daten, klare Governance, passende KPIs und ein Pilot, der Fachbereich, Planung, Qualität und IT gemeinsam trägt.

Genau dann entsteht der eigentliche Nutzen: bessere Forecasts, frühere Warnsignale, kontrolliertere Bestände und mehr Entscheidungssicherheit ohne unnötiges Compliance-Risiko.