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.
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.
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.
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.
Gute Modelle entstehen nicht aus mehr Daten, sondern aus den richtigen Signalen. Im Pharma-Umfeld gehören typischerweise interne und externe Quellen zusammengeführt.
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.
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.
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.
MAPE ist hilfreich, reicht aber für Pharma allein nicht aus. Wer nur auf den durchschnittlichen Fehler schaut, übersieht systematische Unterdeckung und Versorgungsrisiken.
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.
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.
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.
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.