PPS 3.20 Bedarfsprognose

• - Prognose= Aussage über die Zukunft, die sich auf Daten aus der Vergangenheit abstützt
• -> Ausnahme: zukünftige Entwicklung folgt (annähernd) dem zurückliegenden Trend

• - stehts "falsch" -> Vorhersagefehler
• - ändern sich laufend -> je weiter in Zukunft desto unsicherer
• - aggregierte Prognosen sind genauer als Einzelprognosen

• langfristiger Bedarf (z.B. nächste 5 Jahre)
• -> Einschätzungen Experten/Manager
• -> Kundenbefragungen/ Marktbeobachtungen
• -> Vergleich mit ähnlichen Produkten
• -> historische Daten (wenn verfügbar)

• mittelfristiger Bedarf (z.B. 12-24 Monate)
• -> Mischung: Einschätzungen Experten + statist. Methoden

• kurzfristiger Bedarf (z.B. nächste 1-12 Monate)
• -> stat. Methoden+ Modelle

• - Prognosen können sowohl subjektiv aufgrund persönlicher Erfahrungen als auch mit Hilfe spezieller Prognoseverfahren erstellt werden
• - zur Nachfrageprognose eignen sich insb. quantitative Prognoseverfahren

• - für Produktgruppen werden als erste Vorstufe der Beschäftigungsglättung in enger Abstimung mit dem Marketingbereich durchgeführt
• - dabei: Prognosemodelle zum Einsatz
• -> damit Mittel- bis langfristige Entwicklungen einer Zeitreihe vorhergesagt werden

• - für einzelne Produkte
• - vorwiegend zu Beginn der Hauptproduktionsprogrammplanung und im Bereich der stochastischen Materialbedarfsermittlung eingesetzt

• -> Ausgangspunkt in Vergangenheit auftretende Nachfrage nach Produkttyp oder einzelnen Produkten
• 1. Analyse empirischer Daten (Zeitreihenanalyse)
• 2. Gewinn von Erkenntnissen über Struktur der wichtigsten Einflussfaktoren
• 3. Extrapolation der Ergebnisse auf die Zukunft

• - Verkaufsbudget
• - Werbung
• - Sonderpreisangebote
• - Produkteigenschaft
• - Nachlasspolitik

• - Konjunktur
• - Konkurrenz
• - Konsumverhalten
• - weltweite Ereignisse
• - staatliche Ereignisse
• - Produktlebenszyklus

• - deterministisch (Formel aus bestimmenden Faktoren)
• - stochastisch (basierend auf Daten aus der Vergangenheit)

• - Stabilität (Vorhersagen sollen nicht unsinnig fluktuieren durch zufällige Schwankungen der Eingangsdaten)
• - Empfindlichkeit (Vorhersagen sollen auf sich ändernde Trends reagieren)

• - Zeitreihenanalyse (time deries decomposition)
• - Zeitreihenextrapolation (time series extrapolation)
• - gleitender Durchschnitt (oving averages)
• - exponentielle Glättung (exponential smoothing)
• - Box- Jenkins- Methode

• - historische Daten nutzen (bspw. vergangene 3 Jahre)
• - in Datenstruktur erkennen -> Grafik

• Aufteilen des Verlaufs in:
• -> Durchschnitt (= Niveau)
• -> Trend
• -> saisonabhängiger Teil

- jede Komponente für sich in die Zukunft prognostiziert

• 1. Untersuchung der charakteristischen Merkmale der Zeitreihe
• 2. Auswahl eines geeigneten Prodnosemodells
• 3. Schätzung der Koeffizienten des Prognosemodells
• 4. laufende Anwednung des Prognosemodells (Berechnung der Prognosewerte)
• 5. Beobachtung und Analyse der Prognosegenauigkeit im Zeitablauf
• => bei Auswahl eines Prognosemodells kann mit Hilfe der Zeitreihenanalyse das Bildungsgesetz einer Zeitreihe ermittelt werden

- in ihre Komponenten -> sind ultiplikativ oder additiv miteinander verknüpft

• T= langfristiger Trend
• C= mittelfristige zyklische Schwankungen
• S= saisonale Schwankungen
• I= unregelmäßige Schwankungen

=> meisten Ansätze: einzelne oder Kombinationen dieser Komponenten zu isolieren-> Regelmäßigkeiten erkennen

• unregelmäßig
• -> stark schwankend
• -> sporadisch

• regelmäßig
• -> konstant
• - ohne Saisoneinfluss
• - mit Saisoneinfluss

• -> trendförmig
• - ohne Saisoneinfluss
• - mit Saisoneinfluss

• SA
• = (Summe der Nachfrage aller zurückliegender Perioden) / ( ANzahl Perioden)

• MA
• =(Summe der Nachfrage der betrachteten Perioden)/(Anzahl Perioden)

-> Bsp. Periodenlänge 3 ->  heißt die letzten 3 Nachfragen

• WMA
• -> Bsp. Periodenlänge 3 (die jüngsten 3 Angaben)+ jüngste Angabe mit höchster Gewichtung

• Pt+1= Prognose für Periode
• \alpha=  Glättungskonstante bzw. -parameter \alpha(0<=\alpha=< 1); alpha =0 stabil keine Änderung, alpha =1 folgt 1:1 dem aktuellen Bedarf
• Dt= tatsächlicher Bedarf in Periode t bzw. beobachtete Nachfrage in Periode t
• Pt= Prognose für Periode t

• - Verfahren der Datenanalyse
• - Stärke des Zusammenhangs zw. 2 Variablen (bi- Variante) bzw. zwischen einer abhängigen und ehreren unabhängigen (multi- Variante) ermittelt wird (Regressionsanalyse)

• - unabhängige Variable (Wert hängt von Parametern des Modellsystems ab)
• - abhängige Variable (wert hängt von den WErten anderer Variablen ab)

• - Produkt- Moment- Korrelationskoeffizient der Bi- Variante
• - Definitionsbereich: -1=< r =< +1
• = Maß für Abhängigkeit einer Variablen von anderen bzw. die Stärke des zusamenhangs
• - wenn r= positiv -> Werte ändern sich in gleicher Art
• - wenn r= negativ -> Werte ändern sich entgegengesetzt
• => je stärker sich die im 2- dimensionalen Raum abgebildeten Daten einer Geraden annähern, desto größer ist Wert des Korrelationskoeffizienten

• - Verfahren der Datenanalyse
• - Art des Zusammenhangs zwischen Variablen und öglichkeit ihrer funktionalen Beschreibung durch statistische Anaöyse der Abhängigkeiten einer zielvariablen (= Kriteriumsvariablen) und einer oder mehrerer erklärender Variablen (= Prädikatorvariablen) untersucht
• => Prinzip RA: öglichst genaue Anpassung einer theoretischen Funktion an die empirischen Wertpaare, wie in Streudiagra dargestellt werden

- Annahme: lienare Beziehung zw. unabhängigem (X) und abhängigem (Y)

y= a+b*X

- Annahme: lineare Beziehung zw. mehreren unabhängigen Variablen (Y1, Y2, Y3,....Ya) und einer abhängigen Variablen

Y= a+b1*X1+ b1*X2+....+ba*Xa)

- Annahme: funktionaler Zusammenhang zwischen unabhängiger Variable (X) und abhängiger Variable (Y), der nicht linear ist

Y= a*Xb

- Annahme: nichtlinearer Zusammenhang zwischen den unabhängigen Variablen (X1, X2,....Xn) und abhängigen Variablen (Y) ausgegangen wird

z.B. Y= a+b1*X1+b2*X2^2