Brainscape's Knowledge GenomeTM


Top Flashcards (Certified)
All Flashcards

Innovative Konzepte und Instrumente im Supply Chain Management > 4.1.2 Quantitative Nachfrageprognose in der Supply Chain > Flashcards

4.1.2 Quantitative Nachfrageprognose in der Supply Chain Flashcards

(52 cards)

Start Studying
1
Q

Zeitreihenanalysen - gängige Verfahren

A
  • Exponentielle Glättung 1. Ordnung
  • Exponentielle Glättung 2. Ordnung
  • Exponentielle Glättung nach Holt/Winters
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Exponentielle Glättung 1. Ordnung - allgemein

A
  • geglättete Mittelwertmethode
  • zur Erstellung von Prognosen für zukünftige Werte p_t+1
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Exponentielle Glättung 1. Ordnung - Anwendung

A

für Nachfragen, die keine Trend- und Saisonkomponente vorweisen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Exponentielle Glättung 1. Ordnung - basiert auf…

A
  • Glättungsfaktor α ∈ [0, 1]
  • historischen Daten (tatsächlichen, in der Vergangenheit beobachteten Werten x_t)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Exponentielle Glättung 1. Ordnung - mit steigender Aktualität…

A

erhalten Beobachtungswerte x_t eine höhere Gewichtung auf die berechneten Prognosewerte p_t+1

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Abb. Exponentielle Glättung 1. Ordnung - Formel

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Exponentielle Glättung 1. Ordnung - pragmatische Initialisierung

A

p_t = x_t

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Abb. Kalkulationsbeispiel zur exponentiellen Glättung 1. Ordnung

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Exponentielle Glättung 1. Ordnung - Glättungsfaktor α = 1

A

-> alle Beobachtungswerte werden unverändert um eine Periode in die Zukunft verschoben

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Exponentielle Glättung 1. Ordnung - kleiner Glättungsfaktor α (bspw. 0,1)

A

-> Gewichtung von Veränderungen der Beobachtungswerte auf die Prognose verringert sich
-» Prognose wird weniger anfällig für Schwankungen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Exponentielle Glättung 1. Ordnung - richtige Bestimmung des Glättungsfaktors

A

erfordert von der planenden Person:
* Erfahrung mit dem Umgang dieser Prognosemethode
* Erfahrungen und gute Kenntnisse der spezifischen Nachfrage

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Exponentielle Glättung 1. Ordnung - Anzahl zukünftiger Perioden

A
  • Prognosewerte,
  • abhängig vom gewählten Glättungsfaktor,
  • konvergieren schneller oder langsame
  • gegen den Mittelwert der Beobachtungswerte,
  • falls keine neuen Beobachtungswerte mehr verfügbar sind
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Exponentielle Glättung 1. Ordnung - Anzahl zukünftiger Perioden - Konsequenz

A

-> auf eine oder maximal zwei zukünftige Perioden begrenzt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Exponentielle Glättung 1. Ordnung - Anzahl zukünftiger Perioden - In der Praxis

A

-» Prognosewert p_t+1 wird nach jeder Periode t mit dem neuen Beobachtungswert x_t erneut berechnet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Exponentielle Glättung 2. Ordnung - allgemein

A

erweitert die exponentielle Glättung 1. Ordnung um die Trendkomponente

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Exponentielle Glättung 2. Ordnung - Anwendung

A

Vorhersagen von Nachfragen, die historisch einen Trend aufweisen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Exponentielle Glättung 2. Ordnung - Glättungsfaktoren

A

α und β
(α, β ∈ [0, 1])

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Exponentielle Glättung 2. Ordnung - Verlauf der Trendkomponente

A

wird als linear angenommen
-> Grundlage der Berechnung der Prognosewerte p_t+n:
allgemeine Formel linearer Funktionen y = mx + c
(n: Anzahl der Perioden, die in der Zukunft liegen)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Exponentielle Glättung 2. Ordnung - Formel Prognosewert p_t+n

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Exponentielle Glättung 2. Ordnung - Formel Ordinatenabschnitt c

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Exponentielle Glättung 2. Ordnung - Formel Steigungsfaktor m

22
Q

Exponentielle Glättung 2. Ordnung - Initialwerte

Study These Flashcards
A

c_i = x_i
m_i = (x_i – x_k)/(i-k)
k: Index einer Periode ist, die vor dem Initialzeitindex i liegt
-> Initialwert für m_i = durchschnittlicher Wert von x in den Perioden k bis i

23
Q

Abb. Kalkulationsbeispiel zur exponentiellen Glättung 2. Ordnung

24
Q

Exponentielle Glättung nach Holt/Winters - allgemein

Study These Flashcards
A

exponentielle Glättung 2. Ordnung um eine Saisonkomponente erweitert

25
Exponentielle Glättung nach Holt/Winters - dritter Glättungsfaktor
* zur Bestimmung der Saisonkomponente s_t * für eine Periode mit der Saisondauer d * wird ein dritter Glättungsfaktor γ eingeführt
26
Exponentielle Glättung nach Holt/Winters - Ermittlung der Saisonkomponente
* benötigt Beobachtungswerte von zwei Perioden * kann additiv oder multiplikativ implementiert werden
27
Exponentielle Glättung nach Holt/Winters - Formel Prognosewert p_t+n (additiv)
28
Exponentielle Glättung nach Holt/Winters - Formel Ordinatenabschnitt c
29
Exponentielle Glättung nach Holt/Winters - Formel Steigungsfaktor m
30
Exponentielle Glättung nach Holt/Winters - Formel Saisonkomponente s
31
Exponentielle Glättung nach Holt/Winters - Initialwert Ordinatenabschnitt c
32
Exponentielle Glättung nach Holt/Winters - Initialwert Steigungsfaktor m
33
Exponentielle Glättung nach Holt/Winters - Initialwert Saisonkomponente s
34
Abb. Kalkulationsbeispiel zur exponentiellen Glättung nach Holt/Winters
35
Zeitreihenanalyse - Herausforderung
Bestimmung der möglichst besten Glättungsfaktoren
36
Zeitreihenanalyse - Bestimmung der Glättungsfaktoren - bewährte und praktische Methode
Vergleich zwischen der errechneten Prognosewerte für Zeitpunkte, zu denen bereits Beobachtungswerte vorliegen -> Prognosefehler zwischen Prognosewert und Beobachtungswert bestimmen ->> Glättungsfaktoren so angepassen, dass die Prognosefehler minimiert werden (bspw. durch mathematische Optimierungsmodelle)
37
Ungenauigkeit von Prognosen
* im Vorfeld („ex ante“) nicht exakt bestimmbar * kann nur im Nachgang („ex post“) gemessen werden: Prognose mit tatsächlich eingetroffenen Fall vergleichen und die Abweichung messen
38
Bewertung der Prognosequalität
In der Praxis über unterschiedliche Kennzahlen
39
Prognosefehler - allgemein
Differenz zwischen Real- und Prognosewert
40
Prognosefehler - Möglichkeiten
Güte und Eignung eingesetzter Prognoseverfahren ermitteln -> Eignung von Prognoseverfahren für betrachtete Zeitreihe im Voraus besser abgeschätzen
41
Prognosequalität - prominente Kennzahlen - Annahme
Auswirkungen von Über- und Minderangebot haben ähnliche Effekte auf die Supply Chain
42
Prognosequalität - prominente Kennzahlen
* Mittlere absolute Abweichung (Mean Absolute Deviation, MAD) * Mittlerer quadratischer Fehler (Mean Squared Error, MSE) * Mittlerer absoluter prozentualer Fehler (Mean Absolute Percentage Error, MAPE)
43
Mittlere absolute Abweichung - Vorgehen
absolute Werte der Prognosefehler werden ermittelt und anschließend ihr Mittelwert berechnet
44
Mittlere absolute Abweichung - Formel
45
Mittlere absolute Abweichung - Anwendung
wenn sich Verluste proportional zum Über- bzw. Minderangebot verhalten
46
Mittlerer quadratischer Fehler - Vorgehen
Prognosefehler jeder Periode werden quadriert und anschließend ihr Mittelwert bestimmt -> große Prognosefehler fallen mit der MSE-Berechnung höher ins Gewicht als kleine Fehler
47
Mittlerer quadratischer Fehler - Formel
48
Mittlerer quadratischer Fehler - Anwendung
wenn große Abweichungen von der Prognose bedeutend höhere Verluste in der Supply Chain verursachen
49
Mittlerer absoluter prozentualer Fehler - Berechnung
für jede Periode wird: * der prozentuale Anteil der Fehler zur Nachfrage gebildet * der absolute Wert daraus bestimmt * der Mittelwert dieses Wertes über alle betrachteten Zeitperioden berechnet
50
Mittlerer absoluter prozentualer Fehler - Formel
51
Mittlerer absoluter prozentualer Fehler - Anwendung
* für Nachfragen, die über die Periode schwanken * für Fälle, in denen Verluste sich proportional zum Über- bzw. Minderangebot verhalten
52
Prognosefehler - Entwicklungen
* Einsatz von Computern erleichtert die Erstellung von Prognosen im Allgemeinen * Computer erlauben es, verschiedene Verfahren zu vergleichen und zu kombinieren * Computertechnik entwickelt unter dem Oberbegriff der „Künstlichen Intelligenz“ zunehmend Verfahren, deren konkrete Funktionsweise selbst für erfahrene Prognoseexperten nur schwer nachvollziehbar ist, die sich aber in der Praxis als leistungsfähig und präzise herausgestellt haben

Innovative Konzepte und Instrumente im Supply Chain Management (36 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions