Kapitel 2

Question 1

Wozu dienen Planzahlen

Answer 1

Dienen der Prognose, Planung und einem Ziel (Sollzustand),
allgegenwärtig im Betrieb und grundlegend

Question 2

Ausgestaltung von Planzahlen

Answer 2

Planzahlen werden durch Beobachtung und Auswertung konstruiert
– Muster aus der Vergangenheit
– Eventuelle Änderungen der Rahmenbedingungen
– Aus technischen Überlegungen
– Aus Szenariomodellierungen

Question 3

Anforderungen von Planzahlen

Answer 3

Planzahlen sollen bestimmte Anforderungen erfüllen
– Verlässlich
– Plausibel
– Nachvollziehbar
– Implementierbar

Question 4

Prognoseprozess

Answer 4

Question 5

Prognoseziel Was?

Answer 5

» Wahrscheinlichkeit, mit der ein Ereignis eintritt
» quantitative Ausprägung des Ereignisses (oder beides)

Question 6

Hauptanwendungsfelder Planzahlen

Answer 6

» Hauptanwendungsfelder
– Mengenbedarfsplanung (Beschaffung, Logistik, Materialmengen)
– Produktionsplanung (Produktion, Personalauslastung)
– Finanzielle Führung (Liquiditätsplanung)
» Beispiele
– Absatzzahlen
– Planverbrauchsmengen
– Planpreise
– Herstellungsmengen
– Planwert eines Unternehmens

Question 7

Forecasts und Beispiele

Answer 7

Forecasts dienen als Planungs- und Steuerungsgrundlage für alle betrieblichen Funktionalbereiche
Beispiele:

Question 8

Planungshorizont: Zeitraum

Answer 8

» Je länger eine Prognose in die Zukunft geht, desto ungenauer/ungewisser wird sie
» Eintrittswahrscheinlichkeit der Prognose verringert sich, je länger der Planungszeitraum in
der Zukunft liegt
» Klassische Budgetierung: Einjahresfokus

Question 9

Planungshorizont Unterteilung

Answer 9

Kurzfristprognosen

• zur Planung von z. B. Absatz-, Produktions-
  und Beschaffungsmengen
• Prüfstein für Zielsetzungen
• kündigen frühzeitig Abweichungen an

Langfristprognosen
* dienen strategischen Überlegungen
bzw. grundsätzlichen Entscheidungen
über die Sinnhaftigkeit eines
Engagements

Question 10

Planungshorizont: Intervalle

Answer 10

» Forecasts können einen festen Endzeitpunk (z. B. Jahresend-Forecast) oder einen festen
Planungszeitraum (rollierender Forecast) haben:

Jahresend-Forecast (Year-end Forecast)
» Fokus: liefert Einschätzung über die Erreichung der Planziele (Budget)

Rollierender Forecast (Rolling Forecast)
» Prognosen werden unterjährig in regelmäßigen Zeitabständen angepasst
» Neue Informationen werden mit einbezogen
» Bestehende Ist-Werte komplettieren die rollierende Planung zu einer neuen
Vorschauversion
» betrachtet stets die gleiche Anzahl von Quartalen
» Meist Prognose für 12-18 Monate

Ereignisgesteuerte Planung (Event-driven Planning)
» Revision eines Planes wird durch ein wichtiges (zuvor definiertes) Ereignis ausgelöst
(z. B. unerwarteter Absatzanstieg, wesentliche Änderungen des Auftragseingangs)

Question 11

Vor- und Nachteile rollierender Prognosen

Answer 11

» Vorteile:
– Neue Informationen werden durchgängig berücksichtigt
– Ermöglicht Überblick über die Perioden nach Ablauf des Geschäftsjahres
– Verbessert Prognosegenauigkeit

» Nachteile:
– zeitaufwendig
– teuer, da laufend Meinungen von Expert:innen eingeholt und Berechnungen erstellt werden müssen
– schwierige langfristige Planung, da sich auch kleinste Änderungen z. B. Änderung dern Wachstumsrate signifikant im Terminal Value niederschlagen können

Question 12

Verfahrensauswahl Bestimmung Planzahlen

Answer 12

Question 13

Qualitative Methoden der Planzahlenermittlung: Befragung

Answer 13

» Planwerte durch Auswertung von Befragungen
– Meinungsbilder von potenziellen Kund:innen, Intuitionen
– Befragung von Expert:innen/Management (zu Produkten, Produktionsprozessen oder
wirtschaftlicher Entwicklung des Marktes)

» Probleme:
– Gruppe der Befragten, Formulierung der Fragen und/oder Darstellung des Produktes
haben Einfluss auf das Ergebnis → kann zu Verzerrung der Ergebnisse führen
– Falsche Annahmen durch Informationsdefizite oder bewusste Verzerrung (z. B. zur
Sicherstellung von Bonuszahlungen)

» Lösung bei Befragung von Expert:innen für ein eindeutiges und qualifiziertes Ergebnis:
Delphi Methode

Question 14

Ablauf Delphi-Methode

Answer 14

Thesenbildung
Auswahl der Experten
Individuelle Befragung
Sammlung und Auswertung
Mitteilung der Zwischenergebnisse an die
Expert:innen
Erneute Befragung/Prüfung
Ergebnis

Question 15

Vor- und Nachteile von Qualitativen Methoden

Answer 15

» Vorteile:
– Befragungen können erste Anhaltspunkte für eine tiefergreifende Analyse geben
– Umfrage von Kund:innen und Meinungsbilder sind bei guter Durchführung verlässlich
– Lernprozess bei Delphi-Befragung bringt qualifiziertere Ergebnisse
– keine historischen Daten notwendig
– hohe Grundakzeptanz

» Nachteile:
– Einflussfaktoren, z. B. Konjunktur müssen mit analysiert werden
– Befragung von Kund:innen sehr subjektiv
– Gefahr von Verzerrungen
– Große Umfragen, z. B. Delphi-Befragung sind sehr zeit- und kostenaufwendig

Question 16

Quantitative Methoden: Auflistung

Answer 16

Question 17

Naiver Forecast

Answer 17

Basismodell: Prognosewert der kommenden Periode = Istwert der Vorperiode
Weitere Varianten:
1. Prognosewert = Istwert der Vorperiode unter Berücksichtigung der letzten
Veränderung
2. Prognosewert = Istwert der Vorperiode unter Berücksichtigung des Durchschnitts der letzten Veränderungen
3. Prognosewert = Istwert der Vorperiode unter Berücksichtigung des mittel bzw.
langfristigen Trends
4. Prognosewert = Istwert der gleichen Periode der letzten Saison

Question 18

Zeitreihenanalyse

Answer 18

» Analyse einer bestimmten Größe mit mathematisch-statistischen Methoden
– Untersuchung hinsichtlich Gesetzmäßigkeiten (z. B. konstantes Niveau, Trend) aus der
Vergangenheit
– Übertrag der Gesetzmäßigkeiten in die Zukunft

» zeitabhängige Betrachtung der untersuchten Größen
» Voraussetzung: ausreichend lange Zeitreihe verfügbar

kann univariat oder multivariat sein

Question 19

Zeitreihenanalyse: Konstantes Niveau

Answer 19

Mittelwerte oder Exponentielle Glättung 1. Grades

Question 20

Vor- und Nachteile Mittelwertberechnung

Answer 20

» Vorteil:
– Sehr einfache Berechnung
– Bei gewichtetem Durchschnitt können jüngere Perioden mehr Einfluss bekommen
und so z. B. den technischen Fortschritt berücksichtigen
– Mit Hilfe des gleitenden Durchschnitts können auch Trends und Saisonkomponenten
identifiziert werden

» Nachteil:
– zu wenig Daten: große Anfälligkeit für Ausreißer
– zu viele Daten: sehr aufwendig und langsame Reaktionszeit, inflexibel
– Arithmetisches Mittel nur bei konstanten Verläufen sinnvoll, in Realität selten,
höchstens als Benchmark sinnvoll
– Nur für kurzfristige Prognosen geeignet

Question 21

Exponentielle Glättung 1. Grades Ansatz

Answer 21

» Ansatz: Aktuelle Perioden sind höher zu gewichten als vergangene Perioden
» Bei gleitendem Durchschnitt gehen nur die letzten T Perioden mit in die Berechnung ein,
bei der exponentiellen Glättung 1. Grades alle
» Bestimmung eines Glättungsfaktors Alpha zur Gewichtung
– Je höher α, desto stärker werden aktuelle Perioden gewichtet
– Gewichte nehmen exponentiell mit der Aktualität zu

Question 22

Zeitreihenanalyse: Trendverlauf

Answer 22

Regressionsanalyse, Exponentielle Glättung 2. Grades oder Wachstumsraten

Question 23

Exponentielle Glättung 2. Grades Ansatz

Answer 23

» Konzept ähnlich wie exponentielle Glättung 1. Grades, aber mit jeweils einem
Glättungsfaktor für den Achsenabschnitt und einem für die Steigung der Prognosefunktion.
» Durch nochmalige Glättung der Zeitreihe können auch Trendverläufe dargestellt werden
» a, ß üblicherweise Werte zwischen 0,2 bis 0,4

Question 24

Zeitreihenanalyse: Saisonaler Verlauf

Answer 24

Exponentiellen Glättung 3. Grades

Question 25

Zeitreihenanalyse andere Verläufe

Answer 25

Chaotische Verläufe denkbar
» Bei diesen Verläufen ist eine Prognose schwierig und ungenau
» viele Erweiterungen denkbar

Question 26

Vergleich Zeitreihenanalyse und kausale Prognose

Answer 26

» Verwendung verschiedener Variablen zur Prognose eines Wertes yt+1

» Zeitreihenprognosen ziehen vergangene Werte des Prognosegegenstandes heran

» Kausale Prognosen ziehen Werte, die unabhängig vom Prognosegegenstand sind und für
den Prognosezeitpunkt existieren, heran

Question 27

Allgemeine Regressionsanalyse

Answer 27

» Kausalbeziehungen (Ursache-Wirkungsbeziehungen) zwischen einer abhängigen (x1,….,xn) und
einer oder mehrerer unabhängiger Variablen (x1, …, xN)
– a, b = Regressionsparameter (a= Achsenabschnitt; b=Steigung)
– Epsilon = Störterm mit E(x0) = 0, also nicht weiter beachtet

Lineare und Multiple Regression und nicht lineare Regression möglich
Jedoch Gefahr der Scheinkorrelation

Question 28

Eignung von Prognoseverfahren

Answer 28

Question 29

Prognosefehler

Answer 29

» Ziel: Minimierung der Prognosefehler
» Nachträglich zur Feststellung der Abweichung vom Prognosewert
- MSE
- MAD
» Aber: Struktureller Prognosefehler wird nicht von Prognosefehlerkennzahlen erkannt

Question 30

Erkennung struktureller Prognosefehler

Answer 30

» Generelle Über- oder Unterschätzung kann mithilfe des Tracking-Signals erkannt werden: misst das Verhältnis des geglätteten Prognosefehlers (SE, Smoothed Error) zum geglätteten absoluten Prognosefehler (Smoothed Absolute Error)
ts > 0,51 strukurelle positive abweichung
ts < -0,51 strukturelle negative Abweichung

Question 31

Ursachen struktureller Prognosefehler

Answer 31

» Mögliche Ursachen:
– Informationsasymmetrien
– Bewusst falsche Planzahlen
– Wahrnehmungsverzerrungen:
* Überoptimismus
* Bestätigungsverzerrung
* Halo-Effekt
* Priming-Effekt
* Veränderungsaversion bzw. „Status Quo Bias“
* Voreilige Mustererkennung

Question 32

Predictive Analytics

Answer 32

» Predictive Analytics nutzt Data-Mining, um Trends, Muster oder Verknüpfungen zwischen
Daten zu identifizieren, um mit Hilfe derer Prognosen für zukünftige Ereignisse tätigen zu
können
» Traditionelle Analysemethoden geben Antworten auf vorgegebene Fragestellungen
» Big-Data-Analysen durchforsten Informationen, sodass auch Verbindungen und
Zusammenhänge entdeckt werden, die nicht zu erwarten/erkennen waren
- Teil der Business Intelligence und Business Analytics

Question 33

Big Data als neue Erkenntnisquelle

Answer 33

Velocity
Daten werden mit sehr hohen
Geschwindigkeiten erzeugt und müssen in
Echtzeit ausgewertet und analysiert werden

Variety
hohe Vielfalt an Daten, die aus den
unterschiedlichsten Quellen stammen

Volume
Immense Datenvolumen

Veracity
Sinnhaftigkeit bzw. Vertrauenswürdigkeit der
Daten und der daraus abgeleiteten Ergebnisse

Question 34

Praxisbeispiele Predictive Analytics

Answer 34

» fraud detection:

Algorithmen, die z. B. Unregelmäßigkeiten in der Rechnungsstellung oder
Bilanzierung erkennen (z. B. fehlerhafte Rechnungen, Manipulation von Bilanzen)

» predictive maintenance:

Algorithmen zur Ableitung von Maschinenverhalten, um geeignete
Wartungszeitpunkte und erforderliche Ersatzteile zu identifizieren

» predictive quality:

Parametrisierung einzelner Produktionsstufen zur Identifizierung fehlerhafter
Produkte (z. B. zur Vorbeugung von Rückrufen)

» churn management:

Identifikation unzufriedener Kund:innen, z. B. häufige Kontaktaufnahme der
gleichen Gruppe von Kund:innen gibt Hinweis auf „gefährdete“ Kund:innen
» Identifizierung von Upselling-Potenzial:

Algorithmen, basierend auf bisherigem Verhalten der Kund:innen, zur Vorhersage
bei welchen Kund:innen sich Kontaktaufnahme für Upselling-Anfrage lohnt

» Erhöhung der Zahlungsmoral:

effizientes Cash Forecasting durch Einbezug von Erfahrungen, unter welchen
Umständen Kund:innen fristgerecht zahlen (z. B. Skonti)

» Personalbindung:

Vorhersagen, wie wahrscheinlich ein Wechsel von Mitarbeiter:innen ist, z. B.
anhand bisheriger Lebensläufe, Teilnahme an Weiterbildungen, etc.