4 Absatzplanung Flashcards

1
Q

Zeitreihenanalysen: Nachfrageprognosen 4

A

• Hohe Bedeutung für die Erzeugnisprogrammplanung
• Vorhersage zukünftigen Nachfrageverhaltens für ein Produkt auf Basis des des vergangenen
Nachfrageprozesses durch Extrapolation in die Zukunft (Zeitreihenanalysen)

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

Typen von Zeitreihen 4

A
  • Niveau (waagerechte Linie)
  • Linearer Trend
  • Sasionalität (mit Hochpunkt)
  • Irregularität
  • Superposition
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Zeitreihenkomponenten 4

A

siehe Grafik Thema 4

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

Konstantes Niveau 4

A
  • Annahme: Nachfrage schwankt zufällig um ein festes Niveau
  • fehlerhaft bei Trend-behafteter Entwicklung

Arithmetisches Mittel bei konstantem Absatzniveau: Zeitpunkt t / T Vergangenheitswerte

Gleitender Durchschnitt: arithmetisches Mittel auf Basis der letzten N Vergangenheitswerte

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

Exponentielle Glättung 1.Ordnung 4

A

pt+1 = Lt = alpha * nt + (1-alpha) * pt
(immer die Werte der vorigen Periode)
n = Nachfrage t-1
p = exponentielle Glättung t-1

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

Verfahren von Holt 4

A
  1. Achsenabschnitt 𝑎𝑡 =𝐿𝑡 =𝛼∙𝑛𝑡+ 1−𝛼 ∙(𝑎𝑡−1+𝑏𝑡−1)
  2. Anstieg 𝑏𝑡 =𝛽∙ 𝑎𝑡 −𝑎𝑡−1 + 1−𝛽 ∙𝑏𝑡−1
  3. Prognose 𝑝𝑡+𝜏 =𝑎𝑡 + 𝜏∙𝑏𝑡
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Prognosefehler 4

A

-Mittlerer Fehler nach n Perioden: MFn = Nachfrage- Preis + Nachfrage- Preis / n (Nachfrage ist meistens kleiner als Prognose (überschätzen der Nachfrage —> nicht genaue Angabe möglich +/-)

Mittlerer absoluter Fehler nach n Perioden MAFn = Betrag aus Nachfrage- Preis / n (im Durchschnitt liegt Nachfrage x im Vergleich zur Prognose daneben)

  • Mittlerer prozentualer Fehler: MPFn = MFn * 100
  • Mittlerer absoluter prozentualer Fehler: MAPFn = mit Betrag
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Neuronale Netze 4

A
  • Mit Künstlichen Neuronalen Netzen werden (i.d.R. mit großen Datenmengen) Systemzusammenhänge „trainiert“, um z. B. Prognosen abzuleiten
  • Aufbau orientiert am menschlichen Gehirn

Grafik siehe Zusammenfassung

•Vorteile gegenüber klassischen Prognoseverfahren: – Lernfähigkeit
– Toleranz gegenüber fehlenden oder fehlerhaften Daten •Nachteile:
– Blackbox → keine Erklärfunktion
– Netzkonfiguration aufwendig und oft intransparent

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

Erzeugnisprogrammplanung I 5

A

d kringel = Stückdeckungsbeitrag dj / Produktionskoeffizient a

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