Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Innovative Konzepte und Instrumente im Supply Chain Management > 4.1 Nachfrageprognose in der Supply Chain > Flashcards

4.1 Nachfrageprognose in der Supply Chain Flashcards

1
Q

Nachfrageprognose - Bedeutung

A

wesentlichen Einflussfaktor auf effektive und effiziente Leistungsfähigkeit der SC

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

Nachfrageprognose - weniger Produkte als nachgefragt - Folgen

A

kann zulasten der Effektivität die Nachfrage nicht ausreichend bedienen
-> SC verliert potenzielle Umsätze

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

Nachfrageprognose - weniger Produkte als nachgefragt - Monopolstellung

A

unterliegen weniger diesem Effekt

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

Nachfrageprognose - mehr Produkte als nachgefragt - Folgen

A

überproduzierte Menge wird entweder zu niedrigeren Preisen angeboten oder entsorgt
-> Verschwendung von Ressourcen
-» mindern Gewinnmarge der SC

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

Nachfrageprognose - mehr Produkte als nachgefragt - Entsorgung

A

soll Preisstabilität des Produktes sichern

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

Nachfrageprognose - Informationsquelle

A

werden in allen Entscheidungsebenen des SCM als Informationsquelle zur Entscheidungsfindung genutzt

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

Nachfrageprognose - strategische Planung

A

primär für Konfiguration des SC-Netzwerks

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

Nachfrageprognose - taktische Planung

A

ausgehend von Nachfrageprognosen und unter Berücksichtigung von Kapazitätsrestriktionen der SC Absatzmengen prognostizieren

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

Absatzprognosen - allgemein

A

Anteil der ermittelten Nachfrageprognose, den eine SC bedienen möchte

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

Absatzprognosen - Verwendung

A
  • Vorhersage von Produktionsmengen von Produkten
  • der sich daraus ergebenden Ressourcen- und Kapazitätsbedarfe, die entlang der gesamten SC für die Herstellung benötigt werden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Prognosen - wichtiges Element

A

im Informationsfluss und in der Koordination zwischen Akteuren einer SC

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

Prognosen - Genauigkeit

A
  • versuchen, zukünftige Ereignisse vorherzusagen
    -> in der Regel ungenau
  • Je weiter in die Zukunft und je detaillierter, desto unsicherer
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Prognosen - Ursachen für Unsicherheiten

A
  • zunehmende Summe möglicher Ausprägungen aller Einflussfaktoren, die auf die Nachfrage wirken
  • teilweise unterliegen diese Einflussfaktoren oder ihre Ausprägungen Zufällen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Prognoseerstellung - Problem

A

Zum Zeitpunkt der Prognoseerstellung sind nicht alle Einflussfaktoren, ihre Ausprägungen oder ihre Wirkung auf die Nachfrage bekannt und fließen daher nicht systematisch in die Prognosewerte ein

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

Prognoseerstellung - Grundlage

A
  • Zurückgreifen auf Vielzahl an Informationen
  • Versuch Wechselwirkungen von Einflussfaktoren zu erkennen und in der Prognoseerstellung abzubilden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Prognoseerstellung - Informationen und Faktoren

A
  • historische Faktoren
  • nachfragesteuernde Faktoren
  • Umfeldfaktoren
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

historische Faktoren

A
  • Grundlage vieler Prognoseverfahren:
    Absätze der Vergangenheit
  • Kundenbestellzyklen liefern Informationen über mögliche zukünftige Nachfragen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

nachfragesteuernde Faktoren - allgemein

A

SC können Nachfragen in einem segmentspezifischen Korridor beeinflussen

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

nachfragesteuernde Faktoren - Generische Werkzeuge

A
  • Marketingaktivitäten
  • dauerhafte Preisänderungen
  • Veränderungen am Angebotsportfolio (Einführung neuer Produkte)
    -> kann zu Nachfragekannibalisierung führen!
    -» gesondert prüfen!
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Nachfragekannibalisierung

A
  • Verschiebungseffekt bei Produktnachfragen
  • Verschiebung der Nachfrage von einem Produkt auf ein vergleichbares Produkt desselben Anbieters
  • Gesamtnachfrage bleibt nahezu konstant
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Umfeldfaktoren - allgemein

A
  • entziehen sich der Kontrolle durch die SC
  • nicht oder nur stark bedingt beherrschbar
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Umfeldfaktoren - Beispiele

A
  • Aktivitäten der Wettbewerber
  • makroökonomische Effekte (Währungsschwankungen)
  • singuläre Effekte (Naturkatastrophen, Kriege, Pandemien)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Prognoseerstellung - Klassifizierung Verfahren

A
  • qualitativ
  • quantitativ
  • hybrid
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

qualitative Prognoseverfahren - Grundlage

A
  • basieren auf subjektiven Beobachtungen und Schätzungen einzelner Personen
  • Erwartungen an zukünftige Entwicklungen
  • beruhen auf individuellen und in der Vergangenheit erlangten Kenntnissen und Erfahrungen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

qualitative Prognoseverfahren - Möglichkeiten

A
  • über logische Deduktion kausaler Zusammenhänge vergangener Beobachtungen
  • intuitiv
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

qualitative Prognoseverfahren - Beispiele

A
  • Experteninterviews
  • Delphi-Methode
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

Delphi-Methode

A
  • strukturiertes iteratives Verfahren
  • Experten werden zu einem Thema anonym befragt
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

qualitative Prognoseverfahren - Einsatz

A

wenn keine ausreichende objektive Datenlage für den Einsatz quantitativer Prognoseverfahren vorliegt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

quantitative Prognoseverfahren - allgemein

A
  • bedienen sich mathematischer Methoden
  • aus Vergangenheitsdaten zukünftige Prognosen herleiten
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

quantitative Prognoseverfahren - Beispiel

A

Zeitreihenanalyse

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Zeitreihenanalyse - Vorteil

A

aufwandsarme Erstellung von Prognosen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Zeitreihenanalyse - allgemein

A
  • zeitliche Abfolge von Daten
  • besteht in der Regel aus mehreren gleich langen Perioden (Wochen oder Monaten)
  • können in der Vergangenheit und/oder in der Zukunft liegen
  • Für jede der Perioden werden Werte angegeben
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Zeitreihenanalyse - Werte

A
  • für Mengenprognosen:
    -> Werte = Mengen
  • für vergangene Perioden:
    -> Mengen = historischen Verbräuchen bzw. Verkäufen
  • zukünftige Perioden:
    -> Mengen = Prognosen für Bedarfe bzw. Nachfragen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

Zeitreihen - Komponenten

A
  • Trendkomponente
  • Saisonkomponente
  • Restkomponente
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

Trendkomponente

A
  • beschreibt die langfristige mittlere Entwicklung der Nachfragemenge über mehrere Zeitperioden
  • Trends können steigend, fallend oder gleichbleibend sein
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

Saisonkomponente

A

beschreibt die Schwankung der Nachfragemenge, die sich in bestimmten zeitlichen Abständen wiederholt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

Restkomponente

A

beschreibt alle anderen Schwankungen der Nachfragemenge, die nicht über die Trend- oder Saisonkomponente begründet werden können

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

Zeitreihenkomponenten - mathematische Kombinationen

A

Je nach Charakteristika der historischen Nachfragemenge können durch mathematische Kombinationen der Zeitreihenkomponenten geeignete Prognosemodelle erstellt werden

39
Q

hybride Prognoseverfahren - allgemein

A
  • verwenden Elemente der qualitativen und der quantitativen Prognoseverfahren
  • erweitern diese um computergestützte Verfahren
40
Q

hybride Prognoseverfahren - Beispiel

A
  • basierend auf Simulation
  • Einsatz von Big Data Analytics
41
Q

hybride Prognoseverfahren - Simulation

A

Konsumverhalten unterschiedlicher Gruppen von Konsumenten wird stochastisch modelliert
-> deren Nachfrage über eine definierte Zeitspanne simuliert

42
Q

hybride Prognoseverfahren - Ergebnissen Simulationen

A

Ableitung von Prognosen für zukünftige Bedarfe

43
Q

hybride Prognoseverfahren - Einsatz von Big Data Analytics - Schritte

A
  1. quantitativer Schritt:
    historische Nachfragedaten werden maschinell analysiert und mögliche Korrelationen zwischen einer Vielzahl möglicher Einflussfaktoren abgeleitet
  2. qualitativer Schritt:
    die ermittelten Korrelationen werden nach Kausalitäten überprüft
44
Q

hybride Prognoseverfahren - Einsatz von Big Data Analytics - Kausalität

A
  • Korrelation als Folge einer Kausalität
    -> Abhängigkeit von Einflussfaktoren
    -» kann zur Erstellung von Prognosen verwenden
  • keine Kausalität
    -> entdeckten Korrelationen = zufällige Erscheinungen
    -» kann nicht für systematische Prognoseerstellung verwendet werden
45
Q

Zeitreihenanalysen - gängige Verfahren

A
  • Exponentielle Glättung 1. Ordnung
  • Exponentielle Glättung 2. Ordnung
  • Exponentielle Glättung nach Holt/Winters
46
Q

Exponentielle Glättung 1. Ordnung - allgemein

A
  • geglättete Mittelwertmethode
  • zur Erstellung von Prognosen für zukünftige Werte p_t+1
47
Q

Exponentielle Glättung 1. Ordnung - Anwendung

A

für Nachfragen, die keine Trend- und Saisonkomponente vorweisen

48
Q

Exponentielle Glättung 1. Ordnung - basiert auf…

A
  • Glättungsfaktor α ∈ [0, 1]
  • historischen Daten (tatsächlichen, in der Vergangenheit beobachteten Werten x_t)
49
Q

Exponentielle Glättung 1. Ordnung - mit steigender Aktualität…

A

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

50
Q

Abb. Exponentielle Glättung 1. Ordnung - Formel

51
Q

Exponentielle Glättung 1. Ordnung - pragmatische Initialisierung

52
Q

Abb. Kalkulationsbeispiel zur exponentiellen Glättung 1. Ordnung

53
Q

Exponentielle Glättung 1. Ordnung - Glättungsfaktor α

A
  • Glättungsfaktor von 1
    -> alle Beobachtungswerte werden unverändert um eine Periode in die Zukunft verschoben
  • kleinen Glättungsfaktor (bspw. 0,1)
    -> Gewichtung von Veränderungen der Beobachtungswerte auf die Prognose verringert sich
    -» Prognose wird weniger anfällig für Schwankungen
54
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

55
Q

Exponentielle Glättung 1. Ordnung - Anzahl zukünftiger Perioden

A

Prognosewerte, abhängig vom gewählten Glättungsfaktor, konvergieren schneller oder langsamer gegen den Mittelwert der Beobachtungswerte, falls keine neuen Beobachtungswerte mehr verfügbar sind
-> auf eine oder maximal zwei zukünftige Perioden begrenzt
-» In der Praxis: Prognosewert p_t+1 wird nach jeder Periode t mit dem neuen Beobachtungswert x_t erneut berechnet

56
Q

Exponentielle Glättung 2. Ordnung - allgemein

A

erweitert die exponentielle Glättung 1. Ordnung um die Trendkomponente

57
Q

Exponentielle Glättung 2. Ordnung - Anwendung

A

Vorhersagen von Nachfragen, die historisch einen Trend aufweisen

58
Q

Exponentielle Glättung 2. Ordnung - Glättungsfaktoren

A

α und β
(α, β ∈ [0, 1])

59
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)

60
Q

Exponentielle Glättung 2. Ordnung - Formel Prognosewert p_t+n

61
Q

Exponentielle Glättung 2. Ordnung - Formel Ordinatenabschnitt c

62
Q

Exponentielle Glättung 2. Ordnung - Formel Steigungsfaktor m

63
Q

Exponentielle Glättung 2. Ordnung - Initialwerte

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

64
Q

Abb. Kalkulationsbeispiel zur exponentiellen Glättung 2. Ordnung

65
Q

Exponentielle Glättung nach Holt/Winters - allgemein

A

exponentielle Glättung 2. Ordnung um eine Saisonkomponente erweitert

66
Q

Exponentielle Glättung nach Holt/Winters - dritter Glättungsfaktor

A

zur Bestimmung der Saisonkomponente s_t für eine Periode mit der Saisondauer d wird ein dritter Glättungsfaktor γ eingeführt

67
Q

Exponentielle Glättung nach Holt/Winters - Ermittlung der Saisonkomponente

A
  • benötigt Beobachtungswerte von zwei Perioden
  • kann additiv oder multiplikativ implementiert werden
68
Q

Exponentielle Glättung nach Holt/Winters - Formel Prognosewert p_t+n (additiv)

69
Q

Exponentielle Glättung nach Holt/Winters - Formel Ordinatenabschnitt c

70
Q

Exponentielle Glättung nach Holt/Winters - Formel Steigungsfaktor m

71
Q

Exponentielle Glättung nach Holt/Winters - Formel Saisonkomponente s

72
Q

Exponentielle Glättung nach Holt/Winters - Initialwert Ordinatenabschnitt c

73
Q

Exponentielle Glättung nach Holt/Winters - Initialwert Steigungsfaktor m

74
Q

Exponentielle Glättung nach Holt/Winters - Initialwert Saisonkomponente s

75
Q

Abb. Kalkulationsbeispiel zur exponentiellen Glättung nach Holt/Winters

76
Q

Zeitreihenanalyse - Herausforderung

A

Bestimmung der möglichst besten Glättungsfaktoren

77
Q

Zeitreihenanalyse - Bestimmung der Glättungsfaktoren

A

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)

78
Q

Ungenauigkeit von Prognosen

A
  • 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
79
Q

Bewertung der Prognosequalität

A

In der Praxis über unterschiedliche Kennzahlen

80
Q

Prognosefehler - allgemein

A

Differenz zwischen Real- und Prognosewert

81
Q

Prognosefehler - Möglichkeiten

A

Güte und Eignung eingesetzter Prognoseverfahren ermitteln
-> Eignung von Prognoseverfahren für betrachtete Zeitreihe im Voraus besser abgeschätzen

82
Q

Prognosequalität - prominente Kennzahlen - Annahme

A

Auswirkungen von Über- und Minderangebot haben ähnliche Effekte auf die Supply Chain

83
Q

Prognosequalität - prominente Kennzahlen

A
  • Mittlere absolute Abweichung (Mean Absolute Deviation, MAD)
  • Mittlerer quadratischer Fehler (Mean Squared Error, MSE)
  • Mittlerer absoluter prozentualer Fehler (Mean Absolute Percentage Error, MAPE)
84
Q

Mittlere absolute Abweichung - Vorgehen

A

absolute Werte der Prognosefehler werden ermittelt und anschließend ihr Mittelwert berechnet

85
Q

Mittlere absolute Abweichung - Formel

86
Q

Mittlere absolute Abweichung - Anwendung

A

wenn sich Verluste proportional zum Über- bzw. Minderangebot verhalten

87
Q

Mittlerer quadratischer Fehler - Vorgehen

A

Prognosefehler jeder Periode werden quadriert und anschließend ihr Mittelwert bestimmt
-> große Prognosefehler fallen mit der MSE-Berechnung höher ins Gewicht als kleine Fehler

88
Q

Mittlerer quadratischer Fehler - Formel

89
Q

Mittlerer quadratischer Fehler - Anwendung

A

wenn große Abweichungen von der Prognose bedeutend höhere Verluste in der Supply Chain verursachen

90
Q

Mittlerer absoluter prozentualer Fehler - Anwendung

A

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

91
Q

Mittlerer absoluter prozentualer Fehler - Formel

92
Q

Mittlerer absoluter prozentualer Fehler - Anwendung

A
  • für Nachfragen, die über die Periode schwanken
  • für Fälle, in denen Verluste sich proportional zum Über- bzw. Minderangebot verhalten
93
Q

Prognosefehler - Entwicklungen

A
  • 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 (25 decks)

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