4.1.1 Qualitative Nachfrageprognose in der Supply Chain Flashcards
1
Q
Nachfrageprognose - Bedeutung
A
- wesentlicher Einflussfaktor
- auf effektive und effiziente Leistungsfähigkeit der SC
2
Q
Nachfrageprognose - weniger Produkte als nachgefragt - Folgen
A
kann zulasten der Effektivität die Nachfrage nicht ausreichend bedienen
-> SC verliert potenzielle Umsätze
3
Q
Nachfrageprognose - weniger Produkte als nachgefragt - Monopolstellung
A
unterliegen weniger diesem Effekt
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
5
Q
Nachfrageprognose - mehr Produkte als nachgefragt - Entsorgung
A
soll Preisstabilität des Produktes sichern
6
Q
Nachfrageprognose - als Informationsquelle
A
- werden in allen Entscheidungsebenen des SCM
- als Informationsquelle zur Entscheidungsfindung genutzt
7
Q
Nachfrageprognose - in strategischer Planung
A
primär für Konfiguration des SC-Netzwerks
8
Q
Nachfrageprognose - in taktischer Planung
A
- ausgehend von Nachfrageprognosen
- und unter Berücksichtigung von Kapazitätsrestriktionen der SC
- Absatzmengen prognostizieren
9
Q
Absatzprognosen - allgemein
A
- Anteil der ermittelten Nachfrageprognose,
- den eine SC bedienen möchte
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
11
Q
Prognosen - wichtiges Element im …
A
- im Informationsfluss
- in der Koordination zwischen Akteuren einer SC
12
Q
Prognosen - Genauigkeit
A
- versuchen, zukünftige Ereignisse vorherzusagen
-> in der Regel ungenau - Je weiter in die Zukunft und je detaillierter, desto unsicherer
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
14
Q
Prognoseerstellung - Problem
A
- Zum Zeitpunkt der Prognoseerstellung
- sind nicht alle Einflussfaktoren, ihre Ausprägungen oder ihre Wirkung auf die Nachfrage bekannt
-> fließen nicht systematisch in Prognosewerte ein
15
Q
Prognoseerstellung - Grundlage
A
- Zurückgreifen auf Vielzahl an Informationen
- Versuch Wechselwirkungen von Einflussfaktoren zu erkennen und in der Prognoseerstellung abzubilden
16
Q
Prognoseerstellung - Informationen und Faktoren
A
- historische Faktoren
- nachfragesteuernde Faktoren
- Umfeldfaktoren
17
Q
historische Faktoren
A
- Grundlage vieler Prognoseverfahren:
Absätze der Vergangenheit - Kundenbestellzyklen liefern Informationen über mögliche zukünftige Nachfragen
18
Q
nachfragesteuernde Faktoren - allgemein
A
SC können Nachfragen in einem segmentspezifischen Korridor beeinflussen
19
Q
nachfragesteuernde Faktoren - Generische Werkzeuge
A
- Marketingaktivitäten
- dauerhafte Preisänderungen
- Veränderungen am Angebotsportfolio (Einführung neuer Produkte)
-> kann zu Nachfragekannibalisierung führen!
-» gesondert prüfen!
20
Q
Nachfragekannibalisierung
A
- Verschiebungseffekt bei Produktnachfragen
- Verschiebung der Nachfrage von einem Produkt auf ein vergleichbares Produkt desselben Anbieters
- Gesamtnachfrage bleibt nahezu konstant
21
Q
Umfeldfaktoren - allgemein
A
- entziehen sich der Kontrolle durch die SC
- nicht oder nur stark bedingt beherrschbar
22
Q
Umfeldfaktoren - Beispiele
A
- Aktivitäten der Wettbewerber
- makroökonomische Effekte (Währungsschwankungen)
- singuläre Effekte (Naturkatastrophen, Kriege, Pandemien)
23
Q
Prognoseerstellung - Klassifizierung Verfahren
A
- qualitativ
- quantitativ
- hybrid
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
25
qualitative Prognoseverfahren - Möglichkeiten
* über logische Deduktion kausaler Zusammenhänge vergangener Beobachtungen
* intuitiv
26
qualitative Prognoseverfahren - Beispiele
* Experteninterviews
* Delphi-Methode
27
Delphi-Methode
* strukturiertes iteratives Verfahren
* Experten werden zu einem Thema anonym befragt
28
qualitative Prognoseverfahren - Einsatz
* wenn keine ausreichende objektive Datenlage
* für den Einsatz quantitativer Prognoseverfahren vorliegt
29
quantitative Prognoseverfahren - allgemein
* bedienen sich mathematischer Methoden
* aus Vergangenheitsdaten zukünftige Prognosen herleiten
30
quantitative Prognoseverfahren - Beispiel
Zeitreihenanalyse
31
Zeitreihenanalyse - Vorteil
aufwandsarme Erstellung von Prognosen
32
Zeitreihenanalyse - allgemein
* 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
33
Zeitreihenanalyse - Werte
* für Mengenprognosen:
-> Werte = Mengen
* für vergangene Perioden:
-> Mengen = historischen Verbräuchen bzw. Verkäufen
* zukünftige Perioden:
-> Mengen = Prognosen für Bedarfe bzw. Nachfragen
34
Zeitreihen - Komponenten
* Trendkomponente
* Saisonkomponente
* Restkomponente
35
Trendkomponente
* beschreibt die langfristige mittlere Entwicklung der Nachfragemenge über mehrere Zeitperioden
* Trends können steigend, fallend oder gleichbleibend sein
36
Saisonkomponente
* beschreibt die Schwankung der Nachfragemenge,
* die sich in bestimmten zeitlichen Abständen wiederholt
37
Restkomponente
* beschreibt alle anderen Schwankungen der Nachfragemenge,
* die nicht über die Trend- oder Saisonkomponente begründet werden können
38
Zeitreihenkomponenten - mathematische Kombinationen
* Je nach Charakteristika der historischen Nachfragemenge
* können durch mathematische Kombinationen der Zeitreihenkomponenten
* geeignete Prognosemodelle erstellt werden
39
hybride Prognoseverfahren - allgemein
* verwenden Elemente der qualitativen und der quantitativen Prognoseverfahren
* erweitern diese um computergestützte Verfahren
40
hybride Prognoseverfahren - Beispiel
* basierend auf Simulation
* Einsatz von Big Data Analytics
41
hybride Prognoseverfahren - Simulation
* Konsumverhalten unterschiedlicher Gruppen von Konsumenten
* wird stochastisch modelliert
-> deren Nachfrage über eine definierte Zeitspanne simuliert
42
hybride Prognoseverfahren - Ergebnisse Simulationen
Ableitung von Prognosen für zukünftige Bedarfe
43
hybride Prognoseverfahren - Einsatz von Big Data Analytics - erster **quantitativer** Schritt
* historische Nachfragedaten werden maschinell analysiert
* und mögliche Korrelationen zwischen einer Vielzahl möglicher Einflussfaktoren abgeleitet
44
hybride Prognoseverfahren - Einsatz von Big Data Analytics - zweiter **qualitativer** Schritt
die ermittelten Korrelationen werden nach Kausalitäten überprüft
45
hybride Prognoseverfahren - Einsatz von Big Data Analytics - Korrelation als Folge einer Kausalität
-> Abhängigkeit von Einflussfaktoren
->> kann zur Erstellung von Prognosen verwenden
46
hybride Prognoseverfahren - Einsatz von Big Data Analytics - keine Kausalität
-> entdeckte Korrelationen = zufällige Erscheinungen
->> kann nicht für systematische Prognoseerstellung verwendet werden
