4.1.1 Qualitative Nachfrageprognose in der Supply Chain Flashcards
Nachfrageprognose - Bedeutung
- wesentlicher Einflussfaktor
- auf effektive und effiziente Leistungsfähigkeit der SC
Nachfrageprognose - weniger Produkte als nachgefragt - Folgen
kann zulasten der Effektivität die Nachfrage nicht ausreichend bedienen
-> SC verliert potenzielle Umsätze
Nachfrageprognose - weniger Produkte als nachgefragt - Monopolstellung
unterliegen weniger diesem Effekt
Nachfrageprognose - mehr Produkte als nachgefragt - Folgen
überproduzierte Menge wird entweder zu niedrigeren Preisen angeboten oder entsorgt
-> Verschwendung von Ressourcen
-» mindern Gewinnmarge der SC
Nachfrageprognose - mehr Produkte als nachgefragt - Entsorgung
soll Preisstabilität des Produktes sichern
Nachfrageprognose - als Informationsquelle
- werden in allen Entscheidungsebenen des SCM
- als Informationsquelle zur Entscheidungsfindung genutzt
Nachfrageprognose - in strategischer Planung
primär für Konfiguration des SC-Netzwerks
Nachfrageprognose - in taktischer Planung
- ausgehend von Nachfrageprognosen
- und unter Berücksichtigung von Kapazitätsrestriktionen der SC
- Absatzmengen prognostizieren
Absatzprognosen - allgemein
- Anteil der ermittelten Nachfrageprognose,
- den eine SC bedienen möchte
Absatzprognosen - Verwendung
- Vorhersage von Produktionsmengen von Produkten
- der sich daraus ergebenden Ressourcen- und Kapazitätsbedarfe, die entlang der gesamten SC für die Herstellung benötigt werden
Prognosen - wichtiges Element im …
- im Informationsfluss
- in der Koordination zwischen Akteuren einer SC
Prognosen - Genauigkeit
- versuchen, zukünftige Ereignisse vorherzusagen
-> in der Regel ungenau - Je weiter in die Zukunft und je detaillierter, desto unsicherer
Prognosen - Ursachen für Unsicherheiten
- zunehmende Summe möglicher Ausprägungen aller Einflussfaktoren, die auf die Nachfrage wirken
- teilweise unterliegen diese Einflussfaktoren oder ihre Ausprägungen Zufällen
Prognoseerstellung - Problem
- Zum Zeitpunkt der Prognoseerstellung
- sind nicht alle Einflussfaktoren, ihre Ausprägungen oder ihre Wirkung auf die Nachfrage bekannt
-> fließen nicht systematisch in Prognosewerte ein
Prognoseerstellung - Grundlage
- Zurückgreifen auf Vielzahl an Informationen
- Versuch Wechselwirkungen von Einflussfaktoren zu erkennen und in der Prognoseerstellung abzubilden
Prognoseerstellung - Informationen und Faktoren
- historische Faktoren
- nachfragesteuernde Faktoren
- Umfeldfaktoren
historische Faktoren
- Grundlage vieler Prognoseverfahren:
Absätze der Vergangenheit - Kundenbestellzyklen liefern Informationen über mögliche zukünftige Nachfragen
nachfragesteuernde Faktoren - allgemein
SC können Nachfragen in einem segmentspezifischen Korridor beeinflussen
nachfragesteuernde Faktoren - Generische Werkzeuge
- Marketingaktivitäten
- dauerhafte Preisänderungen
- Veränderungen am Angebotsportfolio (Einführung neuer Produkte)
-> kann zu Nachfragekannibalisierung führen!
-» gesondert prüfen!
Nachfragekannibalisierung
- Verschiebungseffekt bei Produktnachfragen
- Verschiebung der Nachfrage von einem Produkt auf ein vergleichbares Produkt desselben Anbieters
- Gesamtnachfrage bleibt nahezu konstant
Umfeldfaktoren - allgemein
- entziehen sich der Kontrolle durch die SC
- nicht oder nur stark bedingt beherrschbar
Umfeldfaktoren - Beispiele
- Aktivitäten der Wettbewerber
- makroökonomische Effekte (Währungsschwankungen)
- singuläre Effekte (Naturkatastrophen, Kriege, Pandemien)
Prognoseerstellung - Klassifizierung Verfahren
- qualitativ
- quantitativ
- hybrid
qualitative Prognoseverfahren - Grundlage
- basieren auf subjektiven Beobachtungen und Schätzungen einzelner Personen
- Erwartungen an zukünftige Entwicklungen
- beruhen auf individuellen und in der Vergangenheit erlangten Kenntnissen und Erfahrungen
qualitative Prognoseverfahren - Möglichkeiten
- über logische Deduktion kausaler Zusammenhänge vergangener Beobachtungen
- intuitiv
qualitative Prognoseverfahren - Beispiele
- Experteninterviews
- Delphi-Methode
Delphi-Methode
- strukturiertes iteratives Verfahren
- Experten werden zu einem Thema anonym befragt
qualitative Prognoseverfahren - Einsatz
- wenn keine ausreichende objektive Datenlage
- für den Einsatz quantitativer Prognoseverfahren vorliegt
quantitative Prognoseverfahren - allgemein
- bedienen sich mathematischer Methoden
- aus Vergangenheitsdaten zukünftige Prognosen herleiten
quantitative Prognoseverfahren - Beispiel
Zeitreihenanalyse
Zeitreihenanalyse - Vorteil
aufwandsarme Erstellung von Prognosen
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
Zeitreihenanalyse - Werte
- für Mengenprognosen:
-> Werte = Mengen - für vergangene Perioden:
-> Mengen = historischen Verbräuchen bzw. Verkäufen - zukünftige Perioden:
-> Mengen = Prognosen für Bedarfe bzw. Nachfragen
Zeitreihen - Komponenten
- Trendkomponente
- Saisonkomponente
- Restkomponente
Trendkomponente
- beschreibt die langfristige mittlere Entwicklung der Nachfragemenge über mehrere Zeitperioden
- Trends können steigend, fallend oder gleichbleibend sein
Saisonkomponente
- beschreibt die Schwankung der Nachfragemenge,
- die sich in bestimmten zeitlichen Abständen wiederholt
Restkomponente
- beschreibt alle anderen Schwankungen der Nachfragemenge,
- die nicht über die Trend- oder Saisonkomponente begründet werden können
Zeitreihenkomponenten - mathematische Kombinationen
- Je nach Charakteristika der historischen Nachfragemenge
- können durch mathematische Kombinationen der Zeitreihenkomponenten
- geeignete Prognosemodelle erstellt werden
hybride Prognoseverfahren - allgemein
- verwenden Elemente der qualitativen und der quantitativen Prognoseverfahren
- erweitern diese um computergestützte Verfahren
hybride Prognoseverfahren - Beispiel
- basierend auf Simulation
- Einsatz von Big Data Analytics
hybride Prognoseverfahren - Simulation
- Konsumverhalten unterschiedlicher Gruppen von Konsumenten
- wird stochastisch modelliert
-> deren Nachfrage über eine definierte Zeitspanne simuliert
hybride Prognoseverfahren - Ergebnisse Simulationen
Ableitung von Prognosen für zukünftige Bedarfe
hybride Prognoseverfahren - Einsatz von Big Data Analytics - erster quantitativer Schritt
- historische Nachfragedaten werden maschinell analysiert
- und mögliche Korrelationen zwischen einer Vielzahl möglicher Einflussfaktoren abgeleitet
hybride Prognoseverfahren - Einsatz von Big Data Analytics - zweiter qualitativer Schritt
die ermittelten Korrelationen werden nach Kausalitäten überprüft
hybride Prognoseverfahren - Einsatz von Big Data Analytics - Korrelation als Folge einer Kausalität
-> Abhängigkeit von Einflussfaktoren
-» kann zur Erstellung von Prognosen verwenden
hybride Prognoseverfahren - Einsatz von Big Data Analytics - keine Kausalität
-> entdeckte Korrelationen = zufällige Erscheinungen
-» kann nicht für systematische Prognoseerstellung verwendet werden
