Absatzplanung Flashcards
Nenne die 4 Typen von Zeitreihen der Nachfrage!
Konstantes Niveau (keine Steigung)-L (level) Trend (lin. Funktion)-T Saisonalität (Sinus)-S Irregulär-I
Wie berechnet man den gleitenden Durchschnitt?
Arithmetisches Mittel auf Basis der letzten N Vergangenheitswerte
Welche 3 Prognose Verfahren können verwendet werden bei einem konstantem Niveau?
Arithmetisches Mittel Gleitender Durchschnitt Einfache exponentielle Glättung 1. Ordnung
Was ist das Verfahren von Holt?
Ein Prognose Verfahren bei eine Trend-Nachfrage
In welche 4 Komponenten lassen sich Zeitreihen zerlegen?
Woraus ergibt sich der Prognoswert?
L - Niveau (Level)
T - Langfristiger Trend
S - Saisonale Schwankungen
I - Unregelmäßige Zufallschwankungen
Prognosewert = Systematische Komponenten + Irreguläre Komponente
Welches Verfahren verwendet man zur Prognose von Saisonalitäten?
Dreifache exponentielle Glättung
Geben sie die Formel des Arithmetischen Mittels an
Geben sie die Formel für den Gleitenden Durchschnitt an
Geben sie die Formel für die Exponentielle Glättung 1. Ordnung an. Bennen sie dabei die einzelnen Parameter.
Gehen sie von einer Schwankung um ein festes Niveau aus.
Was bedeutet ein hohes bzw. niedriges alpha bei der einfachen exponentiellen Glättung erster Ordnung?
hohes Alpha -> schwache Reaktion auf Trends
niedriges Alpha -> starke Reaktion auf Trends
Welche Nachteile haben die Verfahren im Allgemeinen?
Sie produzieren Fehlmengen
Wozu dient der Prognosefehler?
Der Prognosefehler dient der Beurteilung der Güte einer Prognose, um ggf das Modell oder Parameter anzupassen.
Geben sie eine Formel zu errechnung des Prognosefehlers an.
Mittlerer Fehler nach n Perioden
Mittlerer Absoluter Fehler nach n Perioden (Formel)
Mittlerer Prozentualer Fehler nach n Prognosen (Formel)
Mittlerer absoluter Prozentualer Fehler nach n Perioden (Formel)
Was ist Big Data?
Datenmengen, die die kapazitäten von herkömmlichen Datenverarbteitungssystemen überschreiten
Nennen sie 3 Beispiele, wie sich mittels Big Data eine Verbindung zwischen Produktionsensorik und Betriebswirtschaftlicher Ebene realisieren lässt.
- Qualitätsschwankungen frühzeitig erkennen
- Anpassung der Produktionsplanung um höhere Kapazitätsauslastung zu erreichen
- Ungenutzte Datenmengen in nützliche Informationen umwandeln
Nennen sie einige Kritische Aspekte gegenüber Big Data
- Mehr Daten heißt nicht bessere Daten
- Daten werden oft aus dem Kontext gelöst und in falsche Zusammenhänge gesetzt (Black Box Verarbeitung)
- Vorübergehender Hype
- Möglichkeiten zum Speichern und Verarbeiten wachsen schneller als betrachtete Datenmengen. -> Es gibt kein Big Data
Was sind künstliche Neuronale Netze?
Mit künstlichen Neuronalen Netzen werden aus Datenmengen Systemzusammenhänge trainiert um Prognosen abzuleiten.
Nennen sie 2 Vorteile künstlicher neuronaler Netzt gegenüber klassischen Prognoseverfahren.
- Lernfähigkeit
- Toleranz gegenüber fehlenden oder fehlerhaften Daten
Nennen sie 2 Nachteile Künstlicher Neuronaler Netzt gegenüber klassischen Prognoseverfahren.
- Blackbox - keine Erklärfunktion
- Netzkonfiguration oft aufwendig und intransparent
Beschreiben sie das Vorgehen wenn sie mit Hilfe eines neuroanalen Netzes die Stromproduktion einer Windturbine optimieren wollen würden.
- Datensatz bestehend aus:
- Input Daten (Wind, Wetter, Huansöhne)
- historische Outputdaten (Erz. Strom)
- Aufstellen eines neuronalen Netzwerks (Anfangsgewichtugen zufällig)
- Anhand des Fehlers der Prognose werden die Gewichtungen angepasst, bis das Ergebnis gut genähert ist oder die Daten erschöpft sind.
- Test des Systems mittels Testdaten