Absatzplanung

Question 1

Nenne die 4 Typen von Zeitreihen der Nachfrage!

Answer 1

Konstantes Niveau (keine Steigung)-L (level) Trend (lin. Funktion)-T Saisonalität (Sinus)-S Irregulär-I

Question 2

Wie berechnet man den gleitenden Durchschnitt?

Answer 2

Arithmetisches Mittel auf Basis der letzten N Vergangenheitswerte

Question 3

Welche 3 Prognose Verfahren können verwendet werden bei einem konstantem Niveau?

Answer 3

 Arithmetisches Mittel  Gleitender Durchschnitt  Einfache exponentielle Glättung 1. Ordnung

Question 4

Was ist das Verfahren von Holt?

Answer 4

Ein Prognose Verfahren bei eine Trend-Nachfrage

Question 5

In welche 4 Komponenten lassen sich Zeitreihen zerlegen?

Woraus ergibt sich der Prognoswert?

Answer 5

L - Niveau (Level)

T - Langfristiger Trend

S - Saisonale Schwankungen

I - Unregelmäßige Zufallschwankungen

Prognosewert = Systematische Komponenten + Irreguläre Komponente

Question 6

Welches Verfahren verwendet man zur Prognose von Saisonalitäten?

Answer 6

Dreifache exponentielle Glättung

Question 7

Geben sie die Formel des Arithmetischen Mittels an

Answer 7

Question 8

Geben sie die Formel für den Gleitenden Durchschnitt an

Answer 8

Question 9

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.

Answer 9

Question 10

Was bedeutet ein hohes bzw. niedriges alpha bei der einfachen exponentiellen Glättung erster Ordnung?

Answer 10

hohes Alpha -> schwache Reaktion auf Trends

niedriges Alpha -> starke Reaktion auf Trends

Question 11

Welche Nachteile haben die Verfahren im Allgemeinen?

Answer 11

Sie produzieren Fehlmengen

Question 12

Wozu dient der Prognosefehler?

Answer 12

Der Prognosefehler dient der Beurteilung der Güte einer Prognose, um ggf das Modell oder Parameter anzupassen.

Question 13

Geben sie eine Formel zu errechnung des Prognosefehlers an.

Answer 13

Question 14

Mittlerer Fehler nach n Perioden

Answer 14

Question 15

Mittlerer Absoluter Fehler nach n Perioden (Formel)

Answer 15

Question 16

Mittlerer Prozentualer Fehler nach n Prognosen (Formel)

Answer 16

Question 17

Mittlerer absoluter Prozentualer Fehler nach n Perioden (Formel)

Answer 17

Question 18

Was ist Big Data?

Answer 18

Datenmengen, die die kapazitäten von herkömmlichen Datenverarbteitungssystemen überschreiten

Question 19

Nennen sie 3 Beispiele, wie sich mittels Big Data eine Verbindung zwischen Produktionsensorik und Betriebswirtschaftlicher Ebene realisieren lässt.

Answer 19

• Qualitätsschwankungen frühzeitig erkennen
• Anpassung der Produktionsplanung um höhere Kapazitätsauslastung zu erreichen
• Ungenutzte Datenmengen in nützliche Informationen umwandeln

Question 20

Nennen sie einige Kritische Aspekte gegenüber Big Data

Answer 20

• 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

Question 21

Was sind künstliche Neuronale Netze?

Answer 21

Mit künstlichen Neuronalen Netzen werden aus Datenmengen Systemzusammenhänge trainiert um Prognosen abzuleiten.

Question 22

Nennen sie 2 Vorteile künstlicher neuronaler Netzt gegenüber klassischen Prognoseverfahren.

Answer 22

• Lernfähigkeit
• Toleranz gegenüber fehlenden oder fehlerhaften Daten

Question 23

Nennen sie 2 Nachteile Künstlicher Neuronaler Netzt gegenüber klassischen Prognoseverfahren.

Answer 23

• Blackbox - keine Erklärfunktion
• Netzkonfiguration oft aufwendig und intransparent

Question 24

Beschreiben sie das Vorgehen wenn sie mit Hilfe eines neuroanalen Netzes die Stromproduktion einer Windturbine optimieren wollen würden.

Answer 24

1. Datensatz bestehend aus:
   
   1. Input Daten (Wind, Wetter, Huansöhne)
   2. historische Outputdaten (Erz. Strom)
2. Aufstellen eines neuronalen Netzwerks (Anfangsgewichtugen zufällig)
3. Anhand des Fehlers der Prognose werden die Gewichtungen angepasst, bis das Ergebnis gut genähert ist oder die Daten erschöpft sind.
4. Test des Systems mittels Testdaten