Kapitel 2 Flashcards
Wozu dienen Planzahlen
Dienen der Prognose, Planung und einem Ziel (Sollzustand),
allgegenwärtig im Betrieb und grundlegend
Ausgestaltung von Planzahlen
Planzahlen werden durch Beobachtung und Auswertung konstruiert
– Muster aus der Vergangenheit
– Eventuelle Änderungen der Rahmenbedingungen
– Aus technischen Überlegungen
– Aus Szenariomodellierungen
Anforderungen von Planzahlen
Planzahlen sollen bestimmte Anforderungen erfüllen
– Verlässlich
– Plausibel
– Nachvollziehbar
– Implementierbar
Prognoseprozess
Prognoseziel Was?
» Wahrscheinlichkeit, mit der ein Ereignis eintritt
» quantitative Ausprägung des Ereignisses (oder beides)
Hauptanwendungsfelder Planzahlen
» Hauptanwendungsfelder
– Mengenbedarfsplanung (Beschaffung, Logistik, Materialmengen)
– Produktionsplanung (Produktion, Personalauslastung)
– Finanzielle Führung (Liquiditätsplanung)
» Beispiele
– Absatzzahlen
– Planverbrauchsmengen
– Planpreise
– Herstellungsmengen
– Planwert eines Unternehmens
Forecasts und Beispiele
Forecasts dienen als Planungs- und Steuerungsgrundlage für alle betrieblichen Funktionalbereiche
Beispiele:
Planungshorizont: Zeitraum
» Je länger eine Prognose in die Zukunft geht, desto ungenauer/ungewisser wird sie
» Eintrittswahrscheinlichkeit der Prognose verringert sich, je länger der Planungszeitraum in
der Zukunft liegt
» Klassische Budgetierung: Einjahresfokus
Planungshorizont Unterteilung
Kurzfristprognosen
- zur Planung von z. B. Absatz-, Produktions-
und Beschaffungsmengen - Prüfstein für Zielsetzungen
- kündigen frühzeitig Abweichungen an
Langfristprognosen
* dienen strategischen Überlegungen
bzw. grundsätzlichen Entscheidungen
über die Sinnhaftigkeit eines
Engagements
Planungshorizont: Intervalle
» Forecasts können einen festen Endzeitpunk (z. B. Jahresend-Forecast) oder einen festen
Planungszeitraum (rollierender Forecast) haben:
Jahresend-Forecast (Year-end Forecast)
» Fokus: liefert Einschätzung über die Erreichung der Planziele (Budget)
Rollierender Forecast (Rolling Forecast)
» Prognosen werden unterjährig in regelmäßigen Zeitabständen angepasst
» Neue Informationen werden mit einbezogen
» Bestehende Ist-Werte komplettieren die rollierende Planung zu einer neuen
Vorschauversion
» betrachtet stets die gleiche Anzahl von Quartalen
» Meist Prognose für 12-18 Monate
Ereignisgesteuerte Planung (Event-driven Planning)
» Revision eines Planes wird durch ein wichtiges (zuvor definiertes) Ereignis ausgelöst
(z. B. unerwarteter Absatzanstieg, wesentliche Änderungen des Auftragseingangs)
Vor- und Nachteile rollierender Prognosen
» Vorteile:
– Neue Informationen werden durchgängig berücksichtigt
– Ermöglicht Überblick über die Perioden nach Ablauf des Geschäftsjahres
– Verbessert Prognosegenauigkeit
» Nachteile:
– zeitaufwendig
– teuer, da laufend Meinungen von Expert:innen eingeholt und Berechnungen erstellt werden müssen
– schwierige langfristige Planung, da sich auch kleinste Änderungen z. B. Änderung dern Wachstumsrate signifikant im Terminal Value niederschlagen können
Verfahrensauswahl Bestimmung Planzahlen
Qualitative Methoden der Planzahlenermittlung: Befragung
» Planwerte durch Auswertung von Befragungen
– Meinungsbilder von potenziellen Kund:innen, Intuitionen
– Befragung von Expert:innen/Management (zu Produkten, Produktionsprozessen oder
wirtschaftlicher Entwicklung des Marktes)
» Probleme:
– Gruppe der Befragten, Formulierung der Fragen und/oder Darstellung des Produktes
haben Einfluss auf das Ergebnis → kann zu Verzerrung der Ergebnisse führen
– Falsche Annahmen durch Informationsdefizite oder bewusste Verzerrung (z. B. zur
Sicherstellung von Bonuszahlungen)
» Lösung bei Befragung von Expert:innen für ein eindeutiges und qualifiziertes Ergebnis:
Delphi Methode
Ablauf Delphi-Methode
Thesenbildung
Auswahl der Experten
Individuelle Befragung
Sammlung und Auswertung
Mitteilung der Zwischenergebnisse an die
Expert:innen
Erneute Befragung/Prüfung
Ergebnis
Vor- und Nachteile von Qualitativen Methoden
» Vorteile:
– Befragungen können erste Anhaltspunkte für eine tiefergreifende Analyse geben
– Umfrage von Kund:innen und Meinungsbilder sind bei guter Durchführung verlässlich
– Lernprozess bei Delphi-Befragung bringt qualifiziertere Ergebnisse
– keine historischen Daten notwendig
– hohe Grundakzeptanz
» Nachteile:
– Einflussfaktoren, z. B. Konjunktur müssen mit analysiert werden
– Befragung von Kund:innen sehr subjektiv
– Gefahr von Verzerrungen
– Große Umfragen, z. B. Delphi-Befragung sind sehr zeit- und kostenaufwendig
Quantitative Methoden: Auflistung
Naiver Forecast
Basismodell: Prognosewert der kommenden Periode = Istwert der Vorperiode
Weitere Varianten:
1. Prognosewert = Istwert der Vorperiode unter Berücksichtigung der letzten
Veränderung
2. Prognosewert = Istwert der Vorperiode unter Berücksichtigung des Durchschnitts der letzten Veränderungen
3. Prognosewert = Istwert der Vorperiode unter Berücksichtigung des mittel bzw.
langfristigen Trends
4. Prognosewert = Istwert der gleichen Periode der letzten Saison
Zeitreihenanalyse
» Analyse einer bestimmten Größe mit mathematisch-statistischen Methoden
– Untersuchung hinsichtlich Gesetzmäßigkeiten (z. B. konstantes Niveau, Trend) aus der
Vergangenheit
– Übertrag der Gesetzmäßigkeiten in die Zukunft
» zeitabhängige Betrachtung der untersuchten Größen
» Voraussetzung: ausreichend lange Zeitreihe verfügbar
kann univariat oder multivariat sein
Zeitreihenanalyse: Konstantes Niveau
Mittelwerte oder Exponentielle Glättung 1. Grades
Vor- und Nachteile Mittelwertberechnung
» Vorteil:
– Sehr einfache Berechnung
– Bei gewichtetem Durchschnitt können jüngere Perioden mehr Einfluss bekommen
und so z. B. den technischen Fortschritt berücksichtigen
– Mit Hilfe des gleitenden Durchschnitts können auch Trends und Saisonkomponenten
identifiziert werden
» Nachteil:
– zu wenig Daten: große Anfälligkeit für Ausreißer
– zu viele Daten: sehr aufwendig und langsame Reaktionszeit, inflexibel
– Arithmetisches Mittel nur bei konstanten Verläufen sinnvoll, in Realität selten,
höchstens als Benchmark sinnvoll
– Nur für kurzfristige Prognosen geeignet
Exponentielle Glättung 1. Grades Ansatz
» Ansatz: Aktuelle Perioden sind höher zu gewichten als vergangene Perioden
» Bei gleitendem Durchschnitt gehen nur die letzten T Perioden mit in die Berechnung ein,
bei der exponentiellen Glättung 1. Grades alle
» Bestimmung eines Glättungsfaktors Alpha zur Gewichtung
– Je höher α, desto stärker werden aktuelle Perioden gewichtet
– Gewichte nehmen exponentiell mit der Aktualität zu
Zeitreihenanalyse: Trendverlauf
Regressionsanalyse, Exponentielle Glättung 2. Grades oder Wachstumsraten
Exponentielle Glättung 2. Grades Ansatz
» Konzept ähnlich wie exponentielle Glättung 1. Grades, aber mit jeweils einem
Glättungsfaktor für den Achsenabschnitt und einem für die Steigung der Prognosefunktion.
» Durch nochmalige Glättung der Zeitreihe können auch Trendverläufe dargestellt werden
» a, ß üblicherweise Werte zwischen 0,2 bis 0,4
Zeitreihenanalyse: Saisonaler Verlauf
Exponentiellen Glättung 3. Grades
Zeitreihenanalyse andere Verläufe
Chaotische Verläufe denkbar
» Bei diesen Verläufen ist eine Prognose schwierig und ungenau
» viele Erweiterungen denkbar
Vergleich Zeitreihenanalyse und kausale Prognose
» Verwendung verschiedener Variablen zur Prognose eines Wertes yt+1
» Zeitreihenprognosen ziehen vergangene Werte des Prognosegegenstandes heran
» Kausale Prognosen ziehen Werte, die unabhängig vom Prognosegegenstand sind und für
den Prognosezeitpunkt existieren, heran
Allgemeine Regressionsanalyse
» Kausalbeziehungen (Ursache-Wirkungsbeziehungen) zwischen einer abhängigen (x1,….,xn) und
einer oder mehrerer unabhängiger Variablen (x1, …, xN)
– a, b = Regressionsparameter (a= Achsenabschnitt; b=Steigung)
– Epsilon = Störterm mit E(x0) = 0, also nicht weiter beachtet
Lineare und Multiple Regression und nicht lineare Regression möglich
Jedoch Gefahr der Scheinkorrelation
Eignung von Prognoseverfahren
Prognosefehler
» Ziel: Minimierung der Prognosefehler
» Nachträglich zur Feststellung der Abweichung vom Prognosewert
- MSE
- MAD
» Aber: Struktureller Prognosefehler wird nicht von Prognosefehlerkennzahlen erkannt
Erkennung struktureller Prognosefehler
» Generelle Über- oder Unterschätzung kann mithilfe des Tracking-Signals erkannt werden: misst das Verhältnis des geglätteten Prognosefehlers (SE, Smoothed Error) zum geglätteten absoluten Prognosefehler (Smoothed Absolute Error)
ts > 0,51 strukurelle positive abweichung
ts < -0,51 strukturelle negative Abweichung
Ursachen struktureller Prognosefehler
» Mögliche Ursachen:
– Informationsasymmetrien
– Bewusst falsche Planzahlen
– Wahrnehmungsverzerrungen:
* Überoptimismus
* Bestätigungsverzerrung
* Halo-Effekt
* Priming-Effekt
* Veränderungsaversion bzw. „Status Quo Bias“
* Voreilige Mustererkennung
Predictive Analytics
» Predictive Analytics nutzt Data-Mining, um Trends, Muster oder Verknüpfungen zwischen
Daten zu identifizieren, um mit Hilfe derer Prognosen für zukünftige Ereignisse tätigen zu
können
» Traditionelle Analysemethoden geben Antworten auf vorgegebene Fragestellungen
» Big-Data-Analysen durchforsten Informationen, sodass auch Verbindungen und
Zusammenhänge entdeckt werden, die nicht zu erwarten/erkennen waren
- Teil der Business Intelligence und Business Analytics
Big Data als neue Erkenntnisquelle
Velocity
Daten werden mit sehr hohen
Geschwindigkeiten erzeugt und müssen in
Echtzeit ausgewertet und analysiert werden
Variety
hohe Vielfalt an Daten, die aus den
unterschiedlichsten Quellen stammen
Volume
Immense Datenvolumen
Veracity
Sinnhaftigkeit bzw. Vertrauenswürdigkeit der
Daten und der daraus abgeleiteten Ergebnisse
Praxisbeispiele Predictive Analytics
» fraud detection:
Algorithmen, die z. B. Unregelmäßigkeiten in der Rechnungsstellung oder
Bilanzierung erkennen (z. B. fehlerhafte Rechnungen, Manipulation von Bilanzen)
» predictive maintenance:
Algorithmen zur Ableitung von Maschinenverhalten, um geeignete
Wartungszeitpunkte und erforderliche Ersatzteile zu identifizieren
» predictive quality:
Parametrisierung einzelner Produktionsstufen zur Identifizierung fehlerhafter
Produkte (z. B. zur Vorbeugung von Rückrufen)
» churn management:
Identifikation unzufriedener Kund:innen, z. B. häufige Kontaktaufnahme der
gleichen Gruppe von Kund:innen gibt Hinweis auf „gefährdete“ Kund:innen
» Identifizierung von Upselling-Potenzial:
Algorithmen, basierend auf bisherigem Verhalten der Kund:innen, zur Vorhersage
bei welchen Kund:innen sich Kontaktaufnahme für Upselling-Anfrage lohnt
» Erhöhung der Zahlungsmoral:
effizientes Cash Forecasting durch Einbezug von Erfahrungen, unter welchen
Umständen Kund:innen fristgerecht zahlen (z. B. Skonti)
» Personalbindung:
Vorhersagen, wie wahrscheinlich ein Wechsel von Mitarbeiter:innen ist, z. B.
anhand bisheriger Lebensläufe, Teilnahme an Weiterbildungen, etc.