OM - Prognose

Pro:

•  Vertriebsmitarbeiter kennen Kunden gut und können daher zukünftige Nachfragen gut erheben
• Für existierende Produkte und Services zur kurz- und mittelfristigen Prognose gut geeignet

Kontra:

• Vertriebsmitarbeiter können dazu neigen, die Nachfrage zu über-/unterschätzen (durch Anreizsystem,  durch Persönlichkeitsstruktur (Optimist vs. Pessimist))
• Vertriebsmitarbeiter haben nicht immer alle notwendigen Infos (Features neuer Produkte, Verhalten von Kunden in neuen Märkten)

Kosten: niedrig bis mittel

Zeit: Kurz- bis mittelfristig

Pro

• Systematisches und faktenbasiertes Verfahren

• Für existierende Produkte und Services zur kurz- und mittelfristigen Prognose gut geeignet

Kontra

• Verlangt fundiertes Wissen und Können
• Aufwändig und teuer
• Bei geringer Rücklaufquote nicht immer aussagekräftig

Kosten: mittel bis hoch

Zeit: kurz- bis mittelfristig

Pro

• Wissen unterschiedlicher Funktionen wird zusammengefasst
• Personenm, die das Wissen über zukünftige Entwicklungen haben, generieren auch die Prognose
• Für neue Produkte und Services zur mittel- und langfristigen Prognose gut geeignet

Kontra

• Keine Einzelperson ist verantwortlich
• Risiko, dass Einzelne die Gruppe dominieren
• Bindet teures und knappes Personal

Kosten: mittel

Zeit: mittel bis langfristig

Pro

• Erzielt Konsens
• Für langfristige Prognosen gut geeignet

Kontra

• Langsamer Prozess
• Experten sind nicht verantwortlich
• Wenige empirische Untersuchungen zeigen, dass mit der Delphi-Methode zuverlässige Langfristprognosen erstellt werden können

Kosten: hoch

Zeit: langfristig

• Lineare Regression
• Nicht-lineare Regression
• Sonstige

- Werden eingesetzt, wenn die Nachfrage eines Produktes auf Basis einer bekannten Größe prognostziert werden kann

-Bsp: Taxi-Nachfrage in Abhängigkeit der Einwohnerzahlen

-In der Regel wird mit Regression die Funktion geschätzt, die diesen Zusammenhang am besten abbildet (Bsp. Taxi-Nachfrage = Einwohnerzahl/100

Wahl der Parameter a und b der Prognosefunktion yˆ(x) = a + bx,

so dass die durchschnittliche quadratische Abweichung minimiert

wird.

• kostantes Niveau
• Trend
• Saisonalität
• Sonstige (Produktlebenszyklus)

- Werden eingesetzt, um auf Basis historischer Nachfragen eine Prognose zu erstellen

- Der Nachfrageverlauf wird vom Anwender geschätzt, bzw. unterstellt

- Für unterschiedliche Nachfrageverläufe werden unterschieldiche Prognoseverfahren eingesetzt

• Gleitende Durchschnitte(MA)
  - Prognose ist der Durchschnittswert der Nachfragen einiger der letzten Perioden
  - gewichten die letzten T Nachfragen gleich starkt, mit jeweils 1/T
  - sehr kleines T (Prognose reagiert nervös auf Schwankungen der Nachfrage, Nachfrageinfos die in den Vergangenheitsdaten enthalten sind gehen zu einem Grpßteil verloren)
  - sehr großes T (Prognose reagiert kaum auf Änderungen der Nachfrage, sehr alte Daten werden genauso hoch gewichtet wie aktuelle Daten)
  - Eigenschaften der Gewichte ( Summe der Gewichte=1, Gewichte nehmen mit τ ab.
   
• Einfache Exponentielle Glättung (SES)
  -Prognose ist "exponentiell gewichteter" Durchschnittswert der Nachfragen aller vorherigen Perioden
  - sehr kleines τ (Prognose reagiert kaum auf Änderungen der Nachfrage, auch sehr alte Daten relativ stark gewichtet - jedoch nicht so stark wie jüngere
  - sehr großes τ (Prognose reagiert sehr nervös auf Schwankungen der Nachfrage, Nachfrageinformationen die in Vergangenheitsdaten enthalten sind gehen zum Großteil verloren

• Regressionsanalyse
  Achsenabschnitt und Steigung der Prognosefunktion werden ähnlich wie bei der Kausalprognose bestimmt. Die bekannte Größe ist die Zeit
• Doppelte Exponentielle Glättung (DES)
  Konzept ähnlich wie einfache Exponentielle Glättung, aber mit einem Glättungsfaktor für den Achsenabschnitt und einen für die Steigung der Prognosefunktion

• Bei positivem/negativem Trend in der Nachfrage wird die Nachfrage tendenziell unterschätzt/überschätzt
• Diese Unter/Überschätzung wird als struktureller Prognosefehler bezeichnet

• Mean Squared Error (Durchschnittliche Quadratische Abweichung
• Mean Absolut Deviation (Durchschnittliche Absolute Abweichung)
• Mean Absolute Percentage Error (Durchschnittliche Prozentuale Abweichung)

Zur Messung und zum Vergleich der Leistung von Prognoseverfahren werden Kennzahlen genutzt, wie MSE, MAD, MAPE. Diese Kennzahlen erkennen jedoch keine strukturellen Prognosefehler. Um diese zu erkennen, kann das Tracking Signal genutzt werden.