Technische Universität München. Marktforschung in der Forstwissenschaft und Holzwirtschaft

Transkript

1 Marktforschung in der Forstwissenschaft und Holzwirtschaft

2 Literatur C. Fantapié Altobelli; S. Hoffmann (2011): Grundlagen der Marktforschung. UVK Verlag, Konstanz. G. Grunwald; B. Hempelmann (2013): Übungen zur angewandten Marktforschung. Oldenbourg Verlag, München.

3 Gliederung Grundlagen der Marktforschung Marktdaten eruieren und analysieren Prognoseverfahren Excel-Beispiel Preisforschung Conjoint-Analyse Übung

4 Definition und Relevanz Marktforschung ist die systematische Sammlung, Aufbereitung, Analyse und Interpretation von Daten über Märkte und Marktbeeinflussungsmöglichkeiten zum Zweck der Informationsgewinnung für Marketing- Entscheidungen. (Böhler 2004, S. 19)

5 Definition und Relevanz Praktische Relevanz: Marktforschung als Grundlage von Entscheidungsprozessen. Kunden- Markt- Konkurrenzanalysen Wissenschaftliche Relevanz: Untersuchungen von Konsumentenverhalten

6 Marketing-Dreieck Nachfrager Markt Anbieter Konkurrenz

7 Marktdaten eruieren und analysieren Ziel definieren Grundgesamtheit festlegen Stichprobendesign Größe festlegen (n = z α σ e Formulierung von Forschungshypothesen 2 Daten eruieren Befragungsmethodik

8 Marktdaten eruieren und analysieren Daten eruieren Befragungsmethodik Reliabilität (Zuverlässigkeit). Die Reliabilität ist ein Maß für die Reproduzierbarkeit von Messergebnissen Objektivität (Wiederholungsgenauigkeit) Validität das Maß in dem das Messinstrument tatsächlich das misst, was es messen sollte Datenanalyse Hypothesentests Deskriptiv Zusammenhänge Dokumentation

9 Die Prognose als Zeitreihenanalyse Prognosewerte werden durch die Verarbeitung von Vergangenheitswerten und Gegenwartswerten gewonnen. Der Traum, die Zukunft hervorzusagen, ist so alt wie die Menschheit selbst (A. Einstein) Prognosen sind schwierig, besonders, wenn sie die Zukunft betreffen (W.Churchill)

10 Definition und Fragen Was ist eine Prognose, was ein Trend Wo werden sie angewandt und zu welchem Zweck Relevanz für den Forstsektor Welche Probleme können bei Prognosen auftreten

11 Prognose als Teil der Planung Planung: ein auf die Zukunft gerichteter geistiger Prozess, in dem künftiges Geschehen antizipiert und überschaubar gemacht werden soll Teilprozesse der Planung: Zielanalyse, Problemanalyse, Prognose, Bewertung, Entscheidung Prognose ist im Planungsprozess ein methodischer Teil Aus möglichst realitätsnaher Darstellung der Vergangenheit Aussagen für die Zukunft treffen Exakte Gesetzmäßigkeiten verdeutlichen

12 Anforderungen an Prognosen 1. Modelle sollen vereinfachende Abbilder realer Tatbestände liefern (Isolation und Abstraktion). 2. Trotz aller Vereinfachung soll eine Strukturgleichheit bzw. Strukturähnlichkeit zwischen dem Modellsystem und dem Realsystem gewahrt bleiben. 3. Sie müssen logisch sein - also in sich widerspruchsfrei sein. (objektives Kriterium)

13 Anwendungsgebiete Wettervorhersage/ -prognose Arbeitslosenzahlen BWL: Forschung und Entwicklung Investitionen Produktion - Bedarfsermittlung Absatz Gesamtplanung

14 Beispiel einer Prognose Die Grenzen des Wachstums Meadows 1972 Studie zur globalen Entwicklung bis 2100 auf den Sektoren Bevölkerungswachstum, Industrieoutput, Nahrungsmittelproduktion, Rohstoffverbrauch und Umweltverschmutzung Auftraggeber: Club of Rome; Bearbeiter: MIT (Dennis und Donella Meadows, Jorgen Randers), Jay W. Forresters Institut für Systemdynamik

15 Beispiel einer Prognose Prognosen aus Die Grenzen des Wachstums Meadows, 1972

16 Beispiel einer Prognose 20 Jahre nach der ersten Prognose im Auftrag des Club of Rome erstellte Meadows eine Wiederholung der Simulation auf Grundlagen neuer Erkenntnisse sowie neuer Annahmen. Diese wurden 1992 in Die neuen Grenzen des Wachstums ( beyond the limits ) veröffentlicht.

17 Beispiel einer Prognose Modifizierte Verläufe aus Die neuen Grenzen des Wachstums Meadows, 1992/Szenario 5 Unter Änderung der Annahmen: Verdoppelung der Ressourcen Emissionsbekämpfung Ertragsförderung Erosionsschutz

18 Beispiel einer Prognose Weitere Szenarien mit verschiedenen Maßnahmen/ Einschränkungen Szenario 10 Szenario 12

19 Einteilung der Prognoseverfahren Nach Dr.ing. Elske Linß

20 Qualitative/ Subjektive Verfahren Keine mathematisch-statistische Verfahren werden angewandt. Menschliche Erfahrungen/ Intuition sind Grundlage der Prognose Einzel- oder Gruppenurteile (unabhängig/ abhängig) Beispiel: Gruppenurteil abhängig: Ermittlung von Planzahlen in Gruppendiskussionen/Brainstorming unabhängig: Ermittlung von Planzahlen durch strukturierte Gruppenbefragung (Bsp. Delphi-Methode)

21 Qualitative/ Subjektive Verfahren Methoden der Datenerhebung bei subjektiven Verfahren: Delphi-Methode: 1. Verwendung eines formalen Fragebogens 2. anonyme Einzelantworten 3. Ermittlung einer statistischen Gruppenantwort 4. Information der Teilnehmer über die Gruppenantwort 5. Wiederholung der Befragung Informationen: Michael Häder; Delphi-Befragungen: Ein Arbeitsbuch. VS Verlag für Sozialwissenschaften, Wiesbaden 2009

22 Extrapolierende Verfahren Zeitreihenanalyse Analyse einer bestimmten Größe mit mathematischstatistischen Methoden Untersuchung hinsichtlich Gesetzmäßigkeiten aus der Vergangenheit Übertrag dieser Gesetzmäßigkeiten in die Zukunft Betrachtung der untersuchten Größen = zeitabhängig Ursachenforschung bleibt außen vor!

23 Zeitreihen Die Zeitreihe (yt) setzt sich zusammen aus: yt= f (ut, zt, st, rt) der Trendkomponente (ut) = gibt die grundsätzliche Entwicklungsrichtung an (Zeitreihe kann mit fallenden, steigenden oder ohne Trend verlaufen) der zyklischen Komponente (zt) = langfristige Schwankung um den Trend (Konjunktur) Der Saisonkomponente (st) = kurzfristige Bewegung um den Trend und Zyklus (Umsatzschwankungen) Und der irregulären Komponente (rt) = zufällig auftretende Störgröße Informationen: Vorlesungsunterlagen Mike Hüftle; Modelle und Methoden der Zeitreihenanalyse. 2006

24 Zeitreihen Es sollen zeitlich regelmäßig anfallende Bewegungen einer Zeitreihe aufgezeigt werden, um so ein Fortschreiben in der Zukunft für Prognose- und Planungszwecke zu ermöglichen. Voraussetzung = eine ausreichend lange Zeitreihe Treten alle Komponenten gleichzeitig auf, so ist die Analyse einer Komponente sehr erschwert. Zeitreihe mit saisonalen Schwankungen müssen auf rechnerische Weise von der saisonalen Komponente bereinigt werden.

25 Zeitraum von Prognosen Je länger eine Prognose in die Zukunft geht, desto ungenauer/ ungewisser wird sie Die Eintrittswahrscheinlichkeit der Prognose verringert sich, je länger der Planungszeitraum in der Zukunft liegt Bezogen auf Unternehmen: Je größer ein Unternehmen, desto langfristiger oftmals die Prognosen. Je konsumnäher, desto kürzer der Planungszeitraum. zielorientierte Datenquellen und Zeiträume wählen

26 Graphische Verdeutlichung Ungewissheit der Prognose Zurückliegende Daten t = 0 Zukünftige, prognostizierte Daten

27 Verfahren der Trendanalysen 1. Einfache Mittelwertbildung 2. Verfahren der gleitenden Durchschnitte 3. Methode der kleinsten quadratischen Abweichungen 4. Exponentielle Glättung erster Ordnung 5. Exponentielle Glättung höherer Ordnungen

28 Einfache Mittelwertbildung Aus allen Gliedern einer Zeitreihe wird der Mittelwert x gebildet X = 1/m t=1 m x t Alle Vergangenheitswerte gehen mit gleicher Gewichtung ein Anwendbar nur bei Zeitreihen ohne Trend

29 Verfahren der gleitenden Durchschnitte Basiert ebenfalls auf der Berechnung von Mittelwerten Unterschied: Mittelwert wird nicht mit allen m Werten der Zeitreihe, sondern wiederholt mit einer Anzahl von g Werten berechnet t Gleitendes Mittel: Mt= 1/g * i=t g+1 x i Prognosewert xt(k) aus dem Zeitpunkt t für die Periode t+k: t 1+k xt(k) = 1/g * i=t g+k x i

30 Verfahren der gleitenden Durchschnitte Beispielrechnung 1. Berechnung der gleitenden Durchschnitte: M3 (g=3)? xi Mt für g=3 Mt für g= ,3 170,3 171, ,4 174,2 179,2 187 M3 (g=3) = 1/3 * ( ) = 169

31 Verfahren der gleitenden Durchschnitte Beispielrechnung 2. Ableitung der Prognosewerte: x12 (g=3)? xi xt (k) für g=3 xt (k) für g= ,3 202,4 200, ,8 197,9 201,6 x12 (g=3) = 1/3 * ( ,3) = 202,4

32 Verfahren der gleitenden Durchschnitte Gleitende Durchschnitte eignen sich zur Glättung von Zeitreihen. Als Prognoseverfahren sollten sie nur bei Zeitreihen ohne Trend zur Anwendung kommen.

33 Methode der kleinsten quadratischen Abweichungen Unter der Annahme der linearen Zeitabhängigkeit einer Größe, wird der Trend durch eine Gerade beschrieben: y = ax + b oder hier xt = a + b*t mit a: Achsenabschnitt b: Steigungskoeffizient t: Periode Dabei werden a und b so bestimmt, dass die Summe der Abweichungsquadrate von der Trendlinie minimiert werden.

34 Methode der kleinsten quadratischen Abweichungen x Die Summe der Quadrate minimieren: f (a,b): t=1 m (x t (a + b t)) 2 min t

35 Methode der kleinsten quadratischen Abweichungen Mathematische Lösung über partielle Differenziale. Einfacher: Graphische Lösung in Excel mit Ausgabe der Geradengleichung Das Verfahren wir häufig bei der Bestimmung eines Trends von Zeitreihen eingesetzt. Das Verfahren reagiert auf anhaltende Trendänderungen nur sehr langsam.

36 Exponentielle Glättung erster Ordnung Lösung des Problems, dass die Methode der kleinsten quadratischen Abweichungen auf Trendänderungen nur sehr langsam reagiert: Anpassung der Trendbewegungen durch exponentielle Glättung. Ein Glättungsfaktor (0>α>1) gewichtet die Werte der zurück liegenden Perioden Je kleiner α, umso stärker werden die Perioden der Vergangenheit gewichtet und Zufallsschwankungen geglättet.

37 Exponentielle Glättung erster Ordnung Anzuwendende Formel: V n = V a + α (T i V a ) mit Vn: Vorhersage neu (t+1) Va: Vorhersage alt (t) aus (t-1) α: Glättungsfaktor Ti: Tatsächlicher Bedarf

38 Exponentielle Glättung erster Ordnung Beispielrechnung: Der Vorhersagewert für den Erlös aus Holzverkäufen für 2011 lag im Jahre 2010 bei ,-. In 2011 ist jedoch ein wirklicher Erlös von ,- erzielt worden. Errechnen Sie bei einem Glättungsfaktor von 0,2 den Vorhersagewert für Wie sind die zurückliegenden Werte gewichtet? V2012: ,2 ( ) = ,-

39 Kausale Prognosen Kausale Prognosen stellen eine Größe in Abhängigkeit von einer anderen dar. Für zwei Größen y, x gilt allgemein: y = f (x) Für die Prognose von y aus x sind zwei Konstellationen denkbar: 1) Wurde x beobachtet, kann nach k Perioden regelmäßig mit der Beobachtung von y gerechnet werden (Time lag): y (t + k) = f (x (t)) 2) y und x treten regelmäßig gleichmäßig auf, wobei x durch ein extrapolierendes Verfahren prognostiziert werden kann: y (t + k) = f (x (t + k))

40 Kausale Prognosen Deterministische Prognosen: y und x stehen in Ursache-Wirkungs-Zusammenhang. Prognose unter sicherer Erwartung eindeutige Prognose Stochastische Prognosen: Zusammenhänge zwischen Größen nicht eindeutig determiniert Prognose unter Unsicherheit

41 Kausale Prognosen Verwendung von einfachen Regressionsansätzen Lineare Einfachregression: zwei Größen (x und y) stehen in folgendem linearen Zusammenhang: y = a + b * x x = erklärende Größe y = erklärte Größe y

42 Kausale Prognosen Verwendung von multiplen Regressionsansätzen Bei allen einfachen Regressionsansätzen wird die Größe y aus nur einem x erklärt. Deshalb wurde die Einfachregression zur multiplen Regression erweitert, bei der die erklärte Größe aus mehreren Größen erklärbar wird.

43 Diskussion Größte Problematik: Einfache Prognosen basieren auf Fortschreibung zurückliegender Daten. Bei kausale Prognosen können die beschreibenden und die abhängige Variablen in der Vergangenheit enge korreliert haben. Aber Vorhersage berücksichtigt auch da keine Änderungen. Lebensdauer eines Gutes muss bekannt sein: Unterscheidung zwischen Erst-und Ersatzbedarf Notwendig: autonome Schätzung der Sättigungsgrenze (die sich langfristig ändern kann)

44 Übungsaufgabe Lösen Sie die Excel-Aufgabe mit 1. Der einfachen Mittelwert-Berechnung 2. Der Methode der gleitenden Durchschnitte 3. Der Methode der kleinsten quad. Abweichungen 4. mit einer exponentiellen Glättung 1. Ordnung Lösen Sie die Aufgabe mathematisch und stellen Sie die Lösungen graphisch da.