Nachfrageprognose. Prof. Dr. Helmut Dietl

Transkript

1 Nachfrageprognose Prof. Dr. Helmu Diel

2 Problemsellung und Lernziele Inwiefern können erviceunernehmen durch Nachfrageprognosen einen Webewerbsvoreil erwirschafen? Nach dieser Veransalung sollen ie, die wichigsen Prognosemehoden kennen Delphi-Befragungen und Cross-Impac-nalysen durchführen können lineare Regressionen ersellen können Zeireihenmehoden anwenden können die Vor- und Nacheile der verschiedenen Prognosemehoden beureilen können für jede Prognosesiuaion die geeignee Prognosemehode auswählen können

3 Prognosemehoden ubjekive Verfahren Delphi Mehode Cross-Impac nalyse Hisorische nalogie Kausalmodelle Regressionsmodelle Ökonomerische Modelle Zeireihenmodelle Mehode der gleienden Durchschnie Exponenielle Gläung

4 Delphi Mehode Experen werden bzgl. ihrer Zukunfseinschäzung befrag (z.b. wo lieg der Dow Jones Index Ende 005) Ergebnisse werden zusammengefass und den befragen Experen migeeil nschließend werden die Experen gebeen, neue chäzungen abzugeben Diejenigen Experen, deren Meinungen sark vom Durchschni abweichen, werden gebeen, Ihre Einschäzung zu begründen Evl. Wiederholung über mehrere Befragungs- und uswerungsrunden

5 Cross-Impac-nalyse nnahme: zukünfige Ereignisse korrelieren mi früheren Ereignissen Experen werden zunächs hinsichlich ihrer Korrelaionseinschäzung befrag nschließend werden die unbedingen Wahrscheinlichkeien für die Zukunfsereignisse erfrag Falls diese mi den bedingen Wahrscheinlichkeien der zuvor ermielen Korrelaionsmarix nich übereinsimmen, werden die Experen hierüber informier und um eine npassung ihrer Einschäzung gebeen Evl. mehrere Ieraionsschrie

6 Hisorische nalogie nnahme: Die Nachfrageenwicklung bei neuen Diensleisungen verläuf in nalogie zur Nachfrage nach bereis eingeführen Diensleisungen Beispiel: Nachfrageenwicklung bei Inerneanschlüssen erfolg in hisorischer nalogie zur Nachfrageenwicklung bei elefonanschlüssen

7 Einfache lineare Regression Ziel: Zusammenhang von zwei Variablen X,Y erfassen Gleichung: YabXε X is die unabhängige Variable Y is die abhängige Variable Y a Grundwer der Regressionsgeraden a b eigung der Regressionsgeraden X

8 Einfache lineare Regression Mehode: Ordinary Leas quares (OL) Minimiere Σε i Σ(Y i -a-bx i ) bezüglich a und b Wir erhalen dann a Y - bx b XiYi X i - - ny X nx

9 Beispiel: Einfache lineare Regression Daenbasis: Firma i Werbung X Umsaz Y (in hunder)

10 Beispiel: Einfache lineare Regression X i Y i X i Y i X i

11 Beispiel: Einfache lineare Regression Y 47 / 7 X 80 / a Y - bx * b XY i i - nyx X i - nx * 6* *

12 Beispiel: Einfache lineare Regression Die geschäze Regessionsgerade laue: yabx *x

13 Gleiender Durchschni mi N Perioden M Gleiender N-Perioden-Durchschni am Ende der Periode Wer für Periode Eigenschafen: M ( N )/N. Man benöig N Beobachungen. Einfach und kosengünsig 3. lle Beobachungen werden gleich gewiche 4. Beobachungen, die mehr als N-Perioden zurückliegen, werden ignorier

14 Beispiel Zimmerauslasung an amsagen (00 Zimmer-Hoel) Gleiender Durchschni amsag Periode uslasung in % (3-Perioden) Prognose ug ep

15 Exponenielle Gläung exponeniell gegläeer Wer am Ende von Periode Wer der Periode F Prognose für Periode Rückkoppelungskonrolle: Neuer Wer ( ) ler Wer ( - ) x beobacheer Prognosefehler - F ) ( ] [ bzw. :

16 Beispiel ( 0.5) Zimmerauslasung an amsagen (00 Zimmer-Hoel) amsag Periode F - F ug ep Mean bsolue Deviaion (MD) n F / n 33 / 5 6.6

17 Exponenielle Gläung: Implizie Gewichung ) ( ) ( ] ) ( )[ ( ) ( Durch Ersezen von: erhäl man: 0 ) ( ) (... ) ( ) (

18 Exponenielle Gläung: Gewichsvereilung Weigh ( ) 0. ( ) 047. ( ) ( ) ( ) ge of Obs e rvaion (Pe riod Old) Zusammenhang zwischen und N: : N:

19 Hoelbeispiel Effek von lpha (( 0. vs. 0.5) Occupancy Period kuell Prognose mi 0.5 Prognose mi 0.

20 Exponenielle Gläung mi rendanpassung F ( ) ( )( β( ) ( β) ) Flugzeugauslasung ( 0.5; β 0.3) Woche uslasung in% gegläeer Wer gegläeer rend Prognose Prognosefehler F - F MD 6.50

21 Exponenielle Gläung mi aisonangleichung F I ( ( γ / I )( I L L ( γ ) I ) ( ) ) L Fährpassagiere nach Capri ( 0.; γ 0.3) Periode I F - F 995 Januar Februar März pril Mai Juni Juli ugus epember Okober November Dezember Januar Februar März pril Mai

22 Mehode Daeninpu Kosen Horizon nwendungen ubjekive Verfahren Delphimehode Umfrageergebnisse Hoch Langfrisig echnologieprognose Cross-Impac udie Ereigniskorrelaion Hoch Langfrisig echnologieprognose Hisorische nalogie Hisorische Daen Hoch Miel- bis langfrisig Lebenszyklusnachfrage Kausalmodelle Regression lle verfügbaren Daen Miel Mielfrisig Nachfrageprognose Ökonomerie lle verfügbaren Daen Miel bis hoch Miel- bis langfrisig Ökonomisches Umfeld Zeireihenmodelle Gleiender Durchschni Die lezen N Beobachungen Niedrig Kurzfrisig Nachfrageprognose Exponenielle Gläung Gegläeer Wer und leze Beobachungen Niedrig Kurzfrisig Nachfrageprognose