Absatzplanung (SCM-APO-FCS)

Exponentielle Glättung erster Ordnung

Methoden der exponentiellen Glättung sind die derzeit am weitestverbreiteten Zeitreihenverfahren. Diese Verfahren sind leichter verständlich, wenn man sich vergegenwärtigt, daß sie ursprünglich "exponentiell gewichtete gleitende Mittelwerte" genannt wurden. Die Grundprämisse der einfachen exponentiellen Glättung besteht darin, daß die Absatzwerte jüngerer Perioden mehr Einfluß auf die Prognose haben und daher stärker gewichtet werden sollten, während die Gewichtung weiter zurückliegender Perioden exponentiell abnimmt. Da die Berechnungen auf Daten der jüngeren Absatzhistorie, also einem überschaubaren Zeitraum, beruhen, läßt sich zudem die Datenhaltung auf ein Minimum bzw. wenigstens auf ein begrenztes Maß reduzieren.

Exponentielle Glättung 1. Ordnung (auch als einfache exponentielle Glättung bezeichnet) arbeitet mit einer Glättungskonstanten (Alpha), der ein Wert zwischen 0 und 1 zugeordnet wird. Je größer deren Wert ist (näher an 1), desto stärker wird die Absatzhistorie der letzten Zeit gewichtet. Ein hoher Alphawert (.8) ist vergleichbar mit der Verwendung einer geringen Anzahl Perioden (n) bei einem Modell des gleitenden Mittelwerts. Ein kleiner Wert n erlaubt eine stärkere Gewichtung der jüngeren Perioden. Dagegen entspricht ein kleiner Alphawert (.1) der Berücksichtigung einer großen Anzahl Perioden bei gleitendem Mittelwert, da der Einfluß jüngerer Perioden geringer ist.

Vorteile der auf exponentieller Glättung basierenden Modelle:

• - relativ leicht verständlich und handhabbar
• - größere Gewichtung jüngerer Datenperioden
• - keine große Datenhaltung erforderlich
• - relativ hohe Genauigkeit für kurzfristige Prognosen (ein bis drei Perioden in die Zukunft reichend)

Nachteile der auf exponentieller Glättung basierenden Modelle:

• - ggf. erheblicher Aufwand zur Ermittlung des korrekten Alphawerts
• - Modelle sind gewöhnlich schwach für mittel- oder langfristige Vorhersagen (drei Perioden und mehr)
• - Prognoseergebnisse können stark fehlerhaft sein aufgrund großer Zufallsschwankungen bei jüngeren Daten. Da Modelle der exponentiellen Glättung für die Prognose Vergangenheitsdaten einer Zeitreihe sowie einen Glättungsfaktor heranziehen, sind sie weniger in der Lage, Wendepunkte bei jüngeren Daten zu prognostizieren. Gewöhnlich sind ein bis drei Perioden erforderlich, um extreme Schwankungen, die bei neueren Daten auftreten, zu berücksichtigen.

Exponentielle Glättung zweiter Ordnung

Die Methode der exponentiellen Glättung erster Ordnung ist theoretisch geeignet, wenn die Datenreihe einen horizontalen Verlauf zeigt (d.h., es liegt kein Trend vor). Wird die exponentielle Glättung erster Ordnung bei einer Datenreihe angewandt, die einen beständigen Trend aufweist, bleiben die Prognosen hinter diesem Trend zurück. Die exponentielle Glättung zweiter Ordnung (auch bekannt als lineare exponentielle Glättung nach Holt) umgeht dieses Problem, indem das Vorliegen eines Trends explizit erkannt und berücksichtigt wird. Von dem in der Datenreihe enthaltenen Trend wird ein geglätteter Schätzwert erstellt.