Prognosestrategien
Verwendung
Die Prognosestrategie bestimmt, auf welche Weise Prognosewerte berechnet werden.
Allen Prognosestrategien liegen statistische Prognoseverfahren und Prognosemodelle zugrunde, welche die Zeitreihe mathematisch beschreiben.
Die Methoden der exponentiellen Glättung sind die derzeit am weitesten verbreiteten Zeitreihenverfahren (siehe exponentielle Glättung).
Wenn Sie erwarten, dass sich die Entwicklung der Vergangenheitswerte auch in Zukunft fortsetzt, wählen Sie ein Prognosemodell, welches gut zu dem bisherigen Zeitreihenverlauf passt.
Mit der Strategie Automatische Modellauswahl können Sie durch das System dasjenige Prognosemodell der exponentiellen Glättung auswählen lassen, welches am besten zu dem Verlauf der Vergangenheitswerte passt (siehe Automatische Modellauswahl).
Funktionsumfang
Folgende Prognosestrategien stehen zur Verfügung:
Durchschnitt
Der Prognosewert ergibt sich aus dem arithmetischen Mittel der Vergangenheitswerte.
● Optionale Prognoseparameter: Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Gleitender Durchschnitt
Der Prognosewert wird entsprechend der Ordnung berechnet.
● Obligatorischer Prognoseparameter: Ordnung gleit. Durchschnitt
Die Ordnung des gleitenden Durchschnittes ist eine Zahl N, welche die Länge des Zeitintervalls für die Durchschnittsberechnung bestimmt, d.h. die Anzahl zeitlich aufeinander folgender Vergangenheitswerte. Der Prognosewert ergibt sich einfach als Durchschnitt der letzten N Vergangenheitswerte.
Geben Sie eine positive Zahl für die Ordnung ein.
● Optionale Prognoseparameter: Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Gewichteter gleitender Durchschnitt
Bei der Berechnung des gleitenden Durchschnittes erhält jeder Vergangenheitswert ein bestimmtes Gewicht.
● Obligatorischer Prognoseparameter: Ordnung gleit. Durchschnitt
Die Ordnung des gleitenden Durchschnittes ist eine Zahl N, welche die Länge des Zeitintervalls für die Durchschnittsberechnung bestimmt, d.h. die Anzahl zeitlich aufeinander folgender Vergangenheitswerte.
Geben Sie eine positive Zahl für die Ordnung ein.
● Obligatorischer Prognoseparameter: Gewichtungsfaktoren
Die Gewichtungsfaktoren geben das Verhältnis an, mit dem die einzelnen Vergangenheitswerte bei der Durchschnittsberechnung eingehen. Wichtig ist die Reihenfolge der Gewichte: Der Gewichtungsfaktor mit der Nummer 1 bezieht sich auf die Vorperiode, Gewichtungsfaktor 2 auf die Vorvorperiode usw.
Sie möchten eine Prognose auf der Grundlage monatlicher Werte erstellen und wählen den gewichteten gleitenden Durchschnitt der Ordnung 6. Hierbei möchten Sie die letzten (jüngsten) Monatswerte stärker gewichten als die älteren. Die Vergangenheitsdaten kommen aus den Monaten 5 bis 10. Die 6 Gewichtungsfaktoren und der jeweils relevante Monat lauten wie folgt:
Nr. |
Gewichtungsfaktor |
Bezugsmonat |
1 |
3,00 |
10 |
2 |
2,00 |
9 |
3 |
2,00 |
8 |
4 |
1,00 |
7 |
5 |
1,00 |
6 |
6 |
1,00 |
5 |
● Optionale Prognoseparameter: Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Lineare Regression
Einfache lineare Regression (Verfahren der kleinsten Quadrate).
● Optionale Prognoseparameter: Trenddämpfung, Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Saisonale lineare Regression
Der saisonalen linearen Regression liegt dasselbe statistische Verfahre zugrunde, wie es in der Bedarfsplanung zum Einsatz kommt.
Weitere Informationen finden Sie im Internet unter http://help.sap.com/ ® SAP Business Suite ® SAP Supply Chain Management ® SAP APO 3.1 ® Application Help ® Absatzplanung (Demand Planning) ® Prozess der Absatzplanung ®Definition/Neudefinition von Prognosemodellen ® Gesamtprognoseprofil anlegen ® Univariate Prognose ® Prognosestrategien ® Saisonale lineare Regression
● Obligatorischer Prognoseparameter: Perioden pro Saison
● Optionale Prognoseparameter: Trenddämpfung, Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Einfache exponentielle Glättung (Konstantmodell)
Die einfache exponentielle Glättung ist geeignet, falls die Vergangenheitsdaten einen konstantförmigen Verlauf aufweisen.
● Einstellungen Glättungsfaktoren: Alpha (Grundwert)
● Optionale Prognoseparameter: Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Einfache exponentielle Glättung mit Alpha-Optimierung (Konstantmodell)
Das Verfahren entspricht der oben genannten "einfachen exponentiellen Glättung“; zusätzlich berechnet das System jedoch noch den Glättungsfaktor Alpha. Hierbei wird Alpha in dem Intervall mit der eingestellten Schrittweite variiert und jeweils eine Prognoserechnung (für den Vergangenheitszeitraum) durchgeführt. Das Optimum für Alpha ist derjenige Wert, für den das Prognose-Ergebnis den kleinsten Fehler aufweist.
● Einstellungen Glättungsfaktoren: Optimierungsgröße, Alpha von, Alpha bis, Alpha-Schrittweite
Lineare exponentielle Glättung (Trendmodell)
Die Prognose erfolgt nach dem Verfahren von Holt und ist geeignet, falls sich die Vergangenheitswerte durch einen steigenden bzw. fallenden Trend beschreiben lassen.
● Einstellungen Glättungsfaktoren: Alpha (Grundwert), Beta (Trendwert),
● Optionale Prognoseparameter: Trenddämpfung, Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Saisonale exponentielle Glättung (Saisonmodell)
Diese Strategie ist geeignet, falls Ihre Vergangenheitswerte saisonale Schwankungen (z.B. jährlich) um einen konstanten Grundwert aufweisen.
● Obligatorischer Prognoseparameter: Perioden pro Saison
● Einstellungen Glättungsfaktoren: Alpha (Grundwert), Gamma (Saisonkomponente)
● Optionale Prognoseparameter: Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Trendsaisonale exponentielle Glättung
Die Prognose erfolgt nach dem multiplikativen Verfahren von Winter/Holt und ist geeignet, falls die Vergangenheitswerte saisonal um einen steigenden bzw. fallenden Trend schwanken. Dabei verstärkt sich die Schwankung mit steigendem Trend.
Eisverkauf im Sommer: Angenommen, der Eisverkauf steigt jährlich im Trend um 10%, dann führt ein saisonaler Anstieg in jedem Sommer um 30% zu immer stärkeren absoluten Schwankungen.
● Obligatorischer Prognoseparameter: Perioden pro Saison
● Einstellungen Glättungsfaktoren: Alpha (Grundwert), Beta (Trendwert), Gamma (Saisonkomponente)
● Optionale Prognoseparameter: Trenddämpfung, Ausreißerkorrektur, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren.
Croston-Methode
Die Croston-Methode wurde speziell für sporadische Verläufe entwickelt. Dieses Verfahren wendet die exponentielle Glättung an, um einen mittleren zeitlichen Abstand zwischen den Werten ungleich Null der Zeitreihe zu berechnen.
Weitere Informationen finden Sie im Internet unter http://help.sap.com/ ® SAP Business Suite ® SAP Supply Chain Management ® SAP APO 3.1 ® Application Help ® Absatzplanung (Demand Planning) ® Prozess der Absatzplanung ®Definition/Neudefinition von Prognosemodellen ® Gesamtprognoseprofil anlegen ® Univariate Prognose ® Prognosestrategien ® Croston-Methode.
Prüfen Sie, ob sich eventuell durch Aggregation der Daten die Lücken in der Zeitreihe beseitigen lassen, so dass Verfahren eingesetzt werden können, die trendförmige oder saisonale Verläufe berücksichtigen. Eine solche Aggregation lässt sich z.B. erreichen, indem ein gröberes Zeitmerkmal gewählt wird (monats- statt tagesgenaue Betrachtung) oder indem die Prognosen für Produktgruppen anstatt für Einzelprodukte berechnet werden.