Die Prognosestrategie bestimmt, auf welche Weise Prognosewerte berechnet werden.
Alle Prognosestrategien basieren auf statistischen Prognoseverfahren und damit auf Prognosemodellen, welche die Zeitreihe der Vergangenheitsdaten mathematisch beschreiben. Die Methoden der exponentiellen Glättung (exponentiell gewichteter gleitender Mittelwerte) 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).
Folgende Prognosestrategien stehen zur Verfügung:
Der Prognosewert ergibt sich aus dem arithmetischen Mittel der Vergangenheitswerte.
Optionale Prognoseparameter: Ausreißerkorrektur, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
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, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
Bei der Berechnung des gleitenden Durchschnittes erhält jeder Vergangenheitswert das in der Gewichtungsgruppe definierte Gewicht.
· Obligatorischer Prognoseparameter: Gewichtungsgruppe gleit. Durchschnitt
Die Gewichtungsgruppe des gleitenden Durchschnittes ist ein Schlüssel, der angibt
¡ wie viele Vergangenheitswerte zur Berechnung des Prognosewertes herangezogen werden
¡ mit welchem Gewicht die einzelnen Vergangenheitswerte in die Berechnung eingehen
Über Gewichtungsgruppen gelangen Sie auf ein Bild zur Anzeige und Pflege der Gewichtungsgruppen.
· Optionale Prognoseparameter: Ausreißerkorrektur, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
Die einfache exponentielle Glättung ist geeignet, falls die Vergangenheitsdaten einen horizontalen Verlauf aufweisen.
· Einstellungen Glättungsfaktoren: Alpha (Grundwert)
· Optionale Prognoseparameter: Ausreißerkorrektur, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
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: Ausreißerkorrektur, Trenddämpfung, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
Wählen Sie diese Strategie, falls Ihre Vergangenheitswerte saisonale Schwankungen (beispielsweise jährlich) um einen konstanten Grundwert herum aufweisen.
· Obligatorischer Prognoseparameter: Perioden pro Saison
· Einstellungen Glättungsfaktoren: Alpha (Grundwert), Gamma (Saisonkomponente)
· Optionale Prognoseparameter: Ausreißerkorrektur, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
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 hängt die Stärke der Schwankung von der Höhe des Trends ab.
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: Ausreißerkorrektur, Trenddämpfung, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
Die Prognose erfolgt nach dem additiven Verfahren von Winter/Holt und ist geeignet, falls die Vergangenheitswerte saisonal um einen steigenden bzw. fallenden Trend schwanken. Dabei ist die Stärke der Schwankung unabhängig von der Höhe des Trends.
Ein Beispiel hierfür wäre ein Produkt, bei dem in jedem Juli eine Anzahl von 1000 Stück über dem langfristigen Trend verkauft wird.
· Obligatorischer Prognoseparameter: Perioden pro Saison
· Einstellungen Glättungsfaktoren: Alpha (Grundwert), Beta (Trendwert), Gamma (Saisonkomponente)
· Optionale Prognoseparameter: Ausreißerkorrektur, Trenddämpfung, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren
Einfache lineare Regression (Verfahren der kleinsten Quadrate).
· Optionale Prognoseparameter: Ausreißerkorrektur, Trenddämpfung, Negative Prognosewerte auf Null setzen, Statistische Kennzahlen protokollieren, Anfängliche Nullwerte ignorieren