Show TOC

FunktionsdokumentationPrognosestrategien Dieses Dokument in der Navigationsstruktur finden

 

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.

Hinweis Hinweis

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).

Ende des Hinweises.

Funktionsumfang

Folgende Prognosestrategien stehen zur Verfügung:

Durchschnitt

Der Prognosewert ergibt sich aus dem arithmetischen Mittel der Vergangenheitswerte.

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.

    Beispiel Beispiel

    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 sechs 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
    Ende des Beispiels.
Lineare Regression

Einfache lineare Regression (Verfahren der kleinsten Quadrate).

Saisonale lineare Regression

Der saisonalen linearen Regression liegt dasselbe statistische Verfahre zugrunde, wie es in der Bedarfsplanung zum Einsatz kommt.

Hinweis Hinweis

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  

Ende des Hinweises.
Einfache exponentielle Glättung (Konstantmodell)

Die einfache exponentielle Glättung ist geeignet, falls die Vergangenheitsdaten einen konstantförmigen Verlauf aufweisen.

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.

Saisonale exponentielle Glättung (Saisonmodell)

Diese Strategie ist geeignet, falls Ihre Vergangenheitswerte saisonale Schwankungen (z.B. jährlich) um einen konstanten Grundwert aufweisen.

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.

Beispiel Beispiel

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.

Ende des Beispiels.
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.

Hinweis Hinweis

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  .

Ende des Hinweises.

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.