Title: Analyse der Prognosegüte alternativer Prognosemethoden bei kleinen Stichproben
Language: Deutsch
Authors: Butgereidt, Sören 
Qualification level: Diploma
Keywords: Prognosemethoden; Forcasting; Big Data vs. Small Data; Prognosegüte; Planung mit Unsicherheit; Zeitreihenanalyse
Forecasting; Big Data vs. Small Data; Forecast Accuracy; Planning with Uncertainty; Time Series Analysis
Advisor: Schwaiger, Walter 
Issue Date: 2019
Number of Pages: 122
Qualification level: Diploma
Abstract: 
In der heutigen Zeit sehen sich Unternehmen immer volatileren Märkten ausgesetzt. Es gibt viele interne und externe Einflüsse, die zu Nachfrageschwankungen führen können und eine genaue Planung bzw. Budgetierung für das kommende Jahr erschweren. Aus diesem Grund wurde der Forschungsschwerpunkt in den letzten Jahren vermehrt daraufgelegt die Prognosegüte von Forecasting-Methoden zu verbessern, um dieser Unsicherheit für die zukünftige Planung entgegenwirken zu können. „Big Data Analytics“ ist eines der Stichwörter, das in diesem Zusammenhang in der Literatur immer wieder erwähnt wird. Die Verarbeitung großer Datensätze, bei der man auf die Hilfe von Rechnern angewiesen ist, steht dabei im Zentrum und soll ein genaues Abbild der realen Situation und damit möglichst genaue Zukunftsprognosen erzeugen. Oftmals stellt sich aber in der Realität ein anderes Bild dar, weil viele Unternehmen, egal ob klein oder groß, nicht über große Datensätze verfügen. Als Beispiel stellen Quartalsabsatzzahlen der letzten 10 Jahre, allein betrachtet, nur einen Umfang von 40 Datenwerten dar. In Zeiten von Big Data Analytics ist dies eine sehr geringe Anzahl. Oftmals verlassen sich die Unternehmen auf ihre eigene Expertise, zum einen weil sie damit gute Erfahrung gemacht haben und zum anderen weil Ihnen das nötige Wissen bzw. die nötige Zeit fehlt, um solche statistisch fundierten Methoden anzuwenden. Mit dieser Arbeit sollen nun die gängigsten Forecasting Tools auf Small Data Sets angewendet und dabei der Frage nachgegangen werden, welche Methoden bei nur kleinen vorhandenen Datensätzen die besten Ergebnisse liefern bzw. ob aufgrund dieser geringen Datenmengen andere Methoden, wie z.B. die Naive Methode, über zukünftige Absatzzahlen bessere Ergebnisse aufzeigen als statistische Forecasts. Darüber hinaus soll anhand der Datensätze ein flexibles probabilistisches Verkaufsvolumen Modell erstellt werden, um den Planungsprozess des Unternehmens zu unterstützen und die Planwerte auf ein statistisches Fundament zu stellen. Dabei verwendet man Absatzzahlen eines Kleinunternehmens in einer Case Study, anhand derer der Planungsprozess simuliert werden soll.

At the present time, companies are increasingly exposed to more volatile markets. There are many internal and external influences that can lead to fluctuations in demand and make accurate planning or budgeting difficult for the coming year. For this reason, the research focus in recent years has increasingly been on improving the quality of forecasting methods in order to be able to counteract this uncertainty for future planning. "Big Data Analytics" is one of the keywords that is mentioned in the literature over and over again. The processing of large data sets, relying on the help of computers, stands thereby in the centre and is to produce an exact image of the real situation and with it as exact as possible future prognoses. Often, however, a different picture arises in reality, because many companies, whether small or large, do not have large data sets. As an example, quarterly sales figures for the past 10 years alone represent only 40 data items. In times of big data analytics, this is a very small number. Often, companies rely on their own expertise, firstly because they have had good experience with it, and second because they lack the knowledge or time to apply such statistically sound methods. The aim of this thesis is to apply the most common forecasting tools to small data sets and to investigate which methods provide the best results for small existing datasets or if expert estimates of future sales figures show better results than statistical forecasts. In addition, the datasets are to be used to create a flexible probabilistic sales volume model to support the company's planning process and to put the plan values on a statistical foundation. The sales figures of a small company act as a case study, with which the planning process is to be simulated.
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-125068
http://hdl.handle.net/20.500.12708/13760
Library ID: AC15371115
Organisation: E330 - Institut für Managementwissenschaften 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

21
checked on Feb 21, 2021

Download(s)

38
checked on Feb 21, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.