Globaler Wettbewerb, neue Vertriebswege und immer kürzer werdende Produktlebenszyklen kennzeichnen heutige Wirtschaftsmärkte. Damit Unternehmen konkurrenzfähig bleiben können, bedarf es unternehmensübergreifender Effizienzsteigerungen entlang der gesamten Wertschöpfungskette bis hin zum Konsumenten. Dabei nimmt eine zuverlässige Prognose für den Bedarf des Konsumenten im strategischen Management eine entscheidende Rolle ein. Große Industrie- und Handelsunternehmen schlagen oftmals eine enorme Anzahl an Artikeln um. Der Warenfluss kann dabei durch computerunterstützte Warenwirtschaftssysteme zu jedem Zeitpunkt nachvollzogen werden. Dadurch fallen riesige Mengen an Daten und Zeitreihen an, welche die Basis für die Prognoseerstellung darstellen. Die Modellierung von derartigen Datenmengen ist dabei ausschließlich mit automatisierten Verfahren zu bewerkstelligen, wobei in der Praxis häufig eine entsprechende Methodik fehlt. In dieser Arbeit soll erörtert werden, welche Art von Gütern sich besonders gut für bestimmte Produktions- bzw. Beschaffungsstrategien eignen. Im Zuge dessen ist ein Modell zu erstellen, welches auf Basis von vorhandenen Vergangenheitsdaten Forecasts erzeugt und diese, durch Backtests auf ihre Eignung überprüft. Dabei sollen sämtliche Artikel eines Unternehmens durch eine ABC-XYZ Analyse klassifiziert und in eine entsprechende Matrix überführt werden. In allen Bereichen dieser Matrix werden dabei unterschiedliche Strategien auf ihre Wirtschaftlichkeit getestet. Die Strategien sollen vom klassischen Make-to-Stock bis hin zu Make-to-Order Prinzipien reichen. Um das Modell universell einsetzen zu können, ist zu beachten, dass es sowohl produkt- als auch branchenunabhängig anwendbar ist. Die Zielsetzung ist dabei stets, die Kosten für die Produktion bzw. für die Anschaffung zu minimieren. Unternehmen soll damit ein Werkzeug an die Hand gegeben werden, welches sie bei der Auswahl einer kostenoptimalen Beschaffungs- bzw. Produktionsstrategie für sämtlich relevante Artikel unterstützt. Dabei soll in weiterer Folge, neben der Auswahl einer geeigneten Strategie auch die Strategie an sich optimiert werden können. Begleitend dazu bietet es eine Hilfestellung an, um aus Vergangenheitsdaten geeigneten Prognosen zu erstellen.
de
Global competition, new distribution channels and the need to shorten product life cycles characterize today's economy. To stay competitive, cross-enterprise efficiency improvements along the entire supply chain up to the consumer are essential. For that reason reliable forecast methods play a crucial role in strategic management. Large industrial and commercial enterprises often handle an enormous amount of products. The flow of goods can be tracked by computerized Enterprise Resource Planning (ERP) systems at any time. As a result huge amounts of data and time series arise, which represent the basis for forecasts. Modeling such enormous amounts of data can only be accomplished with appropriate methods, which are often missed in practice. This paper discusses the question, which kind of goods is particularly well suited for certain production or procurement strategies. Therefore a model has to be created which generates forecasts based on existing historical data. Various products of companies are classified and transferred into a corresponding ABC-XYZ matrix. All fields of this matrix are evaluated on their efficiency by different strategies, which range from classic make-to-stock to make-to-order principles. In order to use the model universally, it should be applicable independent of the product or industry. The model presented in this paper can be used as a tool for companies to assist them in selecting a cost-optimal procurement and production strategy for all relevant goods. Besides the selection of an appropriate method, the model helps to optimize the strategy itself. Furthermore, it offers support to create appropriate forecasts from data and time series.
