I

Inhaltsverzeichnis

Inhaltsverzeichnis   I

Abk  ürzungsverzeichnis  II

Abbildungsverzeichnis   III

Tabellenverzeichnis   IV

1.  Einleitung  1

2.  Prognosen - Einführung und Überblick  2

2.1  Bedeutung der Prognoserechnung.  2

2.2  Arbeitsschritte bei der Erstellung von Prognosen  3

2.3  Systematisierung und Auswahl der Prognoseverfahren  4

3.  Die Absatzprognose bei saisonalen Schwankungen.  8

3.1  Das Verfahren von Winter  8

3.1.1  Anwendungen und Grundprämissen  8

3.1.2  Schema der Modellermittlung  9

3.2  Das Verfahren der multiplen Regression.  11

3.2.1  Ziel, Anwendung und Vorgehensweise.  11

3.2.2  Beschreibung des Modells  13

3.3  Kritische Würdigung: Winter vs. multiple Regression  16

4.  Die Entwicklung einer Absatzprognose unter Verwendung der multiplen Regression mit  

Hilfe  von SPSS  18

4.1  Methodisches Vorgehen  18

4.2  Formulierung des Regressionsmodells  19

4.3  Aufstellen der Regressionsfunktion  20

4.4  Prüfung des Regressionsmodells.  21

4.5  Prüfung der Modelprämissen  23

4.6  Kritische Würdigung  26

5.  Fazit  27

Tabellen   V

Literaturverzeichnis   VII

II

Abkürzungsverzeichnis

HWM - Holt Winter Modell HWV - Holt Winter Verfahren MAD - Mean Average Deviation MSE - Mean Squared Error

III

Abbildungsverzeichnis   

Abbildung  01: Prognosearten und -ansätze  

Abbildung  02: Systematisierung beschreibende Prognoseverfahren  

Abbildung  03: Systematisierung erklärende Prognoseverfahren  

Abbildung  04: Auswahl des Prognoseverfahrens  

Abbildung  05: Ablauf der multiplen Regression  

Abbildung  06: Gauß’sche Glockenkurve (Nomalverteilung)  

Abbildung  07: aufgenommene Variablen und Matrixdiagramm  

Abbildung  08: neue Variablen und neues Matrixdiagramm  

Abbildung  09: Koeffizienten  

Abbildung  10: ANOVA  

Abbildung  11: Koeffizienten, T-Wert, Signifikanz, Konfidenzintervalle, Korrelation  

Abbildung  12: P-P-Diagramm von standardisiertes Residuum  

Abbildung  13: Histogramm  

Abbildung  14: Streudiagramm  

Abbildung  15: Modelzusammenfassung  

Abbildung  16: Korrelation  

IV

Tabellenverzeichnis

Tabelle 01: Anwendungen der Regressionsanalyse Tabelle 02: Fallweise Analyse

1

1. Einleitung

Die Problematik der Prognose ist lange bekannt. Trotzdem nimmt die Zahl der Verfahren - und in letzter Zeit besonders die Zahl der Simulationsprogramme - stetig zu. In jedem Bereich der Gesellschaft werden Prognosen erstellt. Sei es das Wetter, die Höhe der Arbeitslosigkeit, die Anzahl der Zuschauer eines Fußballspiels oder die Körpergröße eines Kindes im Erwachsenenalter - beinahe alles wird heutzutage, mal mehr mal weniger gut, vorhergesagt. Natürlich können sich daher gerade Unternehmen diesem Thema nicht verschließen. Ihr stetiger Wille, bessere Prognosen zu erreichen treibt deren Entwicklung geradezu voran. Woher kommt also dieser Drang, in die Zukunft schauen zu wollen? Welche Möglichkeiten ergeben sich dadurch und wie erfolgsversprechend sind die Prognosen? Besonders letzterem will diese Arbeit in der Folge auf den Grund gehen.

Nach einer Einführung, die einen Überblick über die Anwendungsgebiete, unterschiedliche Methoden und die Probleme der Prognosen liefert, werden das Saisonverfahren von Winter und die Regressionsanalyse genauer vorgestellt. Hierbei werden dem Leser kurz die Grundprämissen der Methoden vorgestellt, um im Anschluss einen ausführlichen Einblick in die Vorgehensweise der Prognoseerstellung zu ermöglichen. Abschließend soll das Verfahren der multiplen Regression anhand eines Fall-Beispiels auf seine Praktikabilität in der wirtschaftlichen Realität hin untersucht werden. Eine helfende Hand bietet hier die Statistik- und Analyse-Software SPSS, welche in der Praxis und auch in der Forschung sehr häufig Anwendung findet. Die Computer-Software wurde 1983 entwickelt und bietet viele Möglichkeiten im analytischen Bereich. Basierend auf den gewonnen Erkenntnissen werden folgend die Regressionsanalyse und darauf aufbauend die Prognosen an sich, einer kritischen Betrachtung unterzogen.

2

2. Prognosen - Einführung und Überblick

2.1 Bedeutung der Prognoserechnung

Im Grunde genommen stellt jede Schlussfolgerung, die aus Daten über den Absatzmarkt bzw. Daten aus der Vergangenheit gewonnen wird, eine Prognose dar. Dabei müssen keine aufwendigen Verfahren Anwendung finde. Wenn z. B. aus vergangenen Marktanteilen des Unternehmens, Annahmen gemacht werden, dass das Unternehmen im kommenden Jahr jenen Anteil erhöhen könne, da man glaubt, dass man durch geplante Marketingaktivitäten sich von der Konkurrenz abhebt, so ist dieses ein Blick in die Zukunft und stellt somit eine Prognose dar. Der Wunsch der Menschen, in ¹ Mit der stetigen Entwicklung der die Zukunft zu schauen, dürfte so alt sein, wie die Menschheit selbst. elektronischen Rechenanlagen, soll diesem Ziel immer näher gekommen werden. Doch die „exakte Prognose“ wurde bis heute noch nicht entdeckt. Nach wie vor ist die Abweichung von einem vorhergesagten und einem tatsächlich eingetroffenen Wert ein gegebenes Risiko. Unabhängig davon, ob die Zukunft mit einfachen oder äußerst komplexen Modellen hervorgesagt worden ist, es gibt genug Beispiele für Fehlprognosen, beispielsweise bei der geschätzten Auftragslage in der Wirtschaft oder auch bei der Höhe der Wahlbeteiligungen. Solche Blicke in zukünftige Perioden werden von sehr viele Determinanten beeinflusst, die sich im Laufe der Zeit oder von heute auf morgen, schnell ² verändern können. Somit ist es sehr schwer, die „perfekte Prognose“ zu ermitteln. Nicht jedes Verfahren kann für jede Konstellation an Grundannahmen benutzt werden. Leistungsfähige Prognosesysteme enthalten daher eine große Anzahl an wirksamen Algorithmen. Je komplexer allerdings die Modelle werden, desto mehr Expertenwissen ist notwendig. Dieses führt in ³ Doch mit der Entwicklung der Computer und anderen der Praxis zu einem Akzeptanzproblem.

Rechenmaschinen gelingt es dem Feld der künstlichen Intelligenz, das Wissen zu erfassen, zu ordnen und für die richtige Gruppe zur Verfügung zu stellen. Somit ist die Wahl von komplexeren Modellen wieder möglich und in der Praxis wird sich oft für diese entschieden. Doch auch wenn die Prognosesysteme Fehleinschätzungen zulassen, sind Vorhersagungen unabdingbar. Diese zeigen die Richtung auf, auf die das Unternehmen zusteuert und Talfahrten können frühzeitig entgegengewirkt werden. Prognosen können daher auch wie ein Frühwarnsystem ⁴ Das Motiv nach Wissen liegt in dem Wunsch, Entscheidungen mit einer höheren wirken.

Erfolgschance in ihrer künftigen Wirkung auszustatten und sich nicht nur auf kurzfristige, situationsbedingte Entschlüsse zu stützen, denn der Effekt dieser ad hoc-Entscheidungen kann bei Realisierung kaum eingeschätzt werden. Spielräume möglicher Entwicklungen werden so aufgedeckt. Allerdings führt erst das Zusammenspiel von Prognose, einem gewissen Maß an Risiko und der dazugehörigen Planung zu einem brauchbaren Konzept und der Ableitung der Strategie des ⁵ Unternehmens.

¹ vgl. Mertens, P., Prognoserechnung, 5. Auflage, 1993, S. 1

² vgl. Jaeck, H.-J., Konsum- und Absatzprognose, 1978, S. 21 f.

³ vgl. Janetzke, P./Falk, J., Der Beitrag der künstlichen Intelligenz zur betrieblichen Prognose,

in: Mertens, P./Rässler, S., Prognoserechnung, 1. Auflage, 2005, S. 305

⁴ vgl. Hüttner, M., Prognoseverfahren und ihre Anwendung, 1. Auflage, 1986, S. 1 ff.

⁵ vgl. Jaeck, H.-J., Konsum- und Absatzprognose, 1978, S. 21 ff.