In den letzten Jahren wurde innerhalb des zyklischen Berichtswesens für die Geschäftsleitung der INBITEC GmbH wiederholt festgestellt, daß die Lagerbestände durchschnittlich viel zu hoch waren. Diese hätten jährlich 20 - 25 % geringer sein können. Das betraf das Verkaufslager und auch das Ersatzteillager. Auf der anderen Seite gab es jedoch immer wieder Zeiten, in denen die Verkaufsnachfrage
plötzlich so groß war, daß die Lagerbestände nicht nur unter den sogenannten Minimalbestand fielen, sondern komplett erschöpft waren. Verbunden war dieser Zustand dann mit erheblichen Beschaffungsproblemen. Das bezieht sich sowohl auf den zeitlichen
Aspekt als auch darauf, daß günstige Einkaufsquellen und Rabatte nicht genutzt werden konnten. Hinzu kommen noch eine Reihe anderer Probleme: Auf Grund der personellen Engpässe im Verkauf und im Service mußten Mitarbeiter aus anderen Bereichen eingesetzt werden. Auch ist in diesem Zusammenhang der Aspekt der Kundenunzufriedenheit und des Kundenverlustes nicht zu unterschätzen.
Alles in allem waren dies stets Situationen, die von kurzfristiger operativer „Schadensbekämpfung“ gekennzeichnet waren.
Auffällig ist auch noch der Umstand, daß solche Abverkaufsspitzen über die vergangenen Jahre mit mehr oder weniger Regelmäßigkeit eintraten. Es stellt sich somit an dieser Stelle die Frage, ob auf der Grundlage einer verbesserten Prognoseerstellung eine längerfristige strategische Absatzplanung, und damit verbundene
Lager- und auch Personalplanung, möglich ist.
Inhaltsverzeichnis
1 Ausgangssituation
2 Spezifikation und Bedeutung der Problematik
3 Prognose und Prognosemethoden
3.1 Qualitative Prognosemethoden
3.2 Quantitative Prognosemethoden
3.2.1 Klassisches Komponentenmodell von Zeitreihen
3.2.2 Prognoseverfahren
3.2.2.1 Freihandverfahren
3.2.2.2 Verfahren der gleitenden Durchschnitte
3.2.2.3 Exponentielle Glättung
3.2.2.4 Trendextrapolation
3.2.2.5 Verfahren zur Saisonbestimmung
3.2.3 Bewertung
4 Moderne Prognosemethode - Künstliches Neuronales Netz
4.1 Historischer Überblick
4.2 Eigenschaften und Vorteile
4.3 Funktionsprinzip
4.3.1 Biologisches Vorbild
4.3.2 Aufbau
4.3.2.1 Künstliches Neuron
4.3.2.2 Topologie
4.3.3 Lernverfahren
5 Datenanalyse und Prognoseerstellung mit einem Künstlichen Neuronalen Netz
5.1 Vorbetrachtung
5.2 Netzentwicklung
5.2.1 Datenaufbereitung
5.2.1.1 Datenvorverarbeitung
5.2.1.2 Dateienvorbereitung
5.2.2 Architektur
5.2.2.1 Anzahl der verdeckten Schichten
5.2.2.2 Anzahl der Neuronen
5.2.2.3 Transferfunktion
5.2.3 Parametrierung
5.2.3.1 Lernrate
5.2.3.2 Lernverfahren
5.3 Validierung -Trainings- und Testergebnisse
5.4 Prognoseerstellung - Ergebnisse
6 Bewertung und Potential der Methode Künstliches Neuronales Netz
7 Wirtschaftliche Betrachtung
Zielsetzung & Themen
Die Arbeit untersucht, wie Künstliche Neuronale Netze (KNN) eingesetzt werden können, um Absatzprognosen in kleinen und mittelständischen Unternehmen (KMU) zu verbessern, um dadurch Lagerkosten zu senken und die Planungssicherheit zu erhöhen.
- Analyse klassischer Prognoseverfahren
- Grundlagen und Funktionsweise Künstlicher Neuronaler Netze
- Systematische Entwicklung und Training eines KNN für Absatzdaten
- Optimierung der Prognosequalität durch Datenvorverarbeitung
- Wirtschaftliche Bewertung des Einsatzes von KNN in einem realen Unternehmensbeispiel
Auszug aus dem Buch
3.2.2.2 Verfahren der gleitenden Durchschnitte
Das einfachste Verfahren zur Vorhersage, d.h. zur Ermittlung eines Trends ist das der Bestimmung gleitender Durchschnitte. Es wird dabei versucht, durch fortlaufende Bildung von arithmetischen Mittelwerten eine Art Mittelwert für die Entwicklung abzubilden. [19, S. 256] Die Zeitreihen der Beobachtungswerte werden dadurch geglättet; zyklische und Restschwankungen weitestgehend ausgeschaltet.
Vorgehen:
Aus k unmittelbar aufeinanderfolgenden Beobachtungswerten xi wird der arithmetische Mittelwert gebildet und dieser (meist), wie in Tabelle 1 dargestellt, dem mittleren der berücksichtigten Zeitpunkte oder Intervalle zugeordnet.
Abbildung 1 gibt den Verlauf für k =3 an:
x^i = 1 (xi-1 + xi + xi+1) mit xi (i = 1,...,n) und ti (i = 1,...,n)
Zusammenfassung der Kapitel
1 Ausgangssituation: Das Kapitel beschreibt die Problematik zu hoher Lagerbestände und unvorhersehbarer Verkaufsspitzen bei der INBITEC GmbH, die eine verbesserte Absatzprognose notwendig machen.
2 Spezifikation und Bedeutung der Problematik: Hier werden die spezifischen wirtschaftlichen Herausforderungen für kleine und mittlere Unternehmen (KMU) detailliert, die eine effiziente Bestandsführung erschweren.
3 Prognose und Prognosemethoden: Es erfolgt eine Gegenüberstellung von qualitativen und quantitativen Prognoseverfahren, wobei insbesondere klassische Methoden wie Trendextrapolation und gleitende Durchschnitte analysiert werden.
4 Moderne Prognosemethode - Künstliches Neuronales Netz: Dieses Kapitel erläutert die Funktionsweise von Künstlichen Neuronalen Netzen sowie deren Vorteile gegenüber klassischen Verfahren hinsichtlich Lernfähigkeit und Generalisierung.
5 Datenanalyse und Prognoseerstellung mit einem Künstlichen Neuronalen Netz: Der Autor beschreibt detailliert den praktischen Prozess von der Datenaufbereitung über die Parametrierung des Netzes bis hin zur Validierung der Ergebnisse.
6 Bewertung und Potential der Methode Künstliches Neuronales Netz: Es wird bilanziert, dass KNN ein stabiles und leistungsfähiges Werkzeug zur Prognose sind und durch strukturelles Vorgehen klassische Mängel wie unzulässige Vereinfachungen überwinden.
7 Wirtschaftliche Betrachtung: Abschließend wird das ökonomische Potenzial der Methode anhand der INBITEC GmbH beziffert, wobei signifikante Einsparungsmöglichkeiten durch optimierte Lagerhaltung aufgezeigt werden.
Schlüsselwörter
Absatzprognose, Künstliche Neuronale Netze, KMU, Zeitreihenanalyse, Bestandsmanagement, Datenvorverarbeitung, Trendbefreiung, Back-Propagation, Prognosequalität, Lagerhaltung, Wirtschaftlichkeit, Optimierung, Datentraining, Struktur, Generalisierungsfähigkeit.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den Einsatz von Künstlichen Neuronalen Netzen zur Verbesserung von Absatzprognosen in kleinen und mittleren Betrieben.
Was sind die zentralen Themenfelder?
Die zentralen Felder sind klassische Zeitreihenprognosen, Künstliche Intelligenz, die Architektur neuronaler Netze und deren wirtschaftliche Anwendung zur Bestandsoptimierung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Entwicklung eines trainierten neuronalen Netzes, das Absatzdaten analysiert und präzise Vorhersagen für zukünftige Monate ermöglicht.
Welche wissenschaftliche Methode wird verwendet?
Es wird das Modell des Multilayer Perceptrons mit Back-Propagation-Lernverfahren genutzt, um nichtlineare Zusammenhänge in Absatzdaten zu erkennen.
Was wird im Hauptteil behandelt?
Der Hauptteil umfasst die theoretische Fundierung, die detaillierte Beschreibung der Netzentwicklung, das Training, die Validierung und die Analyse verschiedener Parameter.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Schlüsselwörter sind Absatzprognose, Künstliche Neuronale Netze, KMU, Zeitreihenanalyse und Bestandsmanagement.
Warum sind klassische Prognosemethoden für das Unternehmen unzureichend?
Sie führen oft zu einer unzulässigen Vereinfachung, können komplexe Marktschwankungen schlecht abbilden und neigen zum "Herausglätten" wichtiger Informationen.
Welche wirtschaftlichen Vorteile ergeben sich durch das KNN?
Durch die genaueren Prognosen lassen sich Lagerbestände reduzieren, was Kapital freisetzt, Lagerkosten senkt und die Liquidität des Unternehmens erhöht.
- Citar trabajo
- Wolfgang Höhn (Autor), 1999, Untersuchung zur Verbesserung der Absatzprognosen von Handelsprodukten in Klein- und Mittelbetrieben (mit Künstlichen Neuronalen Netzen), Múnich, GRIN Verlag, https://www.grin.com/document/185424
