Quantitative und qualitative Prognosemethoden in der Übersicht


Hausarbeit (Hauptseminar), 2003
30 Seiten, Note: 1,3

Leseprobe

Inhaltsverzeichnis

Abbildungs- und Tabellenverzeichnis

1 Einleitung
1.1 Themenstellung und Zielsetzung
1.2 Prognosen und Prognoseverfahren
1.3 Gang der Arbeit

2 Quantitative Prognosemethoden
2.1 Bedeutung und Probleme quantitativer Prognosemethoden
2.2 Darstellung der bedeutendsten Methoden
2.2.1 Zeitreihenanalyse
2.2.1.1 Trendextrapolation
2.2.1.2 Methode der gleitenden Durchschnitte
2.2.1.3 Methode der exponentiellen Glättung
2.2.2 Regressionsmodell
2.2.2.1 Einfache Regression
2.2.2.2 Multiple Regression

3 Qualitative Prognosemethoden
3.1 Bedeutung und Probleme qualitativer Prognosemethoden
3.2 Darstellung der bedeutendsten Methoden
3.2.1 Szenario-Technik
3.2.2 Delphi-Methode
3.2.3 Analogie-Methode

4 Kritische Würdigung der Prognosemethoden

Anhang

Literatur- und Quellenverzeichnis

Abbildungs- und Tabellenverzeichnis

Abbildungen

Abbildung in dieser Leseprobe nicht enthalten

Tabellen

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Themenstellung und Zielsetzung

In den 50er und 60er Jahren war das Umfeld der Unternehmen eher berechenbar. Die Positionierung im Markt, sowie der Erfolg eines Unternehmens basierte auf dessen Stärken und Schwächen. Daraus ergab sich eine innenorientierte Strategieentwicklung. Im Laufe der Jahre hat sich, unter anderem auch mit der zunehmenden Internationalisierung, eine Dynamik auf Beschaffungs- und Absatzmärkten, im technologischen Fortschritt, in der Gesetzgebung und im Wettbewerb gebildet. Diese führt zu vielen überraschenden Veränderungen im Umfeld der Unternehmen. Hieraus ergibt sich, dass eine innenorientierte Planung nicht mehr ausreicht, da der Erfolg der Unternehmen nicht mehr allein von ihren Stärken und Schwächen abhängt. Es muss eine nach außen orientierte Planung erfolgen, welche die Veränderungen im Unternehmensumfeld einbeziehen, abschätzen und vorhersagen kann. Um dies zu erreichen, besteht die Möglichkeit, Prognosen dieser Veränderungen zu tätigen. Zur Erstellung von Prognosen stehen den Unternehmen als Instrumente sogenannte Prognosemethoden zur Verfügung.

Ziel dieser Arbeit ist es, zu erklären, was man unter Prognosemethoden versteht, und wie man sie gegeneinander abgrenzen kann sowie einen Überblick über mögliche anwendbare Prognosemethoden zu geben und die bedeutendsten Methoden vorzustellen.

1.2 Prognosen und Prognoseverfahren

In der Literatur finden sich eine Vielzahl von gängigen Definitionen[1] für Prognosen und Prognoseverfahren. Im folgenden soll diese eigene Definition gelten:

Unter Prognosen versteht man den Versuch, Vorhersagen über künftige Ereignisse oder Entwicklungen zu treffen, die sich auf Fakten und Annahmen stützen. Prognosen basieren auf Hochrechnungen und angenommenen Ereignissen. Damit es möglich wird Prognosen zu tätigen, bedient man sich der Prognosemethoden.

1.3 Gang der Arbeit

In den vorangegangenen Abschnitten dieses Kapitels wurde in die Materie eingeführt und der Begriff der Prognose und der Prognosemethoden definiert.

Im folgenden zweiten Kapitel wird die Bedeutung und die Problematik quantitativer Prognosemethoden erklärt und ausgewählte Methoden dargestellt. Als bedeutendste Methoden werden die Zeitreihenanalyse und das Regressionsmodell betrachtet. Die drei verschiedenen Rechenmodelle der Zeitreihenanalyse werden anhand eines Beispiels anschaulich erläutert und das Regressionsmodell mit den zwei Formen der einfachen und multiplen Regression auf theoretischer Basis erklärt.

Im dritten Kapitel der Arbeit werden die Pendants zu den quantitativen Methoden, die qualitativen Prognosemethoden, erklärt und vorgestellt. Hier werden die Szenario-Technik, die Delphi-Methode und die Analogie-Methode näher erläutert.

Im vierten und letzten Kapitel werden die Methoden einer kritischen Würdigung unterzogen und dargestellt, wie dienlich uns diese Methoden heute sein können.

2 Quantitative Prognosemethoden

2.1 Bedeutung und Probleme quantitativer Prognosemethoden

Quantitative Prognosemethoden basieren auf mathematisch-statistischen Methoden, die auf mehr oder weniger stark ausgeprägten Datenreihen der Vergangenheit aufbauen und deren Ergebnisse in einen zukünftige Problemstellung übertragen werden. Mit Hilfe der Methoden werden nun Einflussfaktoren auf die Datenreihe mit in die Vorhersage einbezogen. Hier kommen zum Beispiel Zufälle, Saisonschwankungen und Trends in Betracht. Mit Hilfe der mathematisch-statischen Verfahren sollen diese möglichen Einflussfaktoren in der Prognose eliminiert werden.[2] Das Ergebnis einer quantitativen Prognose ist ein zahlenmäßig definierter, also quantitativer Wert.

Die Problematik bei diesen Methoden besteht in der Gefahr, dass eine Genauigkeit der Prognose vorgetäuscht wird, die in der Realität nicht gegeben ist. Dies kann einerseits an einer Ungenauigkeit der gewählten Datenreihen liegen. Diese kommt zustande, wenn die Datenreihen bereits in der Vergangenheit falsch ermittelt wurden oder auf einer anderen Grundlage basieren. Andererseits kann die Zukunft für die Prognose vollkommen vom bisherigen Verlauf der Vergangenheit abweichen, so ass eine Fortschreibung keine verwendbaren Daten liefert.[3]

2.2 Darstellung der bedeutendsten Methoden

2.2.1 Zeitreihenanalyse

2.2.1.1 Trendextrapolation

Die Trendextrapolation stellt die in der Vergangenheit am häufigsten verwendete Methode innerhalb der quantitativen Prognosemethoden dar. Hierbei geht man davon aus, dass die Entwicklung der Vergangenheit in die Zukunft extrapoliert, d.h. fortgeschrieben, werden kann. Vorraussetzung für die Anwendung dieser Methode ist, „dass die Werte einer Zeitreihe bis zum gegenwärtigen Zeitpunkt einzeln vorliegen.“[4] Anhand der vorliegenden Werte wird mit Hilfe eines mathematisch-statischen Verfahren eine Fortschreibung in die Zukunft vorgenommen.

Dieses Verfahren sollte bei seiner Anwendung immer kritisch betrachtet werden, da in der Regel nicht davon ausgegangen werden kann, dass die vergangene Entwicklung sich ohne Veränderungen in der Zukunft fortsetzt.

Rechentechnisch werden bei diesem Verfahren Funktionen erstellt, die möglichst genau die bisherige Entwicklung wiederspiegeln. In der Regel werden die numerischen Werte für die Parameter der Funktion nach der Methode der kleinsten Quadrate ermittelt. Mit Hilfe der ermittelten Parameter wird eine Trendfunktion aufgestellt, anhand derer die Prognosen getätigt werden. Im Hinblick auf die veränderliche Zukunft kann innerhalb der Trendextrapolation mit verschiedenen Modellen von Funktionen gerechnet werden.

Tab.1: Beispiele unterschiedlicher Trendfunktionen

Abbildung in dieser Leseprobe nicht enthalten

(Quelle: Weis / Steinmetz, Marktforschung, 2002, S. 386)

Das folgende Beispiel zeigt, wie man eine lineare Trendextrapolation errechnet. An diesem Beispiel sollen im folgenden auch die Methode der gleitenden Durchschnitte und die Methode der exponentiellen Glättung erklärt werde.

Beispiel:[5] Ein Unternehmen hat in den Jahren 1992 bis 2001 folgende Umsätze erzielt:

Abbildung in dieser Leseprobe nicht enthalten

Tab.2: Umsätze des Beispielunternehmens

(Quelle: Weis / Steinmetz, Marktforschung, 2002, S. 387)

Mit Hilfe der Formel des linearen Trends[6] soll nun der zu erwartende Umsatz für das Jahr 2002 ermittelt werden. Um die beiden Konstanten a und b der Formel zu berechnen, bedient man sich den zweier Formeln:

a = [(Sx2i × Syi ) – (Sxi × Sxiyi )] / [n × Sx2i – (Sxi)2]

b = [(n × SxiyI ) – (Sxi × Syi) ] / [n × Sx2i – (Sxi)2]

Um diese errechnen zu können, stellt man eine Arbeitstabelle auf, aus welcher dann die Werte in die Formeln eingesetzt werden.

Abbildung in dieser Leseprobe nicht enthalten

Tab.3: Arbeitstabelle für Trendextrapolation (Quelle: Weis / Steinmetz, Marktforschung, 2002, S. 387)

Werden diese Werte nun in die Formeln für die Konstanten a und b eingesetzt, so erhält man die lineare Gleichung, mit deren Hilfe man den Umsatz für das Jahr 2002 errechnen kann.

y = 87 + 13,5 × x

Anhand dieser Formel ergibt sich für das Jahr 2002 ein Umsatz von 235,5 Mio. € für das Beispielunternehmen.

2.2.1.2 Methode der gleitenden Durchschnitte

Im Gegensatz zur Trendextrapolation versucht die Methode der gleitenden Durchschnitte nicht, die vergangene Entwicklung in die Zukunft zu extrapolieren. Mit Hilfe dieser Methode wird versucht, eine Art Mittelwert für die Entwicklung zu bilden. Hierzu werden sukzessive, arithmetische Mittelwerte gebildet. Damit diese Methode sinnvolle Werte liefert, müssen im Vorfeld Bedingungen für die Durchführung der Methode festgelegt werden. Es sollte unterschieden werden, wie stark die errechneten Mittelwerte ausgeprägt sein sollen, d.h. 3er oder 5er Durchschnitte oder noch andere Varianten. Je größer die Anzahl der Werte ist, die zur Durchschnittsbildung herangezogen werden, umso besser können periodische Schwankungen eliminiert werden.[7]

Im folgenden soll ein Beispiel[8] mit gleitenden Dreierdurchschnitten errechnet, werden um die Methode zu verdeutlichen. Es baut auf den selben Gegebenheiten auf wie bei der Trendextrapolation. Mit Hilfe der Formel zur Ermittlung von Dreierdurchschnitten kann nach der Erstellung einer Arbeitstabelle der Umsatz für das Jahr 2002 ermittelt werden.

M3 = 1/3 × (yi-1 + yi + yi+1)

Abbildung in dieser Leseprobe nicht enthalten

Tab.4: Arbeitstabelle für gleitende Dreierdurchschnittsberechnung,

(Quelle: Weis / Steinmetz, Marktforschung, 2002, S. 389)

Mit Hilfe der oben angegebenen Formel lässt sich für 2002 der folgende Umsatzwert ermitteln.

Y = 1/3 (190 + 210 + 230) = 210

Es ergibt sich ein Umsatz für 2002 von 210 Mio. € für das Unternehmen.

2.2.1.3 Methode der exponentiellen Glättung

Die Methode der exponentiellen Glättung geht davon aus, dass „die zuletzt beobachteten Werte für die künftige Entwicklung aussagekräftiger als frühere Daten sein müssen.“[9] Es erfolgt eine Gewichtung der Vergangenheit in die Gegenwart exponentiell steigend. Diese Methode beruht auf einer Weiterentwicklung der Methode der gleitenden Durchschnitte. Bei diesem Verfahren gilt, genau wie auch bei den beiden vorher vorgestellten Methoden, dass Weiterführungen von vergangenen Ergebnissen in die Zukunft kritisch zu betrachten sind. Im Folgenden wird die einfachste Variante dieses Verfahrens vorgestellt.

Eine exponentielle Glättung 1. Ordnung erfolgt nach der folgenden Formel

Vt+1 = a × It + (1 - a) × Vt bzw. Vt+1 = Vt + a (It - Vt)

Dieser Formel kann man entnehmen, dass sie Vorhersage vom Istwert der Periode t, dem Prognosewert der Periode t und dem Glättungsparameter a, der zwischen 0 und 1 liegen kann, abhängt. Um die Methode zu verdeutlichen wird wiederum das Beispiel der Trendextrapolation verwendet. Es sollen zwei exponentielle Glättungen mit den Werten 0,5 und 0,9 für a dargestellt werden.

Abbildung in dieser Leseprobe nicht enthalten

Tab.5: Exponentielle Glättung bei a= 0,5,

Quelle: Weis / Steinmetz, Marktforschung, 2002, S. 391

Abbildung in dieser Leseprobe nicht enthalten

Tab.6: Exponentielle Glättung bei a= 0,9,

(Quelle: Weis / Steinmetz, Marktforschung, 2002, S. 391)

Da im vorliegenden Beispiel ersichtlich wird, dass der Parameter 0,9 sinnvoller zu sein scheint, kann man allgemein die folgende These ableiten. „ Je größer a ist und je kleiner die Differenz zwischen It und Vt ist, desto mehr nähert sich die Prognose dem Ist-Wert.“[10]

Für das Jahr 2002 ergibt sich demnach mit einem a von 0,5 ein Umsatz von 214,9 Mio. € und für a = 0,9 ein Umsatz von 227,7 Mio. €.[11]

2.2.2 Regressionsmodell

2.2.2.1 Einfache Regression

„Die einfachen Regressionsanalyse ist ein bivariantes Verfahren, das dazu dient, ein Merkmal mit Hilfe eines anderen Merkmals vorherzusagen, das an denselben Objekten, Personen oder Erscheinungen erhoben wurde.“[12] Das zu erklärende Merkmal und das erklärende Merkmal können in einer linearen Abhängigkeit (lineare Einfachregression) oder in einer nichtlinearen Abhängigkeit zueinander stehen (nichtlineare Einfachregression).

Im Vorfeld der Analyse muss durch sachliche Überlegung geklärt werden, welches der beiden Merkmale das abhängige und welches das unabhängige Merkmal darstellt. Damit die Analyse sinnvolle Werte liefern kann, muss weiterhin untersucht werden, ob das erklärende Merkmal wirklich einen relevanten Einfluss auf die zu erklärende Variable hat.

Bei der Durchführung der Analyse erhält man viele einzelne Aussagewerte. Diese werden im Allgemeinen grafisch, in Form einer Punktwolke in einem Funktionsschema dargestellt. Um jetzt einen korrelativen, linearen Zusammenhang zwischen den Variablen darzustellen, wird eine Regressionsgerade errechnet. Diese ergibt sich sowohl zeichnerisch als auch rechnerisch durch die Methode der kleinsten Quadrate. Diese Regressionsgerade soll innerhalb einer Punktwolke zu jedem Punkt den gleichen Abstand haben. Damit werden durch Verlängerung dieser Regressionsgerade Prognosen in Abhängigkeit der erklärenden Variable möglich.[13] [14]

Die Verwendung der einfachen Regressionsanalyse erweist sich als relativ aufwendig, da große Datenmengen verarbeitet werden müssen. Bei diesen Daten besteht immer die Gefahr, dass sie nicht passend zu der Analyse ermittelt wurden und deshalb für die Analyse unbrauchbar sind, bzw. die Analyse verfälschen.[15]

2.2.2.2 Multiple Regression

Die multiple Regressionsanalyse ist im Gegensatz zur einfachen Regressionsanalyse ein multivariantes Verfahren und stellt damit eine Erweiterung des einfachen Regressionsmodells dar. Dieses Verfahren wird angewandt, wenn ein abhängiges Merkmal von mehr als einer unabhängigen Variable beeinflusst wird. So wird z. B. die Nachfragemenge eines Produktes nicht nur vom Produktpreis sondern auch vom Einkommen der Konsumenten beeinflusst. Da dies in wirtschaftlichen und sozialwissenschaftlichen Analysen meistens der Fall ist, kommt der multiplen Regression eine größere Bedeutung zu als der einfachen Regression.

[...]


[1] Vgl. z. B. Horváth, Controlling, 2001, S. 403; Brockhoff, Unternehmensplanung, 1977,
S. 17; Lewandowski, Prognosesysteme, 1974, S. 3 u. S. 246, 247

[2] Vgl.: Zerres, Planung, 1989, S. 57

[3] Vgl. Weis / Steinmetz, Marktforschung, 2002, S. 392

[4] Weis / Steinmetz, Marktforschung, 2002, S. 386

[5] Weis / Steinmetz, Marktforschung, 2002 S. 387-388

[6] S. 4, Tab. 1

[7] Vgl. Weis / Steinmetz, Marktforschung, 2002 S. 388-389

[8] Weis / Steinmetz, Marktforschung, 2002 S. 389

[9] Weis / Steinmetz, Marktforschung, 2002 S. 389

[10] Weis / Steinmetz, Marktforschung, 2002 S. 391

[11] zur weiteren Veranschaulichung vgl. Abb. 1 im Anhang

[12] LernSTATS Glossar, URL:http//www.izhd.uni-Hamburg.de/paginae/LernSTATS/LS-
online/Glossar/regressionsanalyse.htm

[13] Vgl. Schulze, beschreibende Statistik, 2000, S. 134 -156

[14] zur Veranschaulichung vgl. Beispiel 1 im Anhang

[15] Vgl. Schulze, beschreibende Statistik, 2000, S. 156

Ende der Leseprobe aus 30 Seiten

Details

Titel
Quantitative und qualitative Prognosemethoden in der Übersicht
Hochschule
Hochschule Koblenz (ehem. FH Koblenz)  (Fachbereich Betriebswirtschaft/Controlling)
Veranstaltung
Controlling
Note
1,3
Autor
Jahr
2003
Seiten
30
Katalognummer
V19372
ISBN (eBook)
9783638235150
ISBN (Buch)
9783638646130
Dateigröße
594 KB
Sprache
Deutsch
Anmerkungen
Die Arbeit liefert einen guten Überblick auch anhand von Beispielen und ist auch für Statistik und Unternehmensführung und -planung gut geeignet.
Schlagworte
Quantitative, Prognosemethoden, Controlling
Arbeit zitieren
Tanja Krause (Autor), 2003, Quantitative und qualitative Prognosemethoden in der Übersicht, München, GRIN Verlag, https://www.grin.com/document/19372

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Quantitative und qualitative Prognosemethoden in der Übersicht


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden