Nicht lieferbar
Prognoseverfahren für betriebswirtschaftliche Massendaten
Theorie und empirische Beispiele aus der Waren- und Elektrizitätswirtschaft
Versandkostenfrei!
Nicht lieferbar
Statistische Verfahren zur Prognose von Massendaten bekommen in der Betriebswirtschaft eine immer größere praktische Bedeutung. Zunehmend leistungsfähigere Speichermedien und Prozessoren ermöglichen die Archivierung und Verarbeitung immer größerer Datenmengen. Sowohl Handelsunternehmen als auch Unternehmen aus der Elektrizitätswirtschaft messen ihr Datenvolumen bereits in Terabyte. Aufgrund des enormen Datenvolumens müssen Verfahren entwickelt werden, die eine völlig automatische Erstellung von Prognosen ermöglichen. Bei der Prognoseberechnung ist außerdem zu beachten, daß asymmetr...
Statistische Verfahren zur Prognose von Massendaten bekommen in der Betriebswirtschaft eine immer größere praktische Bedeutung. Zunehmend leistungsfähigere Speichermedien und Prozessoren ermöglichen die Archivierung und Verarbeitung immer größerer Datenmengen. Sowohl Handelsunternehmen als auch Unternehmen aus der Elektrizitätswirtschaft messen ihr Datenvolumen bereits in Terabyte. Aufgrund des enormen Datenvolumens müssen Verfahren entwickelt werden, die eine völlig automatische Erstellung von Prognosen ermöglichen. Bei der Prognoseberechnung ist außerdem zu beachten, daß asymmetrische Kostenrelationen in bezug auf Unter- bzw. Überdeckung von z. B. Artikel oder Elektrizität berücksichtigt werden können.
Die zur Zeit existierenden und in der Praxis eingesetzten Prognoseverfahren werden den genannten betriebswirtschaftlichen Anforderungen nicht gerecht. In dieser Arbeit werden bestehende Verfahren so modifiziert, erweitert und miteinander verknüpft, daß eine effiziente Berechnung von Prognosen sowohl aus statistischer als auch aus betriebswirtschaftlicher Sicht erreicht wird. Die entwickelten Verfahren erlauben eine vollständige Automatisierung der Prognoserechnung und Prognoseevaluation. Das statistisch-betriebswirtschaftliche Konstrukt des minimal erforderlichen Bedarfs stellt einen entscheidenden Vorteil gegenüber bislang existierenden Verfahren dar. Hierdurch kann für jeden Artikel aus dem Sortiment eines Handelsunternehmens und für jeden Elektrizitätskunden die exakte Kostenrelation zur Optimierung der Warendisposition und Elektrizitätsversorgung bei der Prognoseberechnung berücksichtigt werden.
Die in dieser Arbeit entwickelten Verfahren sind zwar durch Problemstellungen aus der Waren- und Elektrizitätswirtschaft motiviert, jedoch so allgemein gehalten, daß sie auf beliebige Massendaten angewendet werden können.
Inhaltsübersicht:
1. Einleitung
2. Optimierungspotentiale in der Lieferkette des Handels
2.1. Historische und aktuelle Situation im Handel
2.2. Zukünftige Situation im Handel
2.3. Efficient Consumer Response
2.4. Demand-Chain Management
2.5. Stochastik versus Deterministik
2.6. Warenfluß-Optimierung durch Prognose
2.7. Minimal erforderlicher Bestand
2.8. Daten in der Warenwirtschaft
2.9. Anforderungen an Prognoseverfahren
2.10. Herkömmliche Prognoseverfahren in der Warenwirtschaft
3. Elektrizitätswirtschaft
3.1. Europäische Richtlinie
3.2. Minimal erforderliche Last
3.3. Daten in der Elektrizitätswirtschaft
3.4. Anforderungen an Prognoseverfahren
4. Box-Jenkins-Modelle
4.1. Stochastische Prozesse
4.2. Modulare Struktur
4.3. Erweiterungen
5. Dynamisch-Lineare-Modelle
5.1. Exponentielle Glättungsverfahren
5.2. Theorem von Bayes
5.3. Allgemeines Regressionsmodell mit bekannter Beobachtungsvarianz
5.4. Allgemeines Regressionsmodell mit unbekannter Beobachtungsvarianz
5.5. Komponenten-Diskontierung
5.6. Mehr-Schritt Prognose
5.7. Polynomiale Trendmodelle
5.8. Exogene Variablen
5.9. Saison
5.10. Externe Informationen
5.11. Adaptivität und Lernen
5.12. Signal versus Noise Beobachtungen
6. Multi-Prozeß Dynamisch-Lineare-Modelle
6.1. Modellbeschreibung
6.2. A priori Dichten
6.3. A priori Übergangsdichten
6.4. A posteriori Dichten
6.5. Approximation der a posteriori Dichten
6.6. Verteilungen der approximierten Dichten
7. Zähldaten
7.1. Modelle
7.2. Entscheidungsregeln
8. Gütekriterien und Kennziffern
8.1. Kosten aus betriebswirtschaftlicher Sicht
8.2. Statistische Gütekriterien
8.3. Betriebswirtschaftliche Gütekriterien
8.4. Schätzung der Kostenfunktion
9. Implementierung
9.1. Sprachauswahl
9.2. Programmreferenz
10. Empirische Beispiele
11. Zusammenfassung und Ausblick
Die zur Zeit existierenden und in der Praxis eingesetzten Prognoseverfahren werden den genannten betriebswirtschaftlichen Anforderungen nicht gerecht. In dieser Arbeit werden bestehende Verfahren so modifiziert, erweitert und miteinander verknüpft, daß eine effiziente Berechnung von Prognosen sowohl aus statistischer als auch aus betriebswirtschaftlicher Sicht erreicht wird. Die entwickelten Verfahren erlauben eine vollständige Automatisierung der Prognoserechnung und Prognoseevaluation. Das statistisch-betriebswirtschaftliche Konstrukt des minimal erforderlichen Bedarfs stellt einen entscheidenden Vorteil gegenüber bislang existierenden Verfahren dar. Hierdurch kann für jeden Artikel aus dem Sortiment eines Handelsunternehmens und für jeden Elektrizitätskunden die exakte Kostenrelation zur Optimierung der Warendisposition und Elektrizitätsversorgung bei der Prognoseberechnung berücksichtigt werden.
Die in dieser Arbeit entwickelten Verfahren sind zwar durch Problemstellungen aus der Waren- und Elektrizitätswirtschaft motiviert, jedoch so allgemein gehalten, daß sie auf beliebige Massendaten angewendet werden können.
Inhaltsübersicht:
1. Einleitung
2. Optimierungspotentiale in der Lieferkette des Handels
2.1. Historische und aktuelle Situation im Handel
2.2. Zukünftige Situation im Handel
2.3. Efficient Consumer Response
2.4. Demand-Chain Management
2.5. Stochastik versus Deterministik
2.6. Warenfluß-Optimierung durch Prognose
2.7. Minimal erforderlicher Bestand
2.8. Daten in der Warenwirtschaft
2.9. Anforderungen an Prognoseverfahren
2.10. Herkömmliche Prognoseverfahren in der Warenwirtschaft
3. Elektrizitätswirtschaft
3.1. Europäische Richtlinie
3.2. Minimal erforderliche Last
3.3. Daten in der Elektrizitätswirtschaft
3.4. Anforderungen an Prognoseverfahren
4. Box-Jenkins-Modelle
4.1. Stochastische Prozesse
4.2. Modulare Struktur
4.3. Erweiterungen
5. Dynamisch-Lineare-Modelle
5.1. Exponentielle Glättungsverfahren
5.2. Theorem von Bayes
5.3. Allgemeines Regressionsmodell mit bekannter Beobachtungsvarianz
5.4. Allgemeines Regressionsmodell mit unbekannter Beobachtungsvarianz
5.5. Komponenten-Diskontierung
5.6. Mehr-Schritt Prognose
5.7. Polynomiale Trendmodelle
5.8. Exogene Variablen
5.9. Saison
5.10. Externe Informationen
5.11. Adaptivität und Lernen
5.12. Signal versus Noise Beobachtungen
6. Multi-Prozeß Dynamisch-Lineare-Modelle
6.1. Modellbeschreibung
6.2. A priori Dichten
6.3. A priori Übergangsdichten
6.4. A posteriori Dichten
6.5. Approximation der a posteriori Dichten
6.6. Verteilungen der approximierten Dichten
7. Zähldaten
7.1. Modelle
7.2. Entscheidungsregeln
8. Gütekriterien und Kennziffern
8.1. Kosten aus betriebswirtschaftlicher Sicht
8.2. Statistische Gütekriterien
8.3. Betriebswirtschaftliche Gütekriterien
8.4. Schätzung der Kostenfunktion
9. Implementierung
9.1. Sprachauswahl
9.2. Programmreferenz
10. Empirische Beispiele
11. Zusammenfassung und Ausblick