Prognoseverfahren

Schätzverfahren zur Beschreibung der Entwicklung einer Größe im Zeitablauf (Zeitreihenanalyse) und zur Bildung von Erwartungen über künftige Entwicklungen. Sie werden in der Produktionswirtschaft hauptsächlich zur Abschätzung der Nachfragemengen eingesetzt.

Prognoseverfahren benötigt man für die verbrauchsorientierte Bedarfsermittlung (Materialbedarfsrechnung). Sie werden eingesetzt, um die bisherige Nachfrageentwicklung in die Zukunft zu extrapolieren. Da die Nachfrage verschiedenen Einflüssen unterliegen kann, wurden unterschiedliche Verfahren entwickelt: Bei der einfachsten (und theoretisch besten) Methode, die Nachfrage der nächsten Periode zu prognostizieren, wird der Mittelwert einer Reihe vergangener Beobachtungswerte gebildet (gleitender Durchschnitt). Dies erfordert jedoch die Speicherung vieler Daten.

Anders bei der exponentiellen Glättung erster Ordnung. Sie bestimmt den Prognosewert für die folgende Periode als gewichtete Summe aus dem Beobachtungswert der aktuellen Periode und dem zuletzt ermittelten Prognosewert für die aktuelle Periode. Hinzu kommt, dass beim Verfahren der exponentiellen Glättung die älteren Vergangenheitswerte — gesteuert über die Gewichtung — an Bedeutung verlieren. Folgen die Beobachtungswerte einem systematischen Trend, muss ein Verfahren eingesetzt werden, dass diesen Einfluss berücksichtigt, z.B. die exponentielle Glättung mit Trendkorrektur oder die Abschätzung des systematischen Fehlers mithilfe der exponentiellen Glättung zweiter Ordnung. Eine Alternative ist die lineare Regressionsrechnung. Dabei handelt es sich um ein statistisches Verfahren zur Quantifizierung des funktionalen Zusammenhangs zwischen einer abhängigen (hier die Zeitreihe der Bedarfswerte) und einer (oder mehrerer) unabhängigen Variablen (hier die Zeit).

wissenschaftliche Vorgehensweisen zur konkreten Erarbeitung von Prognosen auf qualitativ-verbaler oder quantitativ-statistischer Grundlage. - Qualitative Prognoseverfahren dienen der Erstellung heuristischer Prognosen für sehr langfristige Entwicklungen oder für Prognoseprobleme, bei denen man nicht auf historische Daten zurückgreifen kann, wie z. B. die Einführung eines neuen Produkts. Man ist hierbei im besonderen Masse auf die Einschätzungen von "Experten" angewiesen, so dass heuristische Prognosen ex ante nur schwer objektiv nachzuvollziehen sind. Als wichtigste in der Praxis angewendeten Methoden gelten. die Szenario-Technik und die DelphiMethode. Liegen vom Prognosegegenstand Zeitreihendaten genügender Länge vor, können quantitative Prognoseverfahren auf statistischer Grundlage herangezogen werden. Wenn sich die Prognose nur auf Vergangenheitsdaten der Zeitreihe selbst stützen soll (univariate Prognosemodelle), stehen für kurzfristige Prognosen folgende Verfahren zur Verfügung: Die exponentielle Glättung ist das einfachste und am leichtesten nachzuvollziehende univariate Verfahren mit geringen Prognosekosten und dementsprechend eingeschränkter Prognosegüte. (3) Saisonbereinigungsverfahren bauen auf der exponentiellen Glättung oder der Spektralanalyse auf und dienen in besonderem Masse der Prognose saisonbehafteter oder im Konjunkturzyklus schwankender Zeitreihen. (4) Autoregressive Verfahren sind die mathematisch anspruchsvollsten Verfahren der kurzfristigen Zeitreihenanalyse, liefern aber nicht unbedingt die genauesten Prognoseergebnisse. Am bekanntesten sind —BoxJenkins-Modelle und das adaptive Filtern. Bei langfristigen Prognosen abstrahiert man von Konjunkturzyklen und Saisonschwankungen und konzentriert sich auf die Vorhersage des Trends einer Zeitreihe, etwa mittels Trendschätzung bzw. Wachstums- und Sättigungsmodellen, die als Prognosefunktion die —.logistische Funktion oder die —› Gompertz-Funktion benutzen. Den univariaten Verfahren stehen die kausalen Prognoseverfahren gegenüber. Sie sind anwendbar, wenn es gelingt, Einflussfaktoren (verursachende Variablen) zu finden, die das Verhalten der zu prognostizierenden Zeitreihe weitgehend bestimmen. Die effizientesten kausalen Verfahren sind die Indikator-Methode und die multiple Regressionsanalyse. Literatur: Hansmann, K.-W, Kurzlehrbuch Prognoseverfahren, Wiesbaden 1983. Mertens, P. (Hrsg.), Prognoserechnung, 4. Aufl., Würzburg, Wien 1981.

wissenschaftliche Vorgehensweisen zur konkreten Erarbeitung von Prognosen, insb. Absatzprognosen, auf qualitativ-verbaler oder quantitativ-statistischer Grundlage. Qualitative Prognoseverfahren dienen der Erstellung heuristischer Prognosen für sehr langfristige Entwicklungen oder für Prognoseprobleme ohne historische Daten, wie z.B. der Einführung eines neuen Produktes. Man ist hierbei im besonderen Maße auf die subjektiven Einschätzungen von „Experten“ angewiesen, so dass heuristische Prognosen ex ante nur schwer objektiv nachzuvollziehen sind. Als wichtigste der in der Praxis angewendeten Methoden gelten die Szenario-Technik und die Delphi-Methode. Liegen vom Prognosegegenstand Zeitreihendaten genügender Länge vor, können quantitative Prognoseverfahren auf statistischer Grundlage herangezogen werden. Wenn sich die Prognose nur auf Vergangenheitsdaten der Zeitreihe selbst stützen soll (univariate Prognosemodelle), stehen für kurzfristige Prognosen folgende Verfahren zur Verfügung: Die exponentielle Glättung Sie ist das einfachste und am leichtesten nachzuvollziehende univariate Verfahren mit geringen Prognosekosten und dementsprechend eingeschränkter Prognosegüte. Die Saisonverfahren Sie bauen auf der exponentiellen Glättung oder der Spektralanalyse auf und dienen in besonderem Maße der Prognose saisonbehafteter oder im Konjunkturzyklus schwankender Zeitreihen. Die autoregressiven Verfahren Sie sind die mathematisch anspruchsvollsten Verfahren der kurzfristigen Zeitreihenanaly- se, liefern aber nicht unbedingt die genauesten Prognoseergebnisse. Am bekanntesten sind das Box-Jenkins-Verfahren und das adaptive Filtern. Bei langfristigen Prognosen abstrahiert man von Konjunkturzyklen und Saisonschwankungen und konzentriert sich auf die Vorhersage des Trends einer Zeitreihe mit Verfahren der Trendextrapolation bzw. Wachstums- und Sättigungsmodelle, die als Prognosefunktion die logistische Funktion oder die Gompertz-Funktion benutzen. Den univariaten Verfahren stehen die kausalen Prognoseverfahren gegenüber. Sie sind anwendbar, wenn es gelingt, Einflußfaktoren (verursachende Variable) zu finden, die das Verhalten der zu prognostizierenden Zeitreihe weitgehend bestimmen. Die effizientesten kausalen Verfahren sind die Indikator-Methode und die Regressionsanalyse.

Literatur: Hansmann, K.-W., Kurzlehrbuch Prognoseverfahren, Wiesbaden 1983. Mertens, P. (Hrsg.), Prognoserechnung,
4. Aufl., Würzburg, Wien 1981.

Vorhergehender Fachbegriff: Prognosevalidität (predictive validity) | Nächster Fachbegriff: Program Evaluation and Review Technique

Diesen Artikel der Redaktion als fehlerhaft melden & zur Bearbeitung vormerken

Weitere Begriffe : Profiling | Markttypologie | Kreditbilanz

Praxisnahe Definitionen

Nutzen Sie die jeweilige Begriffserklärung bei Ihrer täglichen Arbeit. Jede Definition ist wesentlich umfangreicher angelegt als in einem gewöhnlichen Glossar.

Marketing

Definition

Konditionenpolitik

Fachbegriffe der Volkswirtschaft

Die Volkswirtschaftslehre stellt einen Grossteil der Fachtermini vor, die Sie in diesem Lexikon finden werden. Viele Begriffe aus der Finanzwelt stehen im Schnittbereich von Betriebswirtschafts- und Volkswirtschaftslehre.

Investitionsrechnungen

Marktversagen

Umsatzsteuer