ForecastingForecasting ist die Sammlung von quantitativen Prognosen, die über die Wahrscheinlichkeit der

zukünftigen Ereignisse ist. Wir machen das mit Hilfe der Informationen, die wir schon

haben.

Forecasting

Wenn man ein Unternehmen gründen wird, als erste Schritt muss man analysieren.

Diese Analysen hängen Nachfrageprognosen des Produktes und die

Marktforschung zusammen.

Wie lange ?Die Prognosen sind ein wichtiges Thema für nicht nur die Betriebe, die gründen werden, sondern auch bestehende Betriebe. Deswegen ist Forecasting eine untrennbare Teil für den Unternehmenprozess.

ForecastingMan soll auf folgende Punkte beachten:1. Nach der Definition der herzustellenden

Produkte sollen die Menschen gegenwartige und zukünftige Nachfragesituation bestimmen.

2. Die Bestimmung der Konkurrenten, die gleiche Produkte produzieren, und der Kapazität dieser Konkurenten

Forecasting3.Man achten auf nicht nur die Menge der Produkte, sondern auch den Preis der Produkte.4. Für die Bestimmung des Zielmarktes soll man potenzielle Kunden analysieren(demographische, ekonomische und soziale Analysen).

Forecasting5.Die Bewertung und Die Analyse der Konkurenten und des Wettbewerbszustände im Zielmarkt. 6. Die Untersuchung der Steuern und der Politik in dem Zielmarkt.

Die Arten der Forecasting nach der Dauer1. Langfristige Forecasting: 2 Jahre oder mehr.Bsp: Entscheidungen über Anlagen, neue Produkte, Aktienfonds2. Mittelfristige Forecasting: von 6 Monaten bis 2 Jahren.Bsp: Entscheidungen über Material- und Lagerplanung, Produktsgruppe, Arbeitskraft3. Kurzfristige Forecasting: ein paar Wochen. Bsp: Entscheidung über spezifische Produkte

Die Etappe der Forecasting1. Die Zielsetzung der Forecasting2. Die Entwicklung der geignete Modell3. Die Modell testen4. Die Durchführung der Modell5. Die Bewertung und die Revision der Modell

Die Ergebnisse der falschen Prognosen ● Es gibt keine gewünschte Produkte in dem Markt.● Es gibt keine gewünschte Bücher in der Buchhandlung● Es gibt keine Essen, die wird aus dem Menü gewählt.

Wie Sie sehen, wir machen einige Prognosen für unsere Zukunft und mit Hilfe dieser Prognosen planen wir unsere Leben. Die Unternehmen wirken wie uns,um die Risiken in dem Markt entfernen.

TimeseriesIn einer Statistik, einer Ökonometrie oder mathematischen Finanzen ist die Zeitreihe eine Frequenz der Datenpunkte, und sie wird in regelmäßigen Zeitintervalle messen. Bsp: der tägliche Schlußkurs der IMKB oder die Jahresdurchflußmenge eines Flußes.

Arithmetische DurchschnittDer Prognosewert ergibt sich aus dem arithmetischen Mittel der Vergangenheitswerte. Bsp: Wenn man die Kosten mit einer arithmetischen Durchschinttverfahren rechnen möchte, könnte man die folgende mathematische Operationen durchführen. Bsp: Die Jahresdurchschnittsumsatz1.Einkauf 22.000TL2.Einkauf 15.000TL3.Einkauf 33.000TL4.Einkauf 55.000TL

(22.000 + 15.000 + 33.000 + 55.000)/4 = 31250

Gleitender DurchschnittWenn kürzliche vergangene Daten als ferne verganene Daten wichtiger sind, benuzt man diese Verfahren. Es gibt in diesem Verfahren eine Periode. Diese Periode wird nach den Erfahrungen bestimmt.Die beste Datenquelle ist nächste Datenquelle. Bsp: für den nächsten Monat UmsatzprognoseBsp:280 356486603737815882907952

3744826097188118689149541014

Gewichteter gleitender DurchschnittEs gibt eine kleine aber wichtige Unterschied zwischen GD und GGD. Wie wir gesagt haben, “Die beste Datenquelle ist nächste Datenquelle.“ Wenn man diese Prinzip in der Periode durchfürht, gibt man zu dem nächsten Teil der Periode die höhste Koeffizient.Bsp: für den nächsten Monat Umsatzprognose Bsp:280 256486603737815882907952

(280*1 + 256*2 + 486*3)/6 = 375(256*1 + 486*2 + 603*3)/6 = 506(486*1 + 603*2 + 737*3)/6 = 650(603*1 + 737*2 + 815*3)/6 = 753

Nachteile des Verfahrens● Wenn man die Anzahl der Perioden erhöht,

wirkt die Prognose nicht zu sehr.● Man kann den Trend nicht richtig vermuten

mit diesem Verfahren.● Man braucht mehr historische Daten.

Lineare RegressionEs gibt eine abhängige Variable(X) und eine unabhängige Variable(Y). Wir brauchen mindestens 2 Variablen, um zu analysieren. Mit dem Ergebniss der Analyse können wir die Beziehung zwischen den Variablen entdecken. Bsp : Ein Unternehmen benutzt X TL für die Werbung und durch diese Werbung bekommt Unternehmen Y TL. Wenn diese Unternehmen Beziehung zwischen X und Y wissen möchten, kann man diese Verfahren anwenden. Lineare Regressionverfahren wird für die X-Y Beziehung benutzt, um lineare Grafik zu modelieren. Wenn man A TL für die Werbung benutzt, kann man “wie viel bekommen Rückkehr?” vermuten.

Beispiel für Lineare Regression

Saisonale lineare RegressionBevor das System die saisonale lineare Regression anwendet, führt es einen Saisontest durch. Mit diesem Test prüft das System, ob die Vergangenheitsdaten saisonale Muster aufweisen. Hierzu bestimmt das System den Autokorrelationskoeffizienten für alle Perioden. Wenn der ermittelte Wert mindestens 0,3 beträgt, wendet das System die saisonale lineare Regression an. Wenn der Wert darunter liegt, erkennt das System kein saisonales Muster und wendet die lineare Regression an.

Einfache exponentielle Glättung (Konstantmodell)Dieses Verfahren(EeG) ist wie Gleitender Durchschnittverfahren(GD). Beide haben die gleiche Ziel. Es gibt eine Unterschied zwischen den Beiden. Dieses Verfahren berücksichtigen alle vergangene(historische) Daten. EeG ist wie GGD der aller Daten(Tüm verilerin ağırlıklı ortalaması gibidir). Die Werte werden nach der Vergangenheit akkumiliert(değerler geçmişten günümüzde birikerek gelir). Dieses Verfahren zerstört nicht die zufälligen Schwankungen. Der Wert Alpha wird nach der Erfahrungen bestimmt.(mit der Hilfe des Ausprobierens)

● Die Werte werden exponentiell gesunken.

● Die neuesten Daten haben mehr Einfluss

● Alpha muss zwischen 0 und 1 sein.

Bsp: Die Jahresdurchschnittsumsatz

Einfache exponentielle Glättung (Konstantmodell)

Einfache exponentielle Glättung mit Alpha-Optimierung (Konstantmodell)Das Verfahren entspricht der oben genannten "einfachen exponentiellen Glättung“; zusätzlich berechnet das System jedoch noch den Glättungsfaktor Alpha. Hierbei wird Alpha in dem Intervall mit der eingestellten Schrittweite variiert und jeweils eine Prognoserechnung (für den Vergangenheitszeitraum) durchgeführt. Das Optimum für Alpha ist derjenige Wert, für den das Prognose-Ergebnis den kleinsten Fehler aufweist.

Lineare (Double) exponentielle Glättung (Trendmodell)Wenn man in der Daten zu dem Trend beobachtet, könnte man die lineare exponentielle Glättung benutzen.Wenn die Daten eine saisonale Eigenschaft zeigen, guckt man, dass es ein Trend gibt oder nicht. Wenn die Daten einen Trend zeigen, benutzt man die Winter-Methode.Alle diese Methoden geben uns einige mathematische Prognosen.

Lineare (Double) exponentielle Glättung (Trendmodell)

Saisonale (Triple) exponentielle Glättung (Saisonmodell)In mancher Situation hat die lineare exponentielle Glättung keine Funktion .Mann braucht eine andere Gleichung (einen Parameter) für die Modell. So muss man die Saisonilität zu der Modell hinzufügen, damit man sehen kann, dass es eine saisonale Effekte gibt oder nicht.

Trendsaisonale exponentielle GlättungDie folgende Formel wird benutzen, wo es ein Trend-, Saison- oder Trend-Saison-Modell gibt. Bei der Berechnung werden sowohl trend- als auch saisonbedingte Änderungen berücksichtigt. Grundwert, Trendwert und Saisonindex werden nach der Anfangsperiode berechnet.

Croston-MethodeDie Croston-Methode umfasst zwei Schritte. Zunächst werden aus der mittleren Bedarfshöhe separate, auf der exponentiellen Glättung basierende Schätzwerte abgeleitet. Anschließend erfolgt die Berechnung der mittleren Dauer zwischen Nachfragen. Diese wird dann in einer Form eines Konstantmodells zur Vorhersage des künftigen Bedarfs herangezogen.