Technische Universität München
Marktforschung in der
Forstwissenschaft und Holzwirtschaft
Technische Universität München
Literatur
• C. Fantapié Altobelli; S. Hoffmann (2011): Grundlagen
der Marktforschung. UVK Verlag, Konstanz.
• G. Grunwald; B. Hempelmann (2013): Übungen zur
angewandten Marktforschung. Oldenbourg Verlag,
München.
29.11.2013 Endrik Lengwenat
Technische Universität München
Gliederung
• Grundlagen der Marktforschung
• Marktdaten eruieren und analysieren
• Prognoseverfahren
– Excel-Beispiel
• Preisforschung
– Conjoint-Analyse
• Übung
29.11.2013 Endrik Lengwenat
Technische Universität München
Definition und Relevanz
• Marktforschung ist die systematische Sammlung,
Aufbereitung, Analyse und Interpretation von Daten
über Märkte und Marktbeeinflussungsmöglichkeiten
zum Zweck der Informationsgewinnung für Marketing-
Entscheidungen.
(Böhler 2004, S. 19)
29.11.2013 Endrik Lengwenat
Technische Universität München
Definition und Relevanz
• Praktische Relevanz:
Marktforschung als Grundlage von
Entscheidungsprozessen.
– Kunden-
– Markt-
– Konkurrenzanalysen
• Wissenschaftliche Relevanz:
Untersuchungen von Konsumentenverhalten
29.11.2013 Endrik Lengwenat
Technische Universität München
Marketing-Dreieck
Markt
KonkurrenzAnbieter
Nach-
frager
29.11.2013 Endrik Lengwenat
Technische Universität München
Marktdaten eruieren und analysieren
• Ziel definieren
• Grundgesamtheit festlegen
• Stichprobendesign
– Größe festlegen (𝑛 =𝑧𝛼−𝜎
𝑒
2
• Formulierung von Forschungshypothesen
• Daten eruieren Befragungsmethodik
29.11.2013 Endrik Lengwenat
Technische Universität München
Marktdaten eruieren und analysieren
• Daten eruieren Befragungsmethodik
– Reliabilität (Zuverlässigkeit). Die Reliabilität ist ein Maß für die
Reproduzierbarkeit von Messergebnissen
– Objektivität (Wiederholungsgenauigkeit)
– Validität „das Maß in dem das Messinstrument tatsächlich das
misst, was es messen sollte
• Datenanalyse Hypothesentests
– Deskriptiv
– Zusammenhänge
• Dokumentation
29.11.2013 Endrik Lengwenat
Technische Universität München
Die Prognose als Zeitreihenanalyse
Prognosewerte werden durch die Verarbeitung von
Vergangenheitswerten und Gegenwartswerten gewonnen.
„Der Traum, die Zukunft hervorzusagen, ist so alt wie die
Menschheit selbst“ (A. Einstein)
„Prognosen sind schwierig, besonders, wenn sie die
Zukunft betreffen“ (W.Churchill)
29.11.2013 Endrik Lengwenat
Technische Universität München
Definition und Fragen
• Was ist eine Prognose, was ein Trend
• Wo werden sie angewandt und zu welchem Zweck
• Relevanz für den Forstsektor
• Welche Probleme können bei Prognosen auftreten
29.11.2013 Endrik Lengwenat
Technische Universität München
Prognose als Teil der „Planung“
• Planung: ein auf die Zukunft gerichteter geistiger
Prozess, in dem künftiges Geschehen antizipiert und
überschaubar gemacht werden soll
• Teilprozesse der Planung:
Zielanalyse, Problemanalyse, Prognose, Bewertung,
Entscheidung
• Prognose ist im Planungsprozess ein methodischer Teil
Aus möglichst realitätsnaher Darstellung der
Vergangenheit Aussagen für die Zukunft treffen
„Exakte“ Gesetzmäßigkeiten verdeutlichen
29.11.2013 Endrik Lengwenat
Technische Universität München
Anforderungen an Prognosen
• 1. Modelle sollen vereinfachende Abbilder realer
Tatbestände liefern (Isolation und Abstraktion).
• 2. Trotz aller Vereinfachung soll eine Strukturgleichheit
bzw. Strukturähnlichkeit zwischen dem Modellsystem
und dem Realsystem gewahrt bleiben.
• 3. Sie müssen logisch sein - also in sich
widerspruchsfrei sein. (objektives Kriterium)
29.11.2013 Endrik Lengwenat
Technische Universität München
Anwendungsgebiete
• Wettervorhersage/ -prognose
• Arbeitslosenzahlen
• BWL:
– Forschung und Entwicklung
– Investitionen
– Produktion - Bedarfsermittlung
– Absatz
– Gesamtplanung
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispiel einer Prognose
„Die Grenzen des Wachstums“ Meadows 1972
• Studie zur globalen Entwicklung bis 2100 auf den Sektoren
Bevölkerungswachstum, Industrieoutput,
Nahrungsmittelproduktion, Rohstoffverbrauch und
Umweltverschmutzung
• Auftraggeber: Club of Rome;
• Bearbeiter: MIT (Dennis und Donella Meadows, Jorgen Randers),
Jay W. Forresters Institut für Systemdynamik
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispiel einer Prognose
Prognosen aus
„Die Grenzen des Wachstums“
Meadows, 1972
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispiel einer Prognose
• 20 Jahre nach der ersten Prognose im Auftrag des Club of Rome
erstellte Meadows eine Wiederholung der Simulation auf
Grundlagen neuer Erkenntnisse sowie neuer Annahmen. Diese
wurden 1992 in „Die neuen Grenzen des Wachstums“ („beyond the
limits“) veröffentlicht.
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispiel einer Prognose
Modifizierte Verläufe aus
„Die neuen Grenzen des Wachstums“
Meadows, 1992/Szenario 5
Unter Änderung der Annahmen:
• Verdoppelung der Ressourcen
• Emissionsbekämpfung
• Ertragsförderung
• Erosionsschutz
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispiel einer Prognose
Weitere Szenarien mit verschiedenen Maßnahmen/ Einschränkungen
Szenario 10 Szenario 12
Technische Universität München
Einteilung der Prognoseverfahren
Nach Dr.ing. Elske Linß
29.11.2013 Endrik Lengwenat
Technische Universität München
Qualitative/ Subjektive Verfahren
• Keine mathematisch-statistische Verfahren werden
angewandt.
• Menschliche Erfahrungen/ Intuition sind Grundlage der
„Prognose“
• Einzel- oder Gruppenurteile (unabhängig/ abhängig)
Beispiel:
• Gruppenurteil abhängig: Ermittlung von Planzahlen in
Gruppendiskussionen/Brainstorming
• unabhängig: Ermittlung von Planzahlen durch strukturierte
Gruppenbefragung (Bsp. Delphi-Methode)
29.11.2013 Endrik Lengwenat
Technische Universität München
Qualitative/ Subjektive Verfahren
Methoden der Datenerhebung bei subjektiven Verfahren:
Delphi-Methode:
1. Verwendung eines formalen Fragebogens
2. anonyme Einzelantworten
3. Ermittlung einer statistischen Gruppenantwort
4. Information der Teilnehmer über die Gruppenantwort
5. Wiederholung der Befragung
Informationen: Michael Häder; Delphi-Befragungen: Ein Arbeitsbuch. VS Verlag für Sozialwissenschaften, Wiesbaden 2009
29.11.2013 Endrik Lengwenat
Technische Universität München
Extrapolierende Verfahren
Zeitreihenanalyse
• Analyse einer bestimmten Größe mit mathematisch-
statistischen Methoden
– Untersuchung hinsichtlich Gesetzmäßigkeiten aus der
Vergangenheit
– Übertrag dieser Gesetzmäßigkeiten in die Zukunft
• Betrachtung der untersuchten Größen = zeitabhängig
Ursachenforschung bleibt außen vor!
29.11.2013 Endrik Lengwenat
Technische Universität München
Zeitreihen
Die Zeitreihe (yt) setzt sich zusammen aus:
yt= f (ut, zt, st, rt)
– der Trendkomponente (ut) = gibt die grundsätzliche
Entwicklungsrichtung an (Zeitreihe kann mit fallenden,
steigenden oder ohne Trend verlaufen)
– der zyklischen Komponente (zt) = langfristige Schwankung um
den Trend (Konjunktur)
– Der Saisonkomponente (st) = kurzfristige Bewegung um den
Trend und Zyklus (Umsatzschwankungen)
– Und der irregulären Komponente (rt) = zufällig auftretende
StörgrößeInformationen: Vorlesungsunterlagen Mike Hüftle; „Modelle und Methoden der Zeitreihenanalyse“. 2006
29.11.2013 Endrik Lengwenat
Technische Universität München
Zeitreihen
• Es sollen zeitlich regelmäßig anfallende Bewegungen
einer Zeitreihe aufgezeigt werden, um so ein
Fortschreiben in der Zukunft für Prognose- und
Planungszwecke zu ermöglichen.
• Voraussetzung = eine ausreichend lange Zeitreihe
• Treten alle Komponenten gleichzeitig auf, so ist die
Analyse einer Komponente sehr erschwert.
• Zeitreihe mit saisonalen Schwankungen müssen auf
rechnerische Weise von der saisonalen Komponente
bereinigt werden.
29.11.2013 Endrik Lengwenat
Technische Universität München
Zeitraum von Prognosen
• Je länger eine Prognose in die Zukunft geht, desto
ungenauer/ ungewisser wird sie
• Die Eintrittswahrscheinlichkeit der Prognose verringert
sich, je länger der Planungszeitraum in der Zukunft liegt
• Bezogen auf Unternehmen:
– Je größer ein Unternehmen, desto langfristiger oftmals die
Prognosen.
– Je konsumnäher, desto kürzer der Planungszeitraum.
zielorientierte Datenquellen und Zeiträume wählen
29.11.2013 Endrik Lengwenat
Technische Universität München
Graphische Verdeutlichung
Zurückliegende Daten
t = 0
Zukünftige, prognostizierte Daten
Ungewissheit der
Prognose
29.11.2013 Endrik Lengwenat
Technische Universität München
Verfahren der Trendanalysen
1. Einfache Mittelwertbildung
2. Verfahren der gleitenden Durchschnitte
3. Methode der kleinsten quadratischen Abweichungen
4. Exponentielle Glättung erster Ordnung
5. Exponentielle Glättung höherer Ordnungen
29.11.2013 Endrik Lengwenat
Technische Universität München
Einfache Mittelwertbildung
Aus allen Gliedern einer Zeitreihe wird der Mittelwert x
gebildet
X = 1/m 𝑡=1𝑚 𝑥𝑡
• Alle Vergangenheitswerte gehen mit gleicher
Gewichtung ein
• Anwendbar nur bei Zeitreihen ohne Trend
29.11.2013 Endrik Lengwenat
Technische Universität München
Verfahren der gleitenden Durchschnitte
Basiert ebenfalls auf der Berechnung von Mittelwerten
Unterschied: Mittelwert wird nicht mit allen m Werten der
Zeitreihe, sondern wiederholt mit einer Anzahl von g
Werten berechnet
Gleitendes Mittel: Mt= 1/g * 𝑖=𝑡−𝑔+1𝑡 𝑥𝑖
Prognosewert xt(k) aus dem Zeitpunkt t für die Periode t+k:
xt(k) = 1/g * 𝑖=𝑡−𝑔+𝑘𝑡−1+𝑘 𝑥𝑖
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispielrechnung
1. Berechnung der gleitenden Durchschnitte: M3 (g=3) ?
Mt
für g=3169 169,3 170,3 171,3 176 186 197
Mt
für g=5169 170,4 174,2 179,2 187
Verfahren der gleitenden Durchschnitte
1 2 3 4 5 6 7 8 9
xi169 165 173 170 168 176 184 198 209
M3 (g=3) = 1/3 * (169 + 165 + 173) = 169
29.11.2013 Endrik Lengwenat
Technische Universität München
Beispielrechnung
2. Ableitung der Prognosewerte: x12 (g=3) ?
Verfahren der gleitenden Durchschnitte
x12 (g=3) = 1/3 * (209 + 197 + 201,3) = 202,4
5 6 7 8 9 10 11 12 13
xi168 176 184 198 209
xt (k)
für g=3197 201,3 202,4 200,3
xt (k)
für g=5187 192,8 197,9 201,6
29.11.2013 Endrik Lengwenat
Technische Universität München
Verfahren der gleitenden Durchschnitte
• Gleitende Durchschnitte eignen sich zur Glättung von
Zeitreihen.
• Als Prognoseverfahren sollten sie nur bei Zeitreihen
ohne Trend zur Anwendung kommen.
29.11.2013 Endrik Lengwenat
Technische Universität München
Methode der kleinsten quadratischen Abweichungen
Unter der Annahme der linearen Zeitabhängigkeit einer
Größe, wird der Trend durch eine Gerade beschrieben:
y = ax + b oder hier xt = a + b*t
mit a: Achsenabschnitt
b: Steigungskoeffizient
t: Periode
Dabei werden a und b so bestimmt, dass die Summe der
Abweichungsquadrate von der Trendlinie minimiert
werden.
29.11.2013 Endrik Lengwenat
Technische Universität München
Methode der kleinsten quadratischen Abweichungen
f (a,b): 𝑡=1𝑚 (𝑥𝑡 − (𝑎 + 𝑏 ∗ 𝑡))
2 min
Die Summe der Quadrate minimieren:
t
x
29.11.2013 Endrik Lengwenat
Technische Universität München
Methode der kleinsten quadratischen Abweichungen
• Mathematische Lösung über partielle Differenziale.
• Einfacher: Graphische Lösung in Excel mit Ausgabe der
Geradengleichung
• Das Verfahren wir häufig bei der Bestimmung eines
Trends von Zeitreihen eingesetzt.
• Das Verfahren reagiert auf anhaltende
Trendänderungen nur sehr langsam.
29.11.2013 Endrik Lengwenat
Technische Universität München
Exponentielle Glättung erster Ordnung
Lösung des Problems, dass die Methode der kleinsten
quadratischen Abweichungen auf Trendänderungen nur
sehr langsam reagiert:
• Anpassung der Trendbewegungen durch exponentielle
Glättung.
• Ein Glättungsfaktor (0>α>1) gewichtet die Werte der
zurück liegenden Perioden
• Je kleiner α, umso stärker werden die Perioden der
Vergangenheit gewichtet und Zufallsschwankungen
geglättet.
29.11.2013 Endrik Lengwenat
Technische Universität München
Exponentielle Glättung erster Ordnung
Anzuwendende Formel:
𝑉𝑛 = 𝑉𝑎 + 𝛼 (𝑇𝑖 − 𝑉𝑎)
mit Vn: Vorhersage neu (t+1)
Va: Vorhersage alt (t) aus (t-1)
α: Glättungsfaktor
Ti: Tatsächlicher Bedarf
29.11.2013 Endrik Lengwenat
Technische Universität München
Exponentielle Glättung erster Ordnung
Beispielrechnung:
Der Vorhersagewert für den Erlös aus Holzverkäufen für
2011 lag im Jahre 2010 bei 200.000,-€. In 2011 ist jedoch
ein wirklicher Erlös von 250.000,- € erzielt worden.
• Errechnen Sie bei einem Glättungsfaktor von 0,2 den
Vorhersagewert für 2012.
• Wie sind die zurückliegenden Werte gewichtet?
V2012: 200.‘ + 0,2 (250.‘ – 200.‘) = 210.000,- €
29.11.2013 Endrik Lengwenat
Technische Universität München
Kausale Prognosen
• Kausale Prognosen stellen eine Größe in Abhängigkeit
von einer anderen dar.
• Für zwei Größen y, x gilt allgemein: y = f (x)
• Für die Prognose von y aus x sind zwei Konstellationen
denkbar:
• 1) Wurde x beobachtet, kann nach k Perioden
regelmäßig mit der Beobachtung von y gerechnet
werden (Time lag): y (t + k) = f (x (t))
• 2) y und x treten regelmäßig gleichmäßig auf, wobei x
durch ein extrapolierendes Verfahren prognostiziert
werden kann: y (t + k) = f (x (t + k))
29.11.2013 Endrik Lengwenat
Technische Universität München
Kausale Prognosen
• Deterministische Prognosen:
y und x stehen in Ursache-Wirkungs-Zusammenhang.
Prognose unter sicherer Erwartung
eindeutige Prognose
• Stochastische Prognosen:
Zusammenhänge zwischen Größen nicht eindeutig
determiniert
Prognose unter Unsicherheit
29.11.2013 Endrik Lengwenat
Technische Universität München
Kausale Prognosen
Verwendung von einfachen Regressionsansätzen
• Lineare Einfachregression: zwei Größen (x und y)
stehen in folgendem linearen Zusammenhang:
y = a + b * x
x = erklärende Größe
y = erklärte Größe y
29.11.2013 Endrik Lengwenat
Technische Universität München
Kausale Prognosen
Verwendung von multiplen Regressionsansätzen
• Bei allen einfachen Regressionsansätzen wird die
Größe y aus nur einem x erklärt. Deshalb wurde die
Einfachregression zur multiplen Regression erweitert,
bei der die erklärte Größe aus mehreren Größen
erklärbar wird.
29.11.2013 Endrik Lengwenat
Technische Universität München
Diskussion
• Größte Problematik:
• Einfache Prognosen basieren auf Fortschreibung
zurückliegender Daten.
• Bei kausale Prognosen können die beschreibenden und
die abhängige Variablen in der Vergangenheit enge
korreliert haben. Aber Vorhersage berücksichtigt auch
da keine Änderungen.
• Lebensdauer eines Gutes muss bekannt sein:
Unterscheidung zwischen Erst-und Ersatzbedarf
• Notwendig: autonome Schätzung der Sättigungsgrenze
(die sich langfristig ändern kann)
29.11.2013 Endrik Lengwenat
Technische Universität München
Übungsaufgabe
Lösen Sie die Excel-Aufgabe mit
1. Der einfachen Mittelwert-Berechnung
2. Der Methode der gleitenden Durchschnitte
3. Der Methode der kleinsten quad. Abweichungen
4. mit einer exponentiellen Glättung 1. Ordnung
Lösen Sie die Aufgabe mathematisch und stellen Sie die
Lösungen graphisch da.
29.11.2013 Endrik Lengwenat