Free Delivery Over $100
|
|
|||
|
||||
OverviewPrognosewerte werden in Unternehmungen fur vielfiiltige Zwecke eingesetzt, insbesondere werden Planungsuberlegungen auf ihnen aufgebaut. So sind Absatzprognosen Grundlage von Absatz-, Produktions- und Investitions- pliinen und prognostizierte Zahlungsstrome bestimmen den Finanzplan. Pro- gnosewerte beeinflussen mithin kunftiges (geplantes) Handeln. Wiihrend aber in der Praxis formalisierte Planungsverfahren relativ breit ein- gesetzt werden, ist die Anwendung formalisierter Prognoseverfahren z. Z. selbst bei GroBunternehmungen noch keine Selbstverstiindlichkeit. Prognosewerte werden hiiufig mit Hilfe quantitativer Planungsverfahren verarbeitet; sie selbst werden jedoch intuitiv oder schematisch, z. B. durch Aufschlag globaler Wachstumsraten auf Vorjahrswerte, erstellt. Ein Planungs- ergebnis kann aber nicht besser sein als die Qualitiit der Daten, auf denen es beruht. Um so nachdrucklicher muB deshalb der Einsatz fortschrittlicher Prognose- techniken gefordert werden. Dazu steht einmal ein groBes Angebot erprobter Verfahren, auch in Form benutzerfreundlich gestalteter Computerprogramme, zur Verfugung, und zum anderen werden seit Jahren bereits im wirtschafts- wissenschaftlichen Grundstudium Kenntnisse im Fach Statistik vermittelt, die zum Verstiindnis der Verfahren vollig ausreichen. Vielleicht liegtaber gerade in diesen beiden Vorteilen ein Grund zur geringen Anwendung von Progno- severfahren: - Die Vielzahl der Verfahren erschwert die Auswahl einer bestimmten Me- thode fUr einen konkret vorliegenden Fall. - Durch die sehr stark theoretische Ausrichtung der Statistikausbildung an den Universitiiten wird eher eine psychische Sperre als eine Anwen- dungsmotivation fur statistische Verfahren erzielt. Anwendungsnahe Verfahren, wie z. B. Exponential Smoothing, werden dort hiiufig nicht behandelt. Die geringe Kenntnis der mit der Einfuhrung eines Ver- fahrens verbundenen ublichen Schwierigkeiten fuhrt daruber hinaus hiiufig zu einem vorzeitigen Abbruch von praktischen Versuchen. Full Product DetailsAuthor: A.-W. ScheerPublisher: Springer-Verlag Berlin and Heidelberg GmbH & Co. KG Imprint: Springer-Verlag Berlin and Heidelberg GmbH & Co. K Dimensions: Width: 13.30cm , Height: 1.30cm , Length: 20.30cm Weight: 0.285kg ISBN: 9783540129349ISBN 10: 3540129340 Pages: 225 Publication Date: 01 November 1983 Audience: Professional and scholarly , Professional & Vocational Format: Paperback Publisher's Status: Active Availability: Out of stock  The supplier is temporarily out of stock of this item. It will be ordered for you on backorder and shipped when it becomes available. Language: German Table of ContentsInhaltsubersicht.- A. Theoretische Grundlagen.- I. Prognosebildung.- a. Prognosetechniken.- b. Muster einer Zeitreihe.- 1. Komponenten einer (Absatz-)Zeitreihe.- 2. Komponentenidentifikation.- c. Prognosefehler.- 1. Prognosefehler zur Beurteilung der Prognosequalitat.- 2. Punkt- und Bereichsprognosen.- aa) Formale Verfahren.- bb) Kausale Verfahren.- II. Durchfuhrung von Prognosen.- a. Datenbasis.- 1. Datenquellen.- aa) Formale Prognoseverfahren.- bb) Kausale Prognoseverfahren.- 2. Datenverwaltung/Datenbank.- b. Vorgehensweise.- 1. Dimensionierungsentscheidungen.- 2. Prognosedialog/Prognose-lnformationssystem.- B. Verfahrensauswahl.- C. Verfahrensdarstellung: Verfahren und Modelle zur Absatzprognose.- I. Kurz- bis mittelfristiger Prognosezeitraum.- a. Datenbasis: Absatzreihe.- 1. Vorgegebenes Datenmuster.- aa) Ermittlung der Komponenten.- bb) Bekannte Komponenten.- 11) Stationares Modell.- - UEbergang vom arithmetischen Mittel zum Prinzip der exponentiellen Glattung.- - Exponentielle Glattung erster Ordnung.- 22) Modell mit Trend.- - Methode der Kleinsten Quadrate.- - Exponentielle Glattung zweiter und hoeherer Ordnung.- - Das Modell mit zwei Glattungsparametern von Holt.- 33) Modell mit Saison (und Trend).- - Methode der Kleinsten Quadrate.- - Modell von Winters.- - Modell von Harrison.- 44) Sporadischer Absatz.- 2. Modelle ohne fest vorgegebene Datenmuster.- aa) Adaptiver (selbstanpassender) Glattungsparameter.- bb) Box-Jenkins-ARIMA-Ansatze.- b. Datenbasis: Absatzreihe und erklarende Reihen.- 1. Isolierbare Prognosegroe?en.- aa) Eine dominierende Einflu?groe?e.- 11) Modell vorgegeben.- - Unternehmensexterne Einflu?groe?en.- - Unternehmensinterne Einflu?groe?en.- 22) Modell nicht vorgegeben (Bivariate Box-Jenkins-Ansatze).- bb) Mehrere Einflu?groe?en.- 11) Modell vorgegeben.- - Allgemeiner Ansatz (Multiple Regression).- - Zeitreihendaten.- - Querschnittsdaten.- 22) Modell nicht vorgegeben.- - Stufenweise Regression.- - Multivariate Box-Jenkins-Ansatze.- 2. Prognose verbundener Absatzreihen.- aa) Rekursive Beziehungen.- bb) Interdependente Beziehungen.- 11) Datenbasis: Zusatzliche erklarende Groe?en.- 22) Datenbasis: Marktanteile.- II. Mittel- bis langfristiger Prognosezeitraum.- a. Datenbasis: Subjektive Schatzungen.- 1. Expertenschatzung.- 2. Delphi-Verfahren.- b. Datenbasis: Zeitreihen- und Querschnittsdaten.- 1. Produkteinfuhrung.- aa) Verbrauchsguter mit der Datenbasis Haushaltspanel.- bb) Gebrauchsguter mit der Datenbasis Absatzreihe.- 2. Produktlebenszyklus.- D. Informationsbeschaffung - Literaturverzeichnis.- E. Orientierungsbaum fur die Verfahrensauswahl.ReviewsAuthor InformationTab Content 6Author Website:Countries AvailableAll regions |
||||
