Quantitative Methoden - Versionsgeschichte

Viviane.trachsel am 3. Oktober 2022 um 07:18 Uhr

2022-10-03T07:18:07Z

← Nächstältere Version		Version vom 3. Oktober 2022, 09:18 Uhr
Zeile 1:		Zeile 1:
			{{Geprueft\|+}}

	Quantitative Prognosemethoden können nebst den [[Qualitative Methoden\|qualitativen Methoden]] als Instrumente für Planungen angewendet werden. Hierbei wird mithilfe von Daten oder auch [[Big Data]] vergangenheitsbasierte Daten ausgewertet und für zukünftige Perioden abgeleitet. Diese Methoden kommen bei der [[Planung und Budgetierung]] für beispielsweise den [[Absatzplan]] oder den [[Finanzplan]] zur Anwendung.		Quantitative Prognosemethoden können nebst den [[Qualitative Methoden\|qualitativen Methoden]] als Instrumente für Planungen angewendet werden. Hierbei wird mithilfe von Daten oder auch [[Big Data]] vergangenheitsbasierte Daten ausgewertet und für zukünftige Perioden abgeleitet. Diese Methoden kommen bei der [[Planung und Budgetierung]] für beispielsweise den [[Absatzplan]] oder den [[Finanzplan]] zur Anwendung.

Furrer.nicole am 10. Mai 2022 um 17:06 Uhr

2022-05-10T17:06:26Z

← Nächstältere Version		Version vom 10. Mai 2022, 19:06 Uhr
Zeile 27:		Zeile 27:

	* Wie verhält sich die Menge (abhängige Variable), wenn sich der Preis (erste unabhängige Variable) erhöht oder gesenkt wird und die Marketingausgaben (zweite unabhängige Variable) erhöht oder gesenkt werden?		* Wie verhält sich die Menge (abhängige Variable), wenn sich der Preis (erste unabhängige Variable) erhöht oder gesenkt wird und die Marketingausgaben (zweite unabhängige Variable) erhöht oder gesenkt werden?
	* Welche unabhängige Variable hat den grössten Einfluss auf die ~~Absatzplanung~~?		* Welche unabhängige Variable hat den grössten Einfluss auf die Planung?

	== Lern- und Praxismaterialien ==		== Lern- und Praxismaterialien ==

Furrer.nicole am 10. Mai 2022 um 17:05 Uhr

2022-05-10T17:05:52Z

Birrer.yvonne am 9. Mai 2022 um 20:06 Uhr

2022-05-09T20:06:02Z

← Nächstältere Version		Version vom 9. Mai 2022, 22:06 Uhr
Zeile 1:		Zeile 1:
	Quantitative Prognosemethoden können nebst den [[Qualitative Methoden\|qualitativen Methoden]] als Instrumente für Planungen angewendet werden. Hierbei wird mithilfe von Daten oder auch [[Big Data]] vergangenheitsbasierte Daten ausgewertet und für zukünftigen Perioden abgeleitet. Diese Methoden kommen bei der [[Planung und Budgetierung]] für beispielsweise den [[Absatzplan]] oder den [[Finanzplan]] zur Anwendung.		Quantitative Prognosemethoden können nebst den [[Qualitative Methoden\|qualitativen Methoden]] als Instrumente für Planungen angewendet werden. Hierbei wird mithilfe von Daten oder auch [[Big Data]] vergangenheitsbasierte Daten ausgewertet und für zukünftigen Perioden abgeleitet. Diese Methoden kommen bei der [[Planung und Budgetierung]] für beispielsweise den [[Absatzplan]] oder den [[Finanzplan]] zur Anwendung.

	=Gleitender Durchschnitt=		== Gleitender Durchschnitt ==

	[[Datei:Berechnung gleitender Durchschnitt.png\|300px\|mini\|Berechnung gleitender Durchschnitt (in Anlehnung an Lütke Entrup & Goetjes, 2019, S. 74)]]		[[Datei:Berechnung gleitender Durchschnitt.png\|300px\|mini\|Berechnung gleitender Durchschnitt (in Anlehnung an Lütke Entrup & Goetjes, 2019, S. 74)]]
Zeile 15:		Zeile 15:


	=Gewichteter gleitender Durchschnitt=		== Gewichteter gleitender Durchschnitt ==
	Der gleitende Durchschnitt kann vor allem dann verwendet werden, wenn die Absatzmengen wenige bis keine saisonalen Schwankungen aufweisen und die Absatzzahlen somit über das gesamte Jahr voraussichtlich stabil bleiben. Werden saisonale Schwankungen angenommen, können die IST-Absatzmengen in den einzelnen Monaten unterschiedlich gewichtet werden. Hierbei spricht man von einem gewichteten gleitenden Durchschnitt (Lütke Entrup & Goetjes, 2019, S. 73–75).		Der gleitende Durchschnitt kann vor allem dann verwendet werden, wenn die Absatzmengen wenige bis keine saisonalen Schwankungen aufweisen und die Absatzzahlen somit über das gesamte Jahr voraussichtlich stabil bleiben. Werden saisonale Schwankungen angenommen, können die IST-Absatzmengen in den einzelnen Monaten unterschiedlich gewichtet werden. Hierbei spricht man von einem gewichteten gleitenden Durchschnitt (Lütke Entrup & Goetjes, 2019, S. 73–75).

	Der gleitende Durchschnitt wie auch der gewichtete gleitende Durchschnitt eignet sich für einfache Forecastings und bedarf keine speziellen Softwares. Sie ist vor allem für Unternehmen empfehlenswert, welchen es an Ressourcen einer fundierten Vergangenheitsanalyse fehlt oder eine tiefgründige Analyse nicht als nötig erachten.		Der gleitende Durchschnitt wie auch der gewichtete gleitende Durchschnitt eignet sich für einfache Forecastings und bedarf keine speziellen Softwares. Sie ist vor allem für Unternehmen empfehlenswert, welchen es an Ressourcen einer fundierten Vergangenheitsanalyse fehlt oder eine tiefgründige Analyse nicht als nötig erachten.

	=ARIMA Modell=		== ARIMA Modell ==
	Das ARIMA Modell (Autoregressive integrated moving avarage) eignet sich, um stationäre vergangenheitsbasierte Zeitreihen analysieren zu können, um so mathematisch Prognosen für die zukünftige Absatzmenge herzuleiten (Lütke Entrup & Goetjes, 2019, S. 78). Die Verwendung des ARIMA-Models bedarf ein fundiertes Wissen von Statistik und benötigt somit auch geeignetes Personal oder externer Beratung.		Das ARIMA Modell (Autoregressive integrated moving avarage) eignet sich, um stationäre vergangenheitsbasierte Zeitreihen analysieren zu können, um so mathematisch Prognosen für die zukünftige Absatzmenge herzuleiten (Lütke Entrup & Goetjes, 2019, S. 78). Die Verwendung des ARIMA-Models bedarf ein fundiertes Wissen von Statistik und benötigt somit auch geeignetes Personal oder externer Beratung.

	=Regressionsanalyse=		== Regressionsanalyse ==
	Mithilfe der Regressionsanalyse kann der Absatz anhand einer mathematischen Funktion geplant werden. Die Analyse berechnet die Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer oder mehreren abhängigen Variablen. Je nach Anzahl von abhängigen oder unabhängigen Variablen spricht man von einer anderen Klassifizierung der Regressionsanalyse. Als Beispiel dient die multible Regressionsanalyse. Sie zeigt die Beziehung zwischen mindestens zwei unabhängigen und einer abhängigen Variablen (Bas, 2020, 296–297). Diese Art der Regressionsanalyse kann für folgende Fragestellungen herangezogen werden (Kuhne, 2015, S. 4):		Mithilfe der Regressionsanalyse kann der Absatz anhand einer mathematischen Funktion geplant werden. Die Analyse berechnet die Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer oder mehreren abhängigen Variablen. Je nach Anzahl von abhängigen oder unabhängigen Variablen spricht man von einer anderen Klassifizierung der Regressionsanalyse. Als Beispiel dient die multible Regressionsanalyse. Sie zeigt die Beziehung zwischen mindestens zwei unabhängigen und einer abhängigen Variablen (Bas, 2020, 296–297). Diese Art der Regressionsanalyse kann für folgende Fragestellungen herangezogen werden (Kuhne, 2015, S. 4):

Zeile 38:		Zeile 38:
	\|}		\|}

	=Quellen=		== Quellen ==
	* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.		* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.
	* Kuhne, D. (2015). [https://link.springer.com/chapter/10.1007/978-3-658-04492-3_1 Multiple Regression als Konzept zur Absatzprognose]. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.		* Kuhne, D. (2015). [https://link.springer.com/chapter/10.1007/978-3-658-04492-3_1 Multiple Regression als Konzept zur Absatzprognose]. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.
Zeile 44:		Zeile 44:
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

	=Autoren=		== Autoren ==
	Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj		Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj

Kretzschmar.fabienne am 9. Mai 2022 um 19:56 Uhr

2022-05-09T19:56:39Z

← Nächstältere Version		Version vom 9. Mai 2022, 21:56 Uhr
Zeile 28:		Zeile 28:
	* Wie verhält sich die Absatzmenge (abhängige Variable), wenn sich der Preis (erste unabhängige Variable) erhöht oder gesenkt wird und die Marketingausgaben (zweite unabhängige Variable) erhöht oder gesenkt werden?		* Wie verhält sich die Absatzmenge (abhängige Variable), wenn sich der Preis (erste unabhängige Variable) erhöht oder gesenkt wird und die Marketingausgaben (zweite unabhängige Variable) erhöht oder gesenkt werden?
	* Welche unabhängige Variable hat den grössten Einfluss auf die Absatzplanung?		* Welche unabhängige Variable hat den grössten Einfluss auf die Absatzplanung?

	~~=Quellen=~~
	* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.
	* Kuhne, D. (2015). [https://link.springer.com/chapter/10.1007/978-3-658-04492-3_1 Multiple Regression als Konzept zur Absatzprognose]. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

	== Lern- und Praxismaterialien ==		== Lern- und Praxismaterialien ==
Zeile 43:		Zeile 37:
	\| [[Quantitative Methoden - Verständnisfragen & Quiz ]]		\| [[Quantitative Methoden - Verständnisfragen & Quiz ]]
	\|}		\|}

			=Quellen=
			* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.
			* Kuhne, D. (2015). [https://link.springer.com/chapter/10.1007/978-3-658-04492-3_1 Multiple Regression als Konzept zur Absatzprognose]. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.
			* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.
			* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

	=Autoren=		=Autoren=
	Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj		Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj

Kretzschmar.fabienne am 9. Mai 2022 um 19:55 Uhr

2022-05-09T19:55:50Z

← Nächstältere Version		Version vom 9. Mai 2022, 21:55 Uhr
Zeile 34:		Zeile 34:
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

			== Lern- und Praxismaterialien ==

			{\| class="wikitable"
			\|-
			! Aufgaben
			\|-
			\| [[Quantitative Methoden - Verständnisfragen & Quiz ]]
			\|}

	=Autoren=		=Autoren=
	Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj		Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj

Furrer.nicole: /* Quellen */

2022-05-09T19:45:20Z

Quellen

← Nächstältere Version		Version vom 9. Mai 2022, 21:45 Uhr
Zeile 31:		Zeile 31:
	=Quellen=		=Quellen=
	* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.		* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.
	* Kuhne, D. (2015). ~~Multible~~ Regression als Konzept zur Absatzprognose. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.		* Kuhne, D. (2015). [https://link.springer.com/chapter/10.1007/978-3-658-04492-3_1 Multiple Regression als Konzept zur Absatzprognose]. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

Furrer.nicole: /* Quellen */

2022-05-09T19:28:59Z

Quellen

← Nächstältere Version		Version vom 9. Mai 2022, 21:28 Uhr
Zeile 30:		Zeile 30:

	=Quellen=		=Quellen=
	* Bas, E. (2020). Regressionsanalyse. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.		* Bas, E. (2020). [https://doi.org/10.1007/978-3-658-32120-8_7 Regressionsanalyse]. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.
	* Kuhne, D. (2015). Multible Regression als Konzept zur Absatzprognose. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.		* Kuhne, D. (2015). Multible Regression als Konzept zur Absatzprognose. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). Sales & Operations Planning-Prozess. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_3 Sales & Operations Planning-Prozess]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). Systemgestützte Absatzplanung. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.		* Lütke Entrup, M., & Goetjes, D. (2019). [https://doi.org/10.1007/978-3-658-22891-0_4 Systemgestützte Absatzplanung]. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

	=Autoren=		=Autoren=
	Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj		Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj

Furrer.nicole: /* Quellen */

2022-05-09T19:20:55Z

Quellen

← Nächstältere Version		Version vom 9. Mai 2022, 21:20 Uhr
Zeile 30:		Zeile 30:

	=Quellen=		=Quellen=
	* Bas, E. (2020). Regressionsanalyse. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden. ~~https://doi.org/10.1007/978-3-658-32120-8_7~~		* Bas, E. (2020). Regressionsanalyse. In E. Bas (Hrsg.), Einführung in Wahrscheinlichkeitsrechnung, Statistik und Stochastische Prozesse (S. 296–314). Springer Fachmedien Wiesbaden.
	* Kuhne, D. (2015). Multible Regression als Konzept zur Absatzprognose. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden. ~~https://doi.org/10.1007/978-3-658-04492-3_2~~		* Kuhne, D. (2015). Multible Regression als Konzept zur Absatzprognose. In O. Gansser & B. Krol (Hrsg.), Markt- und Absatzprognosen: Modelle—Methoden—Anwendung (S. 27–48). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). Sales & Operations Planning-Prozess. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden. ~~https://doi.org/10.1007/978-3-658-22891-0_3~~		* Lütke Entrup, M., & Goetjes, D. (2019). Sales & Operations Planning-Prozess. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 9–53). Springer Fachmedien Wiesbaden.
	* Lütke Entrup, M., & Goetjes, D. (2019). Systemgestützte Absatzplanung. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden. ~~https://doi.org/10.1007/978-3-658-22891-0_4~~		* Lütke Entrup, M., & Goetjes, D. (2019). Systemgestützte Absatzplanung. In M. Lütke Entrup & D. Goetjes (Hrsg.), Sales & Operations Planning in der Konsumgüterindustrie: Mit Best-Practice-Prozessen nachhaltig die Wettbewerbsfähigkeit steigern (S. 55–104). Springer Fachmedien Wiesbaden.

	=Autoren=		=Autoren=
	Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj		Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj

Furrer.nicole am 9. Mai 2022 um 19:17 Uhr

2022-05-09T19:17:32Z

← Nächstältere Version		Version vom 9. Mai 2022, 21:17 Uhr
Zeile 7:		Zeile 7:
	Anhand des gleitenden Durchschnitts kann die zukünftige Absatzmenge prophezeit werden. Für die Berechnung werden beispielsweise die Absätze von diversen vergangenen Monaten berücksichtigt.		Anhand des gleitenden Durchschnitts kann die zukünftige Absatzmenge prophezeit werden. Für die Berechnung werden beispielsweise die Absätze von diversen vergangenen Monaten berücksichtigt.

	In der Grafik ist ein Beispiel für einen dreimonatigen oder fünfmonatigen gleitenden Durchschnitt aufgezeigt. Beim dreimonatigen gleitenden Durchschnitt werden für die Planabsatzmenge der Durchschnitt von drei IST-Absatzmengen berücksichtigt. Je grösser das Zeitintervall ist, desto mehr werden Schwankungen in den Erfahrungswerten geglättet. (Lütke Entrup & Goetjes, 2019, S. 73–75)		In der Grafik ist ein Beispiel für einen dreimonatigen oder fünfmonatigen gleitenden Durchschnitt aufgezeigt. Beim dreimonatigen gleitenden Durchschnitt werden für die Planabsatzmenge der Durchschnitt von drei IST-Absatzmengen berücksichtigt. Je grösser das Zeitintervall ist, desto mehr werden Schwankungen in den Erfahrungswerten geglättet (Lütke Entrup & Goetjes, 2019, S. 73–75).


Zeile 16:		Zeile 16:

	=Gewichteter gleitender Durchschnitt=		=Gewichteter gleitender Durchschnitt=
	Der gleitende Durchschnitt kann vor allem dann verwendet werden, wenn die Absatzmengen wenige bis keine saisonalen Schwankungen aufweisen und die Absatzzahlen somit über das gesamte Jahr voraussichtlich stabil bleiben. Werden saisonale Schwankungen angenommen, können die IST-Absatzmengen in den einzelnen Monaten unterschiedlich gewichtet werden. Hierbei spricht man von einem gewichteten gleitenden Durchschnitt. (Lütke Entrup & Goetjes, 2019, S. 73–75)		Der gleitende Durchschnitt kann vor allem dann verwendet werden, wenn die Absatzmengen wenige bis keine saisonalen Schwankungen aufweisen und die Absatzzahlen somit über das gesamte Jahr voraussichtlich stabil bleiben. Werden saisonale Schwankungen angenommen, können die IST-Absatzmengen in den einzelnen Monaten unterschiedlich gewichtet werden. Hierbei spricht man von einem gewichteten gleitenden Durchschnitt (Lütke Entrup & Goetjes, 2019, S. 73–75).

	Der gleitende Durchschnitt wie auch der gewichtete gleitende Durchschnitt eignet sich für einfache Forecastings und bedarf keine speziellen Softwares. Sie ist vor allem für Unternehmen empfehlenswert, welchen es an Ressourcen einer fundierten Vergangenheitsanalyse fehlt oder eine tiefgründige Analyse nicht als nötig erachten.		Der gleitende Durchschnitt wie auch der gewichtete gleitende Durchschnitt eignet sich für einfache Forecastings und bedarf keine speziellen Softwares. Sie ist vor allem für Unternehmen empfehlenswert, welchen es an Ressourcen einer fundierten Vergangenheitsanalyse fehlt oder eine tiefgründige Analyse nicht als nötig erachten.

← Nächstältere Version		Version vom 10. Mai 2022, 19:05 Uhr
Zeile 1:		Zeile 1:
	Quantitative Prognosemethoden können nebst den [[Qualitative Methoden\|qualitativen Methoden]] als Instrumente für Planungen angewendet werden. Hierbei wird mithilfe von Daten oder auch [[Big Data]] vergangenheitsbasierte Daten ausgewertet und für ~~zukünftigen~~ Perioden abgeleitet. Diese Methoden kommen bei der [[Planung und Budgetierung]] für beispielsweise den [[Absatzplan]] oder den [[Finanzplan]] zur Anwendung.		Quantitative Prognosemethoden können nebst den [[Qualitative Methoden\|qualitativen Methoden]] als Instrumente für Planungen angewendet werden. Hierbei wird mithilfe von Daten oder auch [[Big Data]] vergangenheitsbasierte Daten ausgewertet und für zukünftige Perioden abgeleitet. Diese Methoden kommen bei der [[Planung und Budgetierung]] für beispielsweise den [[Absatzplan]] oder den [[Finanzplan]] zur Anwendung.

	== Gleitender Durchschnitt ==		== Gleitender Durchschnitt ==

	[[Datei:Berechnung gleitender Durchschnitt.png\|300px\|mini\|Berechnung gleitender Durchschnitt (in Anlehnung an Lütke Entrup & Goetjes, 2019, S. 74)]]		[[Datei:Berechnung gleitender Durchschnitt.png\|300px\|mini\|Abbildung 1: Berechnung gleitender Durchschnitt (in Anlehnung an Lütke Entrup & Goetjes, 2019, S. 74)]]

	Anhand des gleitenden Durchschnitts kann die zukünftige ~~Absatzmenge~~ prophezeit werden. Für die Berechnung werden beispielsweise die Absätze von diversen vergangenen Monaten berücksichtigt.		Anhand des gleitenden Durchschnitts kann die zukünftige Menge prophezeit werden. Für die Berechnung werden beispielsweise die Absätze von diversen vergangenen Monaten berücksichtigt.

	In der Grafik ist ein Beispiel für einen dreimonatigen oder fünfmonatigen gleitenden Durchschnitt aufgezeigt. Beim dreimonatigen gleitenden Durchschnitt werden für die ~~Planabsatzmenge~~ der Durchschnitt von drei IST-~~Absatzmengen~~ berücksichtigt. Je grösser das Zeitintervall ist, desto mehr werden Schwankungen in den Erfahrungswerten geglättet (Lütke Entrup & Goetjes, 2019, S. 73–75).		In der Grafik ist ein Beispiel für einen dreimonatigen oder fünfmonatigen gleitenden Durchschnitt aufgezeigt. Beim dreimonatigen gleitenden Durchschnitt werden für die Planmenge der Durchschnitt von drei IST-Mengen berücksichtigt. Je grösser das Zeitintervall ist, desto mehr werden Schwankungen in den Erfahrungswerten geglättet (Lütke Entrup & Goetjes, 2019, S. 73–75).


Zeile 16:		Zeile 16:

	== Gewichteter gleitender Durchschnitt ==		== Gewichteter gleitender Durchschnitt ==
	Der gleitende Durchschnitt kann vor allem dann verwendet werden, wenn die ~~Absatzmengen~~ wenige bis keine saisonalen Schwankungen aufweisen und die ~~Absatzzahlen~~ somit über das gesamte Jahr voraussichtlich stabil bleiben. Werden saisonale Schwankungen angenommen, können die IST-~~Absatzmengen~~ in den einzelnen Monaten unterschiedlich gewichtet werden. Hierbei ~~spricht man~~ von einem gewichteten gleitenden Durchschnitt (Lütke Entrup & Goetjes, 2019, S. 73–75).		Der gleitende Durchschnitt kann vor allem dann verwendet werden, wenn die Mengen wenige bis keine saisonalen Schwankungen aufweisen und die Planwerte somit über das gesamte Jahr voraussichtlich stabil bleiben. Werden saisonale Schwankungen angenommen, können die IST-Mengen in den einzelnen Monaten unterschiedlich gewichtet werden. Hierbei wird von einem gewichteten gleitenden Durchschnitt gesprochen (Lütke Entrup & Goetjes, 2019, S. 73–75).

	Der gleitende Durchschnitt wie auch der gewichtete gleitende Durchschnitt ~~eignet~~ sich für einfache Forecastings und bedarf ~~keine~~ speziellen Softwares. Sie ~~ist~~ vor allem für Unternehmen empfehlenswert, welchen es an Ressourcen einer fundierten Vergangenheitsanalyse fehlt oder eine tiefgründige Analyse nicht als nötig erachten.		Der gleitende Durchschnitt wie auch der gewichtete gleitende Durchschnitt eignen sich für einfache Forecastings und bedarf keinen speziellen Softwares. Sie sind vor allem für Unternehmen empfehlenswert, welchen es an Ressourcen einer fundierten Vergangenheitsanalyse fehlt oder eine tiefgründige Analyse nicht als nötig erachten.

	== ARIMA Modell ==		== ARIMA Modell ==
	Das ARIMA Modell (Autoregressive integrated moving avarage) eignet sich, um stationäre vergangenheitsbasierte Zeitreihen analysieren zu können, um so ~~mathematisch~~ Prognosen für ~~die~~ zukünftige ~~Absatzmenge~~ herzuleiten (Lütke Entrup & Goetjes, 2019, S. 78). Die Verwendung des ARIMA-Models bedarf ein fundiertes Wissen von Statistik und benötigt somit auch geeignetes Personal oder externer Beratung.		Das ARIMA Modell (Autoregressive integrated moving avarage) eignet sich, um stationäre vergangenheitsbasierte Zeitreihen analysieren zu können, um so mathematische Prognosen für zukünftige Planungen herzuleiten (Lütke Entrup & Goetjes, 2019, S. 78). Die Verwendung des ARIMA-Models bedarf ein fundiertes Wissen von Statistik und benötigt somit auch geeignetes Personal oder externer Beratung.

	== Regressionsanalyse ==		== Regressionsanalyse ==
	Mithilfe der Regressionsanalyse kann ~~der Absatz~~ anhand einer mathematischen Funktion geplant werden. Die Analyse berechnet die Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer oder mehreren abhängigen Variablen. Je nach Anzahl von abhängigen oder unabhängigen Variablen ~~spricht man~~ von einer anderen Klassifizierung der Regressionsanalyse. Als Beispiel dient die ~~multible~~ Regressionsanalyse. Sie zeigt die Beziehung zwischen mindestens zwei unabhängigen und einer abhängigen Variablen (Bas, 2020, 296–297). Diese Art der Regressionsanalyse kann für folgende Fragestellungen herangezogen werden (Kuhne, 2015, S. 4):		Mithilfe der Regressionsanalyse kann die Planung anhand einer mathematischen Funktion geplant werden. Die Analyse berechnet die Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer oder mehreren abhängigen Variablen. Je nach Anzahl von abhängigen oder unabhängigen Variablen wird von einer anderen Klassifizierung der Regressionsanalyse gesprochen. Als Beispiel dient die multiple Regressionsanalyse. Sie zeigt die Beziehung zwischen mindestens zwei unabhängigen und einer abhängigen Variablen (Bas, 2020, 296–297). Diese Art der Regressionsanalyse kann für folgende Fragestellungen herangezogen werden (Kuhne, 2015, S. 4):

	* Wie verhält sich die ~~Absatzmenge~~ (abhängige Variable), wenn sich der Preis (erste unabhängige Variable) erhöht oder gesenkt wird und die Marketingausgaben (zweite unabhängige Variable) erhöht oder gesenkt werden?		* Wie verhält sich die Menge (abhängige Variable), wenn sich der Preis (erste unabhängige Variable) erhöht oder gesenkt wird und die Marketingausgaben (zweite unabhängige Variable) erhöht oder gesenkt werden?
	* Welche unabhängige Variable hat den grössten Einfluss auf die Absatzplanung?		* Welche unabhängige Variable hat den grössten Einfluss auf die Absatzplanung?