Quantitative Methoden

Für die quantitativen Methoden werden statistische Analysen herbeigezogen. Hierbei werden mithilfe von Daten oder auch Big Data vergangenheitsbasierte Daten bezüglich der Absatzmenge ausgewertet und für die zukünftigen Perioden abgeleitet. Für diese Methode können folgende Verfahren angewendet werden:

Gleitender Durchschnitt

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

BILD

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)

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 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

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

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):

• 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?

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
• 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
• 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). 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

Autoren

Yvonne Birrer, Nicole Furrer, Fabienne Kretschmar, Endrit Muçaj