Forecasting and methods

1. Forecasting
Forecasting 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.

2. Forecasting
Wenn man ein Unternehmen gründen wird, als
erste Schritt muss man analysieren.
Diese Analysen hängen Nachfrageprognosen des
Produktes und die Marktforschung zusammen.

3. 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.

4. Forecasting
Man 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

5. Forecasting
3.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).

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

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

8. Die Etappe der Forecasting
1. Die Zielsetzung der Forecasting
2. Die Entwicklung der geignete Modell
3. Die Modell testen
4. Die Durchführung der Modell
5. Die Bewertung und die Revision der Modell

9. 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.

10. Timeseries
In 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.

11. Arithmetische Durchschnitt
Der 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 Jahresdurchschnittsumsatz
1.Einkauf 22.000TL
2.Einkauf 15.000TL
3.Einkauf 33.000TL
4.Einkauf 55.000TL
(22.000 + 15.000 + 33.000 + 55.000)/4 = 31250

12. Gleitender Durchschnitt
Wenn 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 Umsatzprognose
Bsp:
280
356
486
603
737
815
882
907
952
374
482
609
718
811
868
914
954

13. Gewichteter gleitender Durchschnitt
Es 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
256
486
603
737
815
882
907
952
(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

14. 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.

15. Lineare Regression
Es 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.

16. Beispiel für Lineare Regression

17. Saisonale lineare Regression
Bevor 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.

18. 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

19. Einfache exponentielle Glättung
(Konstantmodell)

20. 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.

21. 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.

22. Lineare (Double) exponentielle
Glättung (Trendmodell)

23. 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.

24. Trendsaisonale exponentielle
Glättung
Die 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.

25. Croston-Methode
Die 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.