[Back]

S. Butgereidt:
"Analyse der Prognosegüte alternativer Prognosemethoden bei kleinen Stichproben";
Supervisor: W.S.A. Schwaiger; Inst.f.Managementwissenschaften, 2019.

At the present time, companies are increasingly exposed to more volatile markets.
There are many internal and external influences that can lead to fluctuations in
demand and make accurate planning or budgeting difficult for the coming year. For
this reason, the research focus in recent years has increasingly been on improving
the quality of forecasting methods in order to be able to counteract this uncertainty
for future planning. "Big Data Analytics" is one of the keywords that is mentioned in
the literature over and over again. The processing of large data sets, relying on the
help of computers, stands thereby in the centre and is to produce an exact image of
the real situation and with it as exact as possible future prognoses. Often, however, a
different picture arises in reality, because many companies, whether small or large,
do not have large data sets. As an example, quarterly sales figures for the past 10
years alone represent only 40 data items. In times of big data analytics, this is a very
small number. Often, companies rely on their own expertise, firstly because they
have had good experience with it, and second because they lack the knowledge or
time to apply such statistically sound methods.
The aim of this thesis is to apply the most common forecasting tools to small data
sets and to investigate which methods provide the best results for small existing
datasets or if expert estimates of future sales figures show better results than
statistical forecasts. In addition, the datasets are to be used to create a flexible
probabilistic sales volume model to support the company's planning process and to
put the plan values on a statistical foundation. The sales figures of a small company
act as a case study, with which the planning process is to be simulated.
Keywords: Forecasting, Big Data vs. Small Data, Forecast Accuracy, Planning with
Uncertainty, Time Series Analysis

In der heutigen Zeit sehen sich Unternehmen immer volatileren Märkten ausgesetzt.
Es gibt viele interne und externe Einflüsse, die zu Nachfrageschwankungen führen
können und eine genaue Planung bzw. Budgetierung für das kommende Jahr
erschweren. Aus diesem Grund wurde der Forschungsschwerpunkt in den letzten
Jahren vermehrt daraufgelegt die Prognosegüte von Forecasting-Methoden zu
verbessern, um dieser Unsicherheit für die zukünftige Planung entgegenwirken zu
können. "Big Data Analytics" ist eines der Stichwörter, das in diesem Zusammenhang
in der Literatur immer wieder erwähnt wird. Die Verarbeitung großer Datensätze, bei
der man auf die Hilfe von Rechnern angewiesen ist, steht dabei im Zentrum und soll
ein genaues Abbild der realen Situation und damit möglichst genaue
Zukunftsprognosen erzeugen. Oftmals stellt sich aber in der Realität ein anderes Bild
dar, weil viele Unternehmen, egal ob klein oder groß, nicht über große Datensätze
verfügen. Als Beispiel stellen Quartalsabsatzzahlen der letzten 10 Jahre, allein
betrachtet, nur einen Umfang von 40 Datenwerten dar. In Zeiten von Big Data
Analytics ist dies eine sehr geringe Anzahl. Oftmals verlassen sich die Unternehmen
auf ihre eigene Expertise, zum einen weil sie damit gute Erfahrung gemacht haben
und zum anderen weil Ihnen das nötige Wissen bzw. die nötige Zeit fehlt, um solche
statistisch fundierten Methoden anzuwenden.
Mit dieser Arbeit sollen nun die gängigsten Forecasting Tools auf Small Data Sets
angewendet und dabei der Frage nachgegangen werden, welche Methoden bei nur
kleinen vorhandenen Datensätzen die besten Ergebnisse liefern bzw. ob aufgrund
dieser geringen Datenmengen andere Methoden, wie z.B. die Naive Methode, über
zukünftige Absatzzahlen bessere Ergebnisse aufzeigen als statistische Forecasts.
Darüber hinaus soll anhand der Datensätze ein flexibles probabilistisches
Verkaufsvolumen Modell erstellt werden, um den Planungsprozess des
Unternehmens zu unterstützen und die Planwerte auf ein statistisches Fundament zu
stellen. Dabei verwendet man Absatzzahlen eines Kleinunternehmens in einer Case
Study, anhand derer der Planungsprozess simuliert werden soll.
Keywords: Prognosemethoden, Forecasting, Big Data vs. Small Data, Prognosegüte,
Planung mit Unsicherheit, Zeitreihenanalyse

https://publik.tuwien.ac.at/files/publik_281087.pdf