Lineare Programmierung: Zuordnungsmethode

Eine andere Art von speziellem Zweck ist das Programm, das in der linearen
Programmierung verwendet wird. Es geht darum, die Arbeitsplätze jedem der Arbeiter für
minimale Kosten oder maximale Einnahmen zuzuweisen.

1. Das Zuweisungsproblem ist das Problem, n Arbeiter n Jobs zuzuweisen, so dass ein
Arbeiter nur einem Job zugewiesen wird. Die ihm zugewiesenen Arbeitskräfte und die
Kosten für die Erledigung aller Arbeiten werden minimiert.

2. Die Zuordnungsmethode ist das Standardverfahren zur Lösung des

Zuordnungsproblems anhand der Zuordnungstabelle.

Es gibt drei Hauptschritte, die bei der Lösung eines Zuordnungsproblems zu befolgen sind:

1. Subtrahieren Sie die kleinsten Kosten von jedem Eintrag in jeder Zeile. Wenn nun jede
Null in einer Eins-zu-Eins-Korrespondenz mit den „Arbeitern“ zugeordnet werden kann,
ergibt sich eine optionale Lösung. Wenn nicht, fahren Sie mit Schritt 2 fort.

2. Subtrahieren Sie die kleinsten Kosten in jeder Spalte. Wenn nun die Null-Einträge auf
jeden entsprechend den „Arbeitern“ verteilt werden können, wird eine optimale Lösung
erreicht bzw. erreicht. Wenn nicht, fahren Sie mit Schritt 3 fort.

3. Decken Sie die Null-Einträge durch vertikale oder horizontale Linien ab, wobei Sie die
geringstmögliche Anzahl von Linien verwenden. (Dies kann geschehen, indem zuerst
die Zeile oder Spalte mit den meisten Nullen abgedeckt wird.) Ziehen Sie die kleinsten
nicht abgedeckten Kosten von den einzelnen nicht abgedeckten Kosten ab, fügen Sie
sie jedoch dem Eintrag an der Kreuzung der Linien hinzu. Ist eine Zuordnung bereits
möglich, wird eine optionale Lösung gefunden. Wenn nicht, wiederholen Sie Schritt 3.
Eine Zuordnung ist optimal, wenn die Anzahl der Zeilen gleich der Anzahl der Zeilen
oder der oder der Anzahl der Spalten ist

Beispiel 1.

Während des Gründungstages nehmen die vier Vertreter des BA-Fakultätsclubs an

verschiedenen Sportarten wie Walkathon, Marathon, Schwimmen und Laufen teil. Die folgende
Tabelle zeigt ihre Leistung pro Ereignis (Minuten). Bestimmen Sie, wer unter den
Fakultätsvertretern an jeder Veranstaltung teilnehmen wird.

Walkathon Marathon Schwimmen Laufen

Andrea 20 30 25 26
Annika 25 26 27 30
Jazen 35 25 27 30
Louise 30 28 28 20
 Da jede Fakultät nur an einer Veranstaltung teilnehmen darf, ist die Zuordnungsmethode
der effektivste Weg, um eine optimale Lösung zu finden.

Lösung:

Wir beginnen, die Zeilen zu reduzieren, indem wir die kleinste Zahl in jeder Zeile von
allen Zahlen in der Zeile subtrahieren.

Walkathon Marathon Schwimmen Laufen

J Andrea
e t z0 t 10 r e 5d u z6 i e r e
Annika 0 1 2 5
Jazen 10 0 2 5
Louise 10 8 8 0
Zahlen in der Spalte subtrahieren.

Walkathon Marathon Schwimmen Laufen

D
Andrea a d0 i e 10 A n3 z a 6h l d
Annika 0 1 0 5
Jazen 10 0 0 5
Louise 10 8 6 0
optimal.

Zuordnung der Veranstaltungen zu den Fakultätsmitgliedern:

Andrea – kann Walkathon spielen
Annika – kann Walkathon und Schwimmen spielen
Jazen – kann Marathon und Schwimmen spielen
Louise – kann Laufen spielen
Endgültige Entscheidung:
Fakultät Events Zeit
Andrea Walkathon 20
Annika Schwimmen 27
Jazen Marathon 25
Louise Laufen 20
Summe 92 Minuten

Beispiel 2.

Die Gayoma Company hat drei Aufgaben auf drei Maschinen zu erledigen. Jeder
Auftrag muss auf einer und nur einer Maschine ausgeführt werden. Die Kosten für jede
Maschine werden auf der nächsten Seite angegeben. Bestimmen Sie die Auftragszuweisung,
die die Kosten minimiert.
 Maschinen
Jobs
X J Z
A 1400 1600 1800
B 1200 1300 1400
C 1400 1800 1500

Wir reduzieren die angegebenen Zahlen, indem wir zwei Nullen löschen, dann die neue
Tabelle.

Tabelle 1.

Maschinen
Jobs
X J Z
A 14 16 18
B 12 13 14
C 14 18 15

Wählen Sie die kleinste Zahl aus den angegebenen Zeilen

Tabelle 2.

Maschinen
Jobs
X J Z
A 0 2 4
B 0 1 2
C 0 4 1

Reduzieren Sie nun jede Spalte, indem Sie die kleinste Zahl in jeder Spalte abziehen.

Tabelle 3.

Maschinen
Jobs
X J Z
A 0 1 3
B 0 0 1
C 0 3 0
Da wir drei Zeilen haben, die der Anzahl der Zeilen und Spalten entsprechen, dann ist es schon
optimal.

Endgültige Entscheidung:

Jobs Maschinen Kosten

A X ₱1, 400.00
B J ₱1,300.00
C Z ₱1,500.00
Summe ₱4,200.00

Beispiel 3.

Ehemalige UAAP-Spieler stehen kurz davor, der prestigeträchtigsten Liga des Landes
beizutreten, der Philippines Basketball Association (PBA). Fünf Teams sind bereit, die Dienste
der folgenden Spieler zu übernehmen: James Yap, Mark Cadona. Arwind Santos, Ronald Tubid
und Bonbon Custodio.

TEAMS
Burger Talk N' Purefood Ginebra San
Spieler King Text s King Miguel
Bonbon
Custodio
200,000 250,000 175,000 210,000 180,000
Ronald
Tubid
250,000 170,000 200,000 180,000 190,000
Arwind
Santos
150,000 210,000 185,000 165,000 200,000
Mark
Cardona
160,000 150,000 175,000 180,000 190,000
James
Yap 175,000 180,000 150,000 200,000 210,000

Die Tabelle zeigt das monatliche Gehaltsangebot einschließlich der Prämien und
anderer Leistungen. Bestimmen Sie die optimale Antwort für jedes Team, um seine Kosten zu
minimieren.

Lösung:
 Um die Berechnung viel einfacher zu machen, entfernen wir vorübergehend die drei
Nullen.

TEAMS
Burger Sprechen Ginebra San
Spieler König N' Text Purefoods König Miguel
Bonbon
Custodio 200 250 175 210 180
Ronald
Tubid 250 170 200 180 190
Arwind
Santos 150 210 185 165 200
Mark
Cardona 160 150 175 180 190
James
Yap 175 180 150 200 210

*Die Ergebnisse nach dem Entfernen von drei Nullen in jedem Eintrag sind in der obigen
Tabelle dargestellt.

TEAMS
Rein
Burger Sprechen lebensmitt Ginebra San
Spieler König N' Text el König Miguel
Bonbon
Custodio 25 75 0 35 5
Ronald
Tubid 80 0 30 10 20
Arwind
Santos 0 60 35 15 50
Mark
Cardona 10 0 25 30 40
James
Yap 25 30 0 50 60

*Ergebnisse nach Subtraktion des kleinsten Eintrags in jeder Zeile sind in der obigen Tabelle
dargestellt

Da die Nullen nicht jedem Spieler zugewiesen werden können, fahren Sie mit dem nächsten
Schritt fort.

TEAMS
Burger Sprechen Ginebra San
Spieler König N' Text Purefoods König Miguel
 Bonbon
Custodio 25 75 0 35 0
Ronald
Tubid 80 0 30 10 15
Arwind
Santos 0 60 35 15 45
Mark
Cardona 10 0 25 30 35
James
Yap 25 30 0 50 55
*Ergebnisse nach Subtraktion des kleinsten Eintrags in jeder Spalte (Spalte 5 und 6, Ginebra
King bzw. San Miguel).

TEAMS
Burger Sprechen Ginebra San
Spieler König N' Text Purefoods König Miguel
0
Bonbon
Custodio
25 75 25 0
Ronald
Tubid 80 0 30 0 15
Arwind
Santos 0 60 35 5 45
Note

Cardona 10 0 25 20 35
James Yap
25 30 0 40 55

Da die Anzahl der verwendeten Zeilen gleich der Anzahl der Zeilen und Spalten ist, ist die
Zuordnung optimal.

Zuordnung der Teams zu den Spielern (wobei jedem Spieler jede Null zugewiesen
wird)

Bonbon Custodio – kann bei Purefoods und San Miguel spielen

Ronald Tubid – kann zu Talk N’ Text und Ginebra King spielen

Arwind Santos – kann Burger King spielen

Mark Cardona – kann Talk N’ Text spielen

James Yap – kann gegen Purefoods spielen

Endgültige Entscheidung:

Spieler Teams Kosten

 Bonbon Custodio San Miguel ₱180,000.00

Ronald Tubid Ginebra King ₱180,000.00

Arwind Santos Burger King ₱150,000.00

Mark Cardona Talk N’ Text ₱150,000.00

James Yap Purefoods ₱150,000.00

Summe ₱810,000.00

*Abdeckung von Null-Einträgen mit der geringsten Anzahl in vertikalen und horizontalen Linien.

TEAMS
Burger Ginebra San
Spieler King Talk N' Text Purefoods King Miguel
Bonbon
25
Custodio
75 0 25 0
Ronald
Tubid 80 0 30 0 15
Arwind
Santos 0
60 35 5 45
Mark
Cardona 10 0 25 20 35
James
Yap 25 30 0 40 55
NAME: __________________________________________DATUM:_________________

ABSCHNITT/ZEIT/
TAG:_________________________RAUM:_____________BEWERTUNG________

Übung 14

1. Fünf Sicherheitsbeauftragte werden von der Universität des Ostens gebeten, in fünf
Gebäuden eingesetzt zu werden. Die täglichen Kosten jedes Offiziers in jedem Gebäude sind
unten angegeben. Bestimmen Sie die beste Zuweisung von Offizieren zu verschiedenen
Gebäuden, um die Kosten zu minimieren.

GEBÄUDE

ACA Engineering BA Bildende TYK

Kunst
1. 300 250 330 270 360
2. 400 350 250 280 290
3. 360 400 370 300 350
4. 280 250 270 280 310
5. 350 380 370 300 320

2. Doggy Agency hat drei Polizeihunde, die drei verschiedenen Abteilungen zugeordnet werden
können. Die unten angegebenen Kosten für jeden Hund in jeder Abteilung
 Hunde Isetan Show-Mart Robinsons

1 200 350 270

2 300 250 150

3 400 350 270

Bestimmen Sie die optimalen Kosten für jeden Hund pro Abteilung.

3. Finden Sie die geringsten Kosten für die Zuordnung

Maschinen A B C D
J 1 300 500 700 900
O 2 300 700 500 700
B 3 900 600 300 300
S 4 800 900 500 500

4. Jacqueline und Vilma sind Geschäftspartner. Sie beschlossen, vier Buchhalter einzustellen,
die mit der Prüfung ihres Geschäfts betraut werden sollten. Die nächste Tabelle zeigt die
Kosten pro Buchhalter. Bestimmen Sie die beste Zuteilung für jeden Buchhalter.

Buchhalter 1 2 3 4

B A 14,000 12,000 13,000 15,000

U B 16,000 10,000 12,000 14,000

S C 13,000 16,000 15,000 11,000

 S D 12,000 13,000 14,000 11,000

5. Ehemalige PBL-Spieler stehen kurz davor, der prestigeträchtigsten Liga des Landes
beizutreten, der Philippines Basketball Association (PBA). Vier Teams sind bereit, die Dienste
der folgenden Spieler zu übernehmen: James Yap, Rich Alvarez, Paul Artadi und Ronald Tubid.
Die folgende Tabelle zeigt die gewünschten Monatsgehälter ohne Prämien und andere
Leistungen. Bestimmen Sie die optimale Antwort für jedes Team, um ihre Kosten zu minimieren.

Yap Alvarez Artadi Tubid

Red Bull ₱150,000 ₱155,000 ₱145,000 ₱165,000

Purefoods ₱165,000 ₱160,000 ₱155,000 ₱175,000

FedEx ₱150,000 ₱155,000 ₱165,000 ₱160,000

Talk N’ Text ₱160,000 ₱155,000 ₱165,000 ₱150,000

6. Bestimmen Sie die optimale Zuordnung der Führungsteams zu den vier Projekten

PROJEKTE
 W X J Z
1. 3,800 2,800 2,400 3,600
2. 2,000 2,400 3,000 2,000
3. 3,200 1,800 2,200 2,800
4. 4,000 3,200 2,600 3,400

7. Die Fast-Food-Gasse beschloss, die Dienste von vier Teilzeitstudenten zu übernehmen, um

als Service-Crew zu arbeiten. Sie wurden einem Geschwindigkeitstest unterzogen. Die folgende
Tabelle zeigt ihre Leistungen pro Spur. Bestimmen Sie die beste Zuteilung für jede Besatzung.

Spur 1 Spur 2 Spur 3 Spur 4

Crew 1 15 18 20 16

Crew 2 18 17 14 20
Besatzung 3 21 20 13 15

Besatzung 4 17 15 18 19

8. Fünf Mitarbeiter von Denzel Engineering Works sind einzusetzen, je eine auf fünf Maschinen.
Finden Sie die Kosten für die Zuordnung der Variablen zu den fünf Arbeitern.

ARBEITER

Maschinen A B C D E
 1 74 52 66 64 90
2 50 44 78 68 48
3 62 70 52 56 72
4 84 36 56 80 46
5 58 38 76 54 84

9. Die Schüler der V. Mapa High School stehen kurz davor, am jährlichen Quiz Bee
teilzunehmen, das im PICC stattfinden wird. Das Quiz Bee besteht aus vier Fächern wie
Mathematik, Naturwissenschaften, Englisch und Physik. Die folgende Tabelle zeigt ihre Fehler
pro Thema in der Qualifikationsrunde. Legen Sie fest, wer unter den Schülern im Bienenquiz
vertreten sein wird.

Student 1 Student 2 Student 3 Student 4

Mathematik 5 3 5 2
Wissenschaft 1 6 3 4
Englisch 4 2 3 1
Physik 2 3 4 1

10. Miling- und Luming-Auftragnehmer benötigen drei Schreiner, die drei Projekten zugewiesen
werden. Bestimmen Sie die beste Zuteilung für jeden Schreiner.

Zimmerer A B C
1 80 90 54
2 54 108 30
 3 46 104 48

11. Drei reguläre Forscher von Mic-Mic Marketing Research müssen ihren geschätzten
Projektabschluss (Estimated Project Completion, EPC) mal (Tage) bei drei Kunden einreichen.
Die folgende Tabelle zeigt ihren EPC. Bestimmen Sie die beste Zuteilung für drei Forscher.

Kunden

Mitarbeiter 1 2 3

Denzel 20 30 18

Rino 18 36 10

Alvin 12 28 6
Transport- und Zuweisungsmodell

FALLSTUDIE

NHOLRAM-BONG CORPORATION

Die Nholram-Bong Corporation ist Hersteller und Vertreiber von CCTV-Kameras. Seine
CCTV-Kamera ist auf den Philippinen verbreitet und hat seit sieben (7) Jahren eine hohe
Nachfrage auf dem Markt. Das Unternehmen betreibt drei (3) Werke, die die CCTV-Kameras
herstellen und auf fünf (5) Lager verteilt sind.

Im vergangenen Jahr verzeichnete die Nholram-Bong Corporation aufgrund der hohen

Inflation einen starken Rückgang der Nachfrage nach CCTV-Kameras. Der Verkaufsleiter der
Nholram-Bong Corporation prognostizierte, dass die Nachfrage nach CCTV-Kameras für die
nächsten fünf (5) Jahre gering bleiben wird. Das Unternehmen erwägt, eines seiner Werke zu
schließen, da es derzeit über eine Überkapazität von 68.000 Einheiten pro Woche verfügt. Die
prognostizierten wöchentlichen Bedarfe für das nächste Jahr lauten wie folgt

Lager 1 18.000 Stück

Lager 2 26.000 Stück

Lager 3 22.000 Stück

Lager 4 30.000 Stück

Lager 5 16.000 Stück

Tabelle 4.1 zeigt die Produktionskosten für jede Anlage, die variablen Kosten sowohl während
der regulären Zeit als auch während der Überstunden und die Fixkosten während des Betriebs
und der Nicht-Betriebs

Tabelle 4.1

NHOLRAM-BONG CORPORATION

Variable Kosten und die fixen Produktionskosten pro Woche

 Fixkosten pro Woche
Nicht
Anlage
Variable Kosten Betrieb betriebsbereit
Anlage 1 Reguläre Zeit 5.600 €/ Stück ₱28,000 ₱12,000
Werk 1 Überstunden 7.040/Einheit
Anlage 2 Reguläre Zeit 5.560/Einheit 24,000 10,000
Werk 2 Überstunden 6.960/Einh.
Anlage 3 Reguläre Zeit 5.440/Einheit 30,000 15,000
Werk 3 Überstunden 6840 / Einheit

Tabelle 4.2 zeigt die Vertriebskosten von jedem Werk zu jedem Lager.

Tabelle 4.2

NHOLRAM-BONG CORPORATION

Vertriebskosten pro Einheit

Distributionszentrum

Von Werk W1 W2 W3 W4 W5

1 ₱2,000 1,760 1,960 1,840 2,240

2 ₱1,600 2,080 2,000 2,240 2,280

3 ₱2,240 2,120 2,040 2,160 1,400

Die Anlagenkapazitäten in Einheiten pro Woche

Anlage 1 Reguläre Zeit 54.000 Stück
Anlage 1 Überstunden 14000 Stück
Werk 2 Reguläre Zeit 40.000 Stück
Werk 2 Überstunden 10.000 Stück
Werk 3 Reguläre Zeit 50.000 Stück
Werk 3 Überstunden 12.000 Stück

Wenn Nholram-Bong eines seiner Werke stilllegt, ändern sich die wöchentlichen Kosten,
da die Fixkosten aufgrund von Nichtbetrieb sinken.

Diskussionsfragen
 1. Bewerten Sie die verschiedenen Bedingungen, die den wöchentlichen Bedarf sowohl
für in Betrieb befindliche als auch für nicht in Betrieb befindliche Anlagen decken. Bestimmen
Sie, welche Bedingung die Kosten minimiert.

2. Besprechen Sie die Umsetzung, wenn die Nholram-Bong Corporation eines ihrer
Werke schließt. Wird es für das Unternehmen von Vorteil sein?

Kapitel 5
Forecasting
Schlüsselbegriffe:
Prognose
Qualitative Methode
Quantitative Methode
Delphi-Methode
Jury des Executive Opinion
Sales Force Composite
Verbrauchermarktbefragung
Zeitreihen
Zeitreihenmethode
Trend
Saisonalität
Zyklen oder zyklische Komponenten
Zufällige Variationen/Unregelmäßige Komponenten
Glättungsmethode
Glättungskonstante
Gewichtete gleitende Durchschnitte
Exponentielle Glättung
Trendprojektionen
Mittlere absolute Abweichung (Mad)
Mittlerer quadratischer Fehler (MSE)
Mittlerer absoluter Prozentfehler (MAPE)
 Trendlinienprognose

Lernziele

Am Ende des Kapitels wird von den Schülern erwartet, dass sie:
1. Prognose definieren
2. Kennen Sie die Bedeutung von Prognosen in der Geschäftswelt
3. Identifizieren Sie die verschiedenen Arten von Prognosemethoden

4. Qualitative Prognosemethode von quantitativer Methode unterscheiden

5. Bestimmen Sie die verschiedenen Arten/ Komponenten der Prognose
6. Beschreiben die Merkmale der Beurteilungsvorhersage
7. Prognose unter Verwendung von einfachen Durchschnittswerten, gewichteten
gleitenden Durchschnittswerten und exponentiellen
glättung

8. Fehler in der Prognose berechnen

9. Verschiedene Prognosemethoden grafisch darstellen

10. Beziehen Sie sich auf die Hintergründe anderer Fächer wie Management, Marketing,

und Statistik zur Prognose

11. Lösen Sie Vorhersageprobleme mit dem Computer

Einleitung

In jedem Bereich ist es auf jeden Fall ein Erfolg, die Bedürfnisse Ihrer Kunden zu
antizipieren und diese Bedürfnisse zu erfüllen. Ein gutes Management-Team nutzt vergangene
und gegenwärtige Daten, analysiert den Trend der aktuellen Situation und verlässt sich immer
noch auf das „Bauchgefühl“, was in Zukunft wahrscheinlich passieren wird. Entscheidungen
werden jeden Tag getroffen, und der beste strategische Aktionsplan für die Zukunft ist ein
wesentliches Instrument. Infolgedessen versuchen Manager, die „Unsicherheit“ der Zukunft in
der Prognose zu minimieren. Eine Prognose bedeutet einfach eine Vorhersage dessen, was
wahrscheinlich in der Zukunft passieren wird. Die Umrechnung der Prognose in Zahlen und
konkrete Daten ist der Hauptzweck der Prognose.

In diesem Kapitel sollen verschiedene Arten von Prognosetechniken diskutiert werden.

Es ist jedoch erwähnenswert, dass Manager die Tatsache akzeptieren, dass es unabhängig von
der verwendeten Technik keine perfekte Prognose gibt. Es gibt jedoch acht grundlegende
Schritte, die bei der Prognose zu befolgen sind. Diese sind:

1. Legen Sie die Ziele der angestrebten Prognose fest.

2. Wählen Sie die zu prognostizierenden Artikel / Mengen aus.

3. Bestimmen Sie den Zeitraum für die Prognose.

4. Entscheiden Sie sich für die Prognosetechnik.

5. Sammeln Sie die erforderlichen Daten.

6. Verwenden Sie die Prognosemethode.

7. Machen Sie die Prognose.

8. Wenden Sie das Prognoseergebnis an.

Diese Schritte fassen das allgemeine Vorgehen wie folgt zusammen:

Was ist Forecasting?
Es ist der Prozess der Beseitigung in unbekannten Situationen. Die Vorhersage ist
ähnlich, aber in einem allgemeineren Begriff.
Geschäftsprognose ist eine Schätzung oder Vorhersage der zukünftigen
Geschäftsentwicklung wie Umsatz, Ausgaben, Umsatz, Einkommen und Gewinn. Sie gilt als
einer der wichtigsten Aspekte der Unternehmensplanung.
Die Bedarfsprognose ist eine Prognose, die den Umsatz des Unternehmens projiziert.
Klassifizierung der Prognose
Es gibt zwei Klassifikationen von Prognosemethoden: qualitativ und quantitativ.

PROGNOSEMETHODEN

Forecasting

Methoden

Quantitative Methode Qualitative Methode

Zeitreihen Kausale Methode Delphi-Methode

Umzug Jury aus

Durchschnittswerte
Regression Executive Opinion
 Analyse

Exponentiell Außendienst

Glättend Multiple Regression Verbundwerkstoff

Trend Verbraucher

Projektionen Marktumfrage

Qualitative Prognose
Diese Art von Prognosemethode basiert auf Urteilen oder Meinungen und ist subjektiv.
Es stützt sich nicht auf mathematische Berechnungen.
Arten von qualitativen Methoden

Delphi-Methode
Eine der am häufigsten verwendeten qualitativen Prognosen ist die Delphi-Methode.
Hier erstellt eine Gruppe von voneinander getrennten Experten eine Prognose. In der üblichen
Anwendung werden sie gebeten, den Fragebogen zu beantworten. Diese Gruppen werden als
„Befragte“ bezeichnet. Die Antwort und andere Daten werden vom Personal gesammelt,
gesammelt, zusammengefasst und einer anderen Gruppe, den Entscheidungsträgern oder den
Prognostikern, übergeben. Es ist wichtig zu beachten, dass das Prinzip der Delphi-Methode
darin besteht, dass die Antworten aus den ersten Fragebögen bei der Vorbereitung des zweiten
Fragebogensatzes verwendet und berücksichtigt werden. Die Antworten werden gesammelt
und der Prozess wird wiederholt, bis ein Konsens der Gruppe erreicht ist.

Jury des Executive Opinion

Jury of Executive Opinion ist eine Prognosemethode, die empfohlen wird, wenn sich
eine Situation wahrscheinlich nicht wiederholt. Hierbei handelt es sich um eine qualitative
Prognose, die auf einem Urteil eines einzelnen Experten oder einem Konsens der
Expertengruppe beruht.

Sales Force Composite

Bei dieser Methode prognostiziert ein Verkäufer seinen Umsatz in seinem Bereich auf
der Grundlage der Leistung und des Trends der Vergangenheit. Diese Prognose wird überprüft,
um sicherzustellen, dass sie realistisch und erreichbar ist.

Verbrauchermarktbefragung
Diese Methode sammelt Informationen, Daten von Kunden und Interessenten über ihre
zukünftigen Bedürfnisse und beabsichtigten Einkäufe und verbessert so die Prognosedetails
und das Produktdesign.

Quantitative Prognose (Projektive Methoden)

 Diese Art von Prognosemethode basiert auf quantitativen Modellen und ist objektiv. Es
stützt sich stark auf mathematische Berechnungen.

Arten quantitativer Methoden

Zeitreihenmethoden
Es wird versucht, die Zukunft anhand historischer Daten und einer Reihe geordneter
Beobachtungen zu einem quantitativen Merkmal eines Ereignisses in gleich beabstandeten
Zeitpositionen vorherzusagen.

Komponenten einer Zeitreihe

Das Muster oder Verhalten der Daten in einer Zeitreihe besteht aus mehreren
Komponenten. Eine Zeitreihe besteht in der Regel aus vier separaten Komponenten: Trend (T),
Saisonalität (S), Zyklen oder zyklische Komponenten und Zufallsvariationen (R)/unregelmäßige
Komponenten.

1. Trend (T) – die allmähliche Verschiebung (Aufwärts- oder Abwärtsbewegung) der Zeitreihe.
Die Verschiebung oder der Trend ist häufig das Ergebnis langfristiger Faktoren wie

veränderungen in der Gemeinschaft, demografische Merkmale der Bevölkerung, Technologie

und Präferenzen der Verbraucher.
1200

1000

800
Series (100000)

600

400

200

0
0 1 2 3 4 5 6
Year

Abbildung 5.1
Linearer Trend der DVD-Verkäufe

Abbildung 5.1 zeigt eine gerade Linie, die eine gute Annäherung an die Entwicklung der
DVD-Verkäufe sein kann. Wenn eine Zeitreihe aus einer zufälligen Fluktuationsbewegung um
eine langfristige Trendlinie besteht, kann eine lineare Gleichung verwendet werden, um den
Trend abzuschätzen. Dies ist in Abbildung 5.2 dargestellt
Volumen Volumen Volumen

Zeit Zeit Zeit

Abbildung 5.2
Beispiele für einige mögliche Zeitreihen-Trendmuster

2. Saisonalität (S) – ist ein Muster der Nachfrageschwankungen über oder unter der Trendlinie,
die jedes Jahr auftritt. Dies ist die Komponente der Zeitreihe, die die Variabilität der Daten
aufgrund saisonaler Einflüsse darstellt.

3. Zyklen oder zyklische Komponenten – jede wiederkehrende Folge von Punkten oberhalb und
unterhalb der Trendlinie, die länger als ein Jahr dauert. Diese sind in der Regel an den
Konjunkturzyklus gebunden.

Trendlinie

Zeit
Abbildung 5.3
Trend und zyklische Komponenten einer Zeitreihe
4. Zufällige Variationen (R) – "Blips" in den Daten, die durch Zufall und ungewöhnliche Situationen
verursacht werden und keinem erkennbaren Muster folgen.

In der Statistik gibt es zwei allgemeine Formen von Zeitreihenmodellen.

a. Multiplikationsmodell - nimmt an, dass die Nachfrage das Produkt der vier Komponenten ist.
Bedarf = T x S x C x R
b. Additivmodell - fügt die Komponenten zusammen, um eine Schätzung zu erstellen.
Bedarf = T + S + C + R
 Wenn wir den Wert von C und R nicht kennen, wird die Prognose:
F = T + S (Additiv-Modell)
Und F = T x S (Multiplikationsmodell)

Saisonale Spitzen Trendkomponente

Durchschnittliche Nachfrage über 4 Jahre

Tatsächlicher
Bedarf

Abbildung 5.4
Zeitreihen und ihre Komponenten

Glättungsverfahren

In diesem Abschnitt sollen drei weitere Prognosemethoden erörtert werden. Diese

Methoden sind gleitende Durchschnitte, gewichtete gleitende Durchschnitte und exponentielle
Glättung. Diese Verfahren "glätten" zufällige Schwankungen, die durch unregelmäßige
Komponenten der Zeitreihe verursacht werden. Sie werden am besten für stabile Zeitreihen
verwendet, bei denen keine Trendbewegung erwartet wird.

Naive Methode

Naive Prognose ist die einfachste Technik. Es verwendet einfach die tatsächliche
Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für die nächste
Periode. Dies macht die Theorie, dass sich die Vergangenheit wiederholen wird. Es wird auch
davon ausgegangen, dass etwaige Zeitreihenkomponenten (Trend, Saisonalität oder Zyklen)
sich entweder in der Nachfrage der Vorperiode widerspiegeln oder nicht existieren.

Ein Beispiel für naive Prognosen ist in Tabelle 5.1 dargestellt

Tabelle 5.1
Naive Prognosen
Zeitraum Nachfrage Prognose
1 35
2 40 35
 3 55 40
4 65 55
5 60 65

Beachten Sie, dass die Nachfrage für Periode 1 35 betrug, die naive Prognose für die
kommende Periode ist 35.

Gleitende Durchschnitte

Diese verwenden den Mittelwert der letzten n Datenwerte in der für die nächste Periode
prognostizierten Zeitreihe.

Formel
❑

Gleitender Durchschnitt
∑
❑
( most recent n data values )
(Tabelle 5.1)
¿
n

Dabei ist n die Anzahl der Perioden im gleitenden Durchschnitt.

Beispiel:

Berechnen Sie für einen gleitenden Viermonatsdurchschnitt unter Verwendung der

in Tabelle 5.2 angegebenen Daten

Durchschnittliche Viermonatsprognose
Monat Tatsächliche Nachfrage Prognose
Januar 21
Februar 25
März 29
April 21
21+ 25+29+21
=24
Mai 25 4
25+29+21+25
=25
Juni 20 4
29+21+25+20
=24
Juli 18 4
 21+ 25+20+18
=21
August 21 4
25+20+18+21
=21
September 20 4
20+18+21+20
=20
Oktober 19 4
18+21+20+19
=20
November 18 4
21+ 20+19+18
=20
Dezember 15 4

Gewichtete gleitende Durchschnitte

Dies ist eine Glättungsmethode, die einen gewichteten Durchschnitt der letzten n
Daten als Prognose verwendet.

Formel:
❑
∑
❑
( weight for period n ) (demand∈ period n)
Gewichteter gleitender Durchschnitt = ❑
∑
❑
weights
(Tabelle 5.2)

Dabei ist n die Anzahl der Perioden im gewichteten gleitenden Durchschnitt.

Beispiel 1.
Berechnen Sie für einen dreimonatigen gewichteten gleitenden Durchschnitt (Tabelle
5.3)
Drei-Monats-Prognose für den gewichteten gleitenden Durchschnitt
Gewichteter gleitender Drei-Monats-
Monat Nachfrage Durchschnitt
Januar 21
Februar 25
März 29
⦋ ( 29 × 3 ) + ( 25 ×2 ) +21 ⦌
=26
April 21 6
⦋ ( 21 ×3 )+ ( 29× 2 ) +25 ⦌
=24
Mai 25 6
⦋ ( 25 × 3 ) + ( 21× 2 ) +29 ⦌
=24
Juni 20 6
 ⦋ ( 20 × 3 ) + ( 25 ×2 ) +21 ⦌
=22
Juli 18 6
⦋ ( 18 ×3 )+ ( 20 ×2 ) +25 ⦌
=20
August 21 6
⦋ ( 21 ×3 )+ (18 × 2 ) +20 ⦌
=20
September 20 6
⦋ ( 20 × 3 ) + ( 21× 2 ) +18 ⦌
=20
Oktober 19 6
⦋ ( 19 ×3 )+ ( 20× 2 ) +21 ⦌
=20
November 18 6
⦋ ( 18 ×3 )+ ( 19× 2 ) +20 ⦌
=19
Dezember 15 6

Beispiel 2.
Berechnen Sie eine gewichtete gleitende Durchschnittsprognose für vier Perioden aus
Tabelle 5.4
Gewichtete gleitende Durchschnittsprognose für vier Perioden
Gewichteter gleitender Drei-Monats-
Zeitraum Prognose Durchschnitt
1 21
2 25
3 29
4 21
⦋ ( 21 ×3 )+ ( 29× 2 ) +25 ⦌
=24
5 25 6
6 75 ⦋ ( 29 × 3 ) + ( 25 ×2 ) +21 ⦌
=26
6

Exponentielle Glättung

Dies ist eine Prognosemethode, die eine Kombination aus der letzten Prognose und
dem zuletzt beobachteten Wert ist. Es verwendet einen gewichteten Durchschnitt des
vergangenen Zeitreihenwerts als Prognose und basiert auf der Idee, dass Daten mit
zunehmendem Alter weniger relevant werden und weniger gewichtet werden sollten.

Formel:

Neue Prognose = Prognose der letzten Periode

+/- (Ist-Nachfrage des letzten Zeitraums – Prognose des letzten

Zeitraums)

Mathematisch:

F t= F t−1 + ɑ ( At −1- F t−1) (6.3)

Wobei:
 F t = neue Prognose

F t−1 = bisherige Prognose

+ = Glättungskonstante, die einen Wert zwischen 0 und 1 hat (der griechische

Buchstabe + wird ‘alpha‘ ausgesprochen)
At −1 = tatsächlicher Bedarf der Vorperiode

Beispiel 1.

Im Januar wurde von einem Autohändler eine Nachfrage nach 200 Einheiten des
Toyota-Automodells „Vios“ für Februar prognostiziert. Die tatsächliche Nachfrage im Februar
betrug 250 Autos. Prognostizieren Sie die März-Nachfrage mit einer Glättungskonstante von
0,30.

Neue Prognose (Märznachfrage) = 200 + 0,30(250 – 200)

= 200 + 0.30(50)
= 200 + 15
= 215 Autos
Daher liegt die Nachfrageprognose für den Toyota „Vios“ im März bei 215.

Beispiel 2.

Verwenden Sie die exponentielle Glättung, um für eine Reihe von Prognosen mit einer
Glättungskonstante von zu berechnen:

a. ⊲ = 0,20;
b. = 0,50; und
c. die tatsächlichen Daten und beide Sätze in einem einzigen Diagramm darstellen

Tabelle 5.5
Zeitraum Nachfrage
1 20
2 35
3 46
4 40
5 50
6 55
7 45
8
  Prognosefehler = Tatsächliche Nachfrage – Prognose
 Der Prognosefehler sagt uns, wie gut die Methoden unter Verwendung vergangener
Daten gegen sich selbst durchgeführt werden.

Lösung:

a. ⊲ = 0,20
Tabelle 5.6
Zeitraum Tatsächliche Prognose Fehler
Nachfrage
1 20 -
2 35 20 15
3 46 23 23
4 40 27.60 13.60
5 50 30.08 19.92
6 55 34.06 20.94
7 45 38.35 6.75
8 39.60

F 3 = 20 = 0.20(35 - 20)
F 3 = 23

F 4 = 23 + 0.20(46 – 23); F 5 = 27.60 + 0.20(40 - 27.60)

F 4 = 27.60 F 5 = 30.08

F 6 = 30.08 + 0.20(50 – 30.08) F 7 = 34.06 + 0.20(55 – 34.06)

F 6 = 34.06 F 7 = 38.25

F 8 = 38.25 + 0.20(45 – 38.25)

F 8 = 39.60
b. + = 0,50
Tabelle 5.7
Zeitraum Tatsächliche Prognose Fehler
Nachfrage
1 20 -
2 35 20 15
3 46 23 23
4 40 27.50 13.60
5 50 30.08 19.92
6 55 34.06 20.94
7 45 38.35 6.75
 8 39.60

F 3 = 20 + 0.50(35 – 20); F 4 = 27.50 + 0.50(46 – 27.50)

F 3 = 20 + 7.5 F 4 = 27.50 + 9.25
F 3 = 27.50 F 4 = 36.75

F 5 = 36.75 + 0.50(40 – 36.75); F 6 = 38.38 + 0.50(50 – 38.38)

F 5 = 36.75 + 1.625 F 6 = 38.38 + 5.81
F 5 = 38.38 F 6 = 44.19

F 7 = 44.19 + 0.50(55 – 44.19) F 8 = 49.59 + 0.50(45 – 49.59)

F 7 = 44.19 + 5.405 F 8 = 49.59 – 2.295
F 7 = 49.59 F 8 = 47.30

c. Diagramm von +/- = 0,20 und +/- = 0,50

Grafik von 0,20

60

50

40

30

20

10

0
1 2 3 4 5 6

Tatsächliche Nachfrage ɑ = 0.020

Tatsächliche Nachfrage ɑ = 0.50 Graph von 0,50
 60

50

40

30

20

10

0
1 2 3 4 5 6

 Andere Methoden zum Bestimmen oder Messen der Genauigkeit von Prognosefehlern
sind MAD, MSE, MAPE und BIAS.

Die mittlere absolute Abweichung (Mad) ist eine Technik zur Bestimmung der Genauigkeit
eines Prognosemodells, indem der Mittelwert des absoluten Werts gebildet wird.

( Forecast errors )
MAD = (6,4)
n

Beispiel 1.

Berechnen Sie den MAD aus den Tabellen 5.6 und 5.7.

Tabelle 5.8
Zeitraum Nachfrage Fehler bei +/- = 0,20 Fehler bei +/- = 0,50
1 20
2 35 15 15
3 46 23 18.50
4 40 13.60 3.25
5 50 19.92 11.62
6 55 20.94 10.81
7 45 6.75 -4.59
8
99.21 63.77
MAD = (16,54) MAD = (10,63)
6 6

 Basierend auf der Berechnung ist der MAD von  = 0,20 größer als der MAD von  =
0,50. Daher wird das ⊲ = 0,50 bevorzugt, da sein MAD kleiner ist.
 Mean Squared Error (MSE) ist eine Technik zur Bestimmung der Genauigkeit eines
Prognosemodells, indem der Durchschnitt der quadrierten Fehlerterme für eine
Prognosemethode genommen wird.

( Forecasting Error )2
MSE = (6,5)
n
Beispiel 2.

Verwenden Sie Tabelle 5.8 zum Lösen von MSE bei +/- = 0,20 und +/- = 0,50

Lösung:
a) ɑ = 0.20
Tabelle 5.9
Zeitraum Nachfrage Prognosefehler Quadratischer
Prognosefehler
bei +/- = 0,50
1 20
2 35 15 225
3 46 23 342.25
4 40 13.60 10.56
5 50 19.92 135.02
6 55 20.94 116.86
7 45 6.75 21.07
8
850
MSE = = 141,79
6

b) ɑ = 0.50
Tabelle 5.10
Zeitraum Nachfrage Prognosefehler Quadratischer
Prognosefehler
bei +/- = 0,20
1 20
2 35 15 225
3 46 23 529
4 40 13.60 184.96
5 50 19.92 396.81
6 55 20.94 438.48
7 45 6.75 45.56
8
1819.81
MSE = = 303,30
6

Basierend auf der Berechnung ist die MSE von 0 = 0,20 größer als die MSE von 0 =
0,50. Daher wird das ⊲ = 0,50 bevorzugt, da seine MSE kleiner ist.
 Mean Absolute Percent Error (MAPE) ist eine Technik zur Bestimmung der
Genauigkeit einer Prognosemethode, indem der Durchschnitt der absoluten Fehler als
Prozentsatz des beobachteten Wertes genommen wird

BIAS ist eine Komponente des gesamten berechneten Prognosefehlers. Es sagt aus, ob
die Prognose zu niedrig oder zu hoch ist und um wie viel. In der Tat liefert es den Gesamtfehler
und seine Richtung.

 Fehler (%) = I[(Istbedarf – Prognose)I /Istbedarf]

*100% Absolutwert muss berücksichtigt werden, da die Größe des Fehlers wichtiger ist
als die Richtung.
 Der Prognosefehler kann größer sein als der tatsächliche oder prognostizierte, aber
nicht beides.
 Ein Fehler über 100 % impliziert eine Nullprognosegenauigkeit oder eine sehr ungenaue
Prognose.
 Genauigkeit (%) = 1 – Fehler (%)

MAPE =
∑ of Absolute Error (6,6)
∑ of Actual
Mathematisch;
❑
∑
❑
∑ of Absolute Error
MAPE = ❑ (6,7)
∑
❑
( Actual)

Absolute Genauigkeit = Maximum (0, 1 – MAPE) (6,8)

Beispiel 1.

Lösen Sie nach MAPE, absoluter Genauigkeit und arithmetischer Genauigkeit.

Tabelle 5.11
Absolu
Progn Absolu te Rechen
Zeitr Progn osefeh ter Prozent- Genaui genauig
aum Ist ose ler Fehler Fehler gkeit keit
a b c d e f g h

Formel b-c abs(d) e/b 1-f

b/c
1 50 45 5 5 10% 90% 111%
 2 55 70 -15 15 27% 73% 79%
3 60 60 0 0 0% 100%
4 50 75 -25 25 50% 50% 67%
5 60 80 -20 20 33% 67% 75%
Sum
me 275 330 -55 65 24% 76% 83%

❑
∑
❑
( Absolute Error)
Prozentfehler = ❑
∑
❑
( Actual)

65
= x 100%
275

= 24%
❑
∑
❑
( Absolute Error)
MAPE = ❑
∑
❑
Actual x 100 %

65
= x 100%
275

= 24%

Absolute Genauigkeit = Maximum (0, 1 – MAPE)

= (100 – 24) X 100%

= 76%

Trendlinienprognose

Diese Technik passt eine Trendlinie zu einer Reihe von historischen Datenpunkten und
projiziert dann die Linie in der Zukunft für mittel- bis langfristige Prognosen (wir haben uns nur
auf geradlinige Trends konzentriert). Die gebräuchliche statistische Methode, die verwendet
werden soll, ist als die Methode der kleinsten Quadrate bekannt.

Die Methode der kleinsten Quadrate findet eine gerade Linie, die die Summe der
vertikalen Differenzen von der Linie zu jedem der Datenpunkte minimiert.

Die lineare Trendgleichung:

T 1 = a + bt x (6,9)
Wobei:
T t = berechneter Wert der vorherzusagenden Variablen (abhängige Variable)
a = Schnittpunkt der Trendlinie (Y-Achsenschnittpunkt)
b = Steigung der Trendlinie
t x = unabhängige Variable
Die Formel bei der Berechnung von a und b lautet:
❑
∑
❑
ty−nty
b= ❑ (6.10)
∑
❑
2
t −nt 2

∑ = Summenzeichen für n Datenpunkte

t = Werte der unabhängigen Variablen
Y = Werte der abhängigen Variablen
T = Mittelwert der Werte der X's
= Mittelwert der Werte der Y's
n = Anzahl der Datenpunkte oder Beobachtungen
a = - bt (6,11)

Beispiel:

Angesichts der DVD-Verkäufe von BETGAR Marketing

a. Ermittlung der Umsatzprognosen für 2010 und 2011

b. Zeichnen Sie eine Zeitreihe und kommentieren Sie die Angemessenheit eines
linearen Trends.
Tabelle 5.12
DVD-Verkaufszeitreihen
Verkauf (Einheit)
Jahr (1,000)
2001 3
2002 4.5
2003 4.8
2004 3.7
2005 4.6
2006 5
2007 4
2008 5
2009 6

 Wir können die Berechnungen minimieren, indem wir den Wert der X-Zeit in einfachere
Zahlen umwandeln. Daher können wir 2001 als Jahr 1, 2002 als Jahr 2, 2003 als Jahr 3
usw. bezeichnen. Dies ist in Tabelle 5.13 dargestellt
Tabelle 5.13
Jahr Zeitraum Umsatz (1.000) Ty
 J
t
2001 1 3 1 3
2002 2 4.5 4 9
2003 3 4.8 9 14.4
2004 4 3.7 16 14.8
2005 5 4.6 25 23
2006 6 5 36 30
2007 7 4 49 28
2008 8 5 64 40
2009 9 6 81 54
∑t = 45 ∑Y = 40,6 ∑t 2 = 285 ∑ty = 216,20

∑ t 45 ∑ Y 40.60
t= = = 5; Y= = = 4.51
n 9 n 9

Aus Formel (6.10) können wir nun b lösen.

[ ( 216.20 )−9 (5 )( 4.51 ) ]

b=
[ ( 285−9 ( 5 )2 ) ]

13.25
b= = 0,22
60

Aus Formel (6.11)

a = 4,51 – 0,22(5) = 3,41

Da wir die entsprechenden Variablen für die Trendgleichung bereits gelöst haben, lautet die
neue Gleichung T 1 = 3,41 + 0,22t.
Wir können jetzt die Nachfrage für 2009 auf t = 10 schätzen
Umsatzprognose für 2010

T x = 10
T t = 3.41 + 022(10)
T 1 0 = 3.41 + 2.2
T 1 0 = 5.61

Somit ergeben die Trendkomponenten eine Umsatzprognose von 5,61, da die Einheiten
um 1.000 liegen. Somit beträgt die geschätzte Nachfrage für 2009 5.610 DVD-Einheiten.

Umsatzprognose für 2011:

t = 11
T 11 = 3.41 + 0.22(11)
 T 11 = 3.41 + 2.42
T 11 = 5.83
Daher liegt die geschätzte Umsatzprognose für 2010 bei 5.830 DVD-Einheiten.

4
Sales

0
1 2 3 4 5 6 7 8 9
Period

DVD-VERKAUF

Casual Forecasting Methoden

Diese Prognosemethoden basieren auf der Annahme, dass die Variable, die wir zu
prognostizieren versuchen, eine Ursache-Wirkungs-Beziehung mit einer oder mehreren
Variablenaufweist.

Regressionsanalyse

Es ist eine statistische Technik, die verwendet wird, um eine mathematische Gleichung
zu entwickeln, die zeigt, wie Variablen zusammenhängen. Es ist ein Prognoseverfahren, das
den Ansatz der kleinsten Quadrate für eine oder mehrere unabhängige Variablen verwendet,
um eine Prognosemethode zu entwickeln.

Formel:

= Wert der abhängigen Variablen

a = Y-Achsen-Abschnitt

b = Umfang der Regressionsgeraden

X = die unabhängige Variable

 Die abhängige Variable ist das Element, das wir zu prognostizieren versuchen, während
die unabhängige Variable (X) ein Element ist, das einen zufälligen Effekt auf die abhängige
Variable haben könnte.

∑ XY −nXY
b= 2 2 ; a = +/– bX
∑ X −n X

Beispiel:

Dumlao Construction Firm renoviert Häuser in Marilao, Bulacan. Im Laufe der Zeit hat
das Unternehmen festgestellt, dass seine Peso-Volumen-Renovierungsarbeiten abhängig sind.
Die Arbeit ist abhängig von der Gehaltsabrechnung in der Region Marilao / Bulacan. Die Daten
für die Einnahmen von Dumlao und den Geldbetrag, den die Lohnempfänger in Marilao,
Bulacan, in den letzten 5 Jahren verdient haben, sind nachstehend aufgeführt:

Dumlao Construction Sales:

J X
Dumlaos Verkäufe Entgeltabrechnung
(₱100,000) (₱1,000,000)

3.0 2
2.0 3
3.5 2
2.0 5
3.0 4

Verwenden Sie die Regressionsanalyse der kleinsten Quadrate, um die statistische Methode
festzulegen.

Vertrieb Lohn- und X

2 XY
J Gehaltsabrechnu
ng
X
3.0 2 4 6.0
2.0 3 9 6.0
3.5 6 36 21.0
 3.5 5 25 17.5
3.0 4 16 12.0
∑Y = 15 ∑X = 20 ∑X
2 ∑XY = 62,5

∑ X 20
X= = =4
5 5

∑ Y 15
Y= = =3
5 5

∑ XY −nXY 62.5−5(4)(3) 2.5

b= 2 = = = 0,25
2
∑ X −n X 90−5 (4)2 10

a = Y = bX = 3 – 0,25(4) = 2

Die geschätzte Regressionsgleichung lautet somit:

=2 + 0,25X

oder

Umsatz = 2 + 0,25(Gehaltsabrechnung)

Wenn Dumlao Construction im nächsten Jahr eine Gehaltsabrechnung von fünf Komma
fünf Millionen (5,5 Millionen) haben möchte, beträgt ein geschätzter Umsatz für Dumlao
Construction:

Umsatz (100.000€) = 2 + 0,25(Lohn- und Gehaltsabrechnung)

= 2 + 0.25(5.5)

= 2 + 1.375

= 3.375

Vertrieb = ₱337, 500.00

NAME: __________________________________________DATUM:_________________

ABSCHNITT/ZEIT/
TAG:_________________________RAUM:_____________BEWERTUNG________
 Übung 15

1. Verwenden Sie quantitative Methoden für die unten gezeigten Daten:

Zeitraum 1 2 3 4 5 6 7
Beobachtun 24 34 36 37 41 44 45
g

a. Berechnen für:

i. Naive Methode

ii. Gleitender Drei-Perioden-Durchschnitt

iii. Gewichteter gleitender Drei-Perioden-Durchschnitt

iv. Gleitender Vier-Perioden-Durchschnitt

v. Gewichteter gleitender Vier-Perioden-Durchschnitt

b. Zeichnen Sie die ursprünglichen Zeitreihen auf und kommentieren Sie die Angemessenheit
eines linearen Trends.

2. Angenommen, die Universität des Westens hatte die folgenden Daten über ihr Wachstum der
Einschreibung von 2016-2014.
 Jahr Einschreibung
2006 3000
2007 3200
2008 3600
2009 3650
2010 4000
2011 4200
2012 4300
2013 4410
2014 4520
a. Prognostizieren Sie die Einschreibung für 2015 anhand einer Dreijahresprognose für den
gewichteten gleitenden Durchschnitt.

b. Prognostizieren Sie die Einschreibung für 2015 mit glattem +/- = 0,30.

c. Lösen Sie den Prognosefehler mit MAD bei +/- 0,10

d. Verwenden Sie den gewichteten gleitenden Vierjahresdurchschnitt von 2006-2015

3. In der Saison 2013/2014 der Philippines Basketball Association (PBA) war San Mig James
Yap mit durchschnittlich 33 Punkten pro Spiel der Torschützenkönig. Die folgenden Daten
zeigen den Durchschnitt der Punkte pro Spiel für den Torschützen von der Saison 2008-2009
bis zur Saison 2013-2014.

Saison Durchschnitt
2008-2009 25
2009-2010 35
2010-2011 29
2011-2012 34
2012-2013 35
2013-2014 33

a. Verwenden Sie die exponentielle Glättung, um diese Zeitreihe vorherzusagen.

Berücksichtigen Sie die Glättungskonstante von +/- = 0,20 und +/- = 0,30. Welcher Wert der
Glättungskonstante liefert die beste Prognose/

b. Wie ist die Prognose des führenden Scoring-Durchschnitts für die Saison 2014-2015?

c. Zeichnen Sie die Prognose bei 0.30 auf.

4. Füllen Sie den freien Teil in der Tabelle aus. Einige Daten sind bereits wie folgt angegeben:

Vier Wochen Vierwöchiger

Vertrieb Gleitender gewichteter gleitender
Woche (₱1,000) Durchschnitt Durchschnitt
1 23
2 36
3 45
4 46 - -
5 55 - -
6 64 - -
7 55 - -
8 58 - -
9 66 - -
10 65 - -
11 48 - -
12 67 - -
13 58
14 68
5. Verwenden Sie die exponentielle Glättung mit +/- zwischen 0,10 und 0,30, um die Prognose
für die folgende Zeitreihe einen Zeitraum im Voraus zu erhalten.

Verwenden Sie den Anfangswert für F 1 = 200 und ermitteln Sie, welcher Wert von + der beste
ist.

Zeitraum Nachfrage Prognose

1 250 200
2 265 -
3 300 -
4 350 -
5 250 -
6 350 -
7 265 -
8 390 -
9 350 -
10 400 -
11 470 -
 6. ANVICOROSE Bauverträge für einen Zeitraum von 12 Monaten sind (in Millionen Pesos) wie
folgt dargestellt:

1 2 3 4 5 6 7 8 9 10 11 12

35M 27M 37M 41M 45M 38M 44M 42M 39M 43M 39M 40M

a. Vergleichen Sie eine gleitende 4-Monats-Durchschnittsprognose mit einer

exponentiellen Glättungsprognose mit +/- 0,30. Welche der beiden bietet bessere
Prognosen?
b. Wie ist die Prognose für den nächsten Monat?
c. Zeichnen Sie die Originaldaten und den gleitenden Viermonatsdurchschnitt im gleichen
Diagramm auf.
d. Zeichnen Sie die Originaldaten und die Glättungsprognose im gleichen Diagramm auf.
e. Berechnen Sie MAD und MSE.
7. Das ALCOR Kaufhaus hat jeden Monat die folgende Anzahl von Kundenbeschwerden
registriert.

Monat Beschwerden
Januar 60
Februar 48
März 55
April 50
Mai 55
a. Berechnen Sie einen gewichteten gleitenden Dreimonatsdurchschnitt.
b. Bereiten Sie die Prognose für Juni, Juli und August vor.
8. Gegeben: Benzinverkäufe (Zeitreihen) von PETRON (wöchentlich)

Woche Verkauf (Gallonen)

1 13,000
2 18,000
3 19,000
4 16,000
5 17,000
6 15,000
7 14,000
8 19,000
9 20,000
10 16,500
11 17,500
12 20,000

a. Berechnen Sie den gleitenden Drei-Wochen- und Vier-Wochen-Durchschnitt für die

Zeitreihe.
b. Berechnen Sie den MAD für drei- und vierwöchige gleitende Durchschnittsprognosen.
c. Was scheint die beste Anzahl von Wochen vergangener Daten zu sein, die für die
Berechnung des gleitenden Durchschnitts verwendet werden?
d. Berechnen Sie den prozentualen Fehler und die MAPE.
9. Verwenden Sie die exponentielle Glättung mit ⊲ = 0,40 und einem Anfangswert von F 1 = 50
für die folgenden Zeitreihen.

Monat Nachfrage
Januar 60
Februar 70
März 55
April 60
Mai 45
Juni 60
Juli 65
Berechnen Sie Folgendes:

a. Prozentfehler
b. MAPE
c. Absoluter Genauigkeits-Prozentsatz
d. Rechengenauigkeit
10. Das Kaufhaus JAVILL ist seit fünf Jahren Vertragshändler für Flachbildfernseher. Die
Anzahl der verkauften Flachbildfernseher pro Jahr ist in der Tabelle aufgeführt.

Jahr Anzahl der

verkauften
Flachbildfernseher
1 40

2 25

3 35

4 39

5 43

a. Graphen Sie diese Zeitreihe. Tritt ein linearer Trend auf?

b. Entwickeln Sie eine Gleichung für die lineare Trendkomponente der Zeitreihe.
c. Verwenden Sie die entwickelte Trendgleichung aus (b), um sich auf den Umsatz in
einem Jahr 5 und Jahr 6 vorzubereiten.
11. Das ABAN Siomai House hat sechs Niederlassungen in Caloocan City. Gewinn und Umsatz
sind in Tabelle dargestellt. Entwickeln Sie die Regressionsgleichung aus den Daten und
prognostizieren Sie den Gewinn für ein Geschäft, wenn der Verkauf 25.000 € beträgt.

Niederlassung 1 2 3 4 5 6
en
Umsatz (1.000) 12 15 16 18 14 17
Gewinne 7 9 10 12 10 13
(1.000)
Forecasting

FALLSTUDIE

RC ANIMAL PARK CORPORATION

Die schlechte Wirtschaft des Jahres 2009 führte zur endgültigen Schließung des Manila Zoo.
Die Verwaltung der Stadt Manila beschloss, die RC Animal Park Corporation mit dem Betrieb
des Manila Zoo zu beauftragen.

Die RC Animal Park Corporation erkannte, dass es ein Muss ist, das Image des Zoos als
guten Ort für Besucher zu erhalten, um sich zu entspannen und Zeit mit ihren Familien zu
verbringen. Um ihr Ziel zu erreichen, müssen sie sicherstellen, dass der Ort sauber ist. Das
Unternehmen fügte auch mehr Tiere, Vögel und Reptilien hinzu, um mehr Besucher
anzuziehen. Sie führten auch neue Aktivitäten und Spiele ein. Die Bemühungen des
Unternehmens scheinen zu funktionieren, da die Besucherzahl von 70.000 im Jahr 2009 auf ein
Allzeithoch von 165.000 im Jahr 2013 gestiegen ist, wie aus der folgenden Tabelle hervorgeht.

Teilnahme im Zoo von Manila ab 2009-2014

Jahr Anwesenheit
2014 157,800
2013 165,000
2012 120,250
2011 87,600
2010 75,800
2009 70,000

Diskussionsfragen

1. Können Sie auf der Grundlage der oben genannten Daten die Teilnahme für 2015 bis 2020
vorhersagen?

2. Welche Prognosetechnik ist am besten geeignet, um die Teilnahme von 2015 bis 2020 zu
prognostizieren? Warum?
 MS EXCEL-ANWENDUNGEN
IN FORECASTING
Beispiel 1.

Nachfolgend sind die Arbeitslosenquoten und die entsprechenden Verkäufe aufgeführt, die die Vi-
An-Merchandise in den letzten 10 Jahren verzeichnet hat. Für die Nummern 1 bis 4 prognostizieren Sie
die Arbeitslosenquote im nächsten Jahr mit den unten angegebenen Techniken und für Nummer 6
prognostizieren Sie den Umsatz für die nächsten drei Jahre.

Umsatz
Jahr Zeit Satz (%) (%) 1. Naiver Mehod
2000 1 7.2 20,000 2. Sechs Jahre gleitender Durchschnitt
2001 2 4 41,000 3. Drei Jahre gleitender Durchschnitt mit Gewichten 1,4,3
2002 3 7.3 17,000 4. Einfache exponentielle Glättung, = 40%
5. Lineare Trendprognose der Arbeitslosenquote (gilt für die
2003 4 5.5 35,000 nächsten drei Jahre)
6. Prognostizieren Sie den Umsatz für die nächsten drei Jahre
anhand der Linienregression auf der Grundlage der
2004 5 6.8 35,000 prognostizierten Arbeitslosenquoten in Nummer 5.
7. Zeichnen Sie die beiden Streudiagramme mit Trendlinie
2005 6 6 31,000 und Regressionslinie.
2006 7 5.4 38,000
2007 8 3.6 50,000
2008 9 8.4 15,000
2009 10 7 19,000

In der Tabelle kodieren Sie die Zeit (Perioden) in Spalte B, die Rate (%) in Spalte C und den Umsatz (P)
in Spalte F. Konstruieren Sie die Tabelle für F, in Spalte D und Fehler oder ( F t – Rate) in Spalte E, die bei
der Prognose der Inflationsrate durch einfache exponentielle Glättungsmethode verwendet wird. Die
folgende Excel-Formel wird verwendet, um Berechnungen der prognostizierten Rate vorzuschlagen:

1. Naive Methode, D15 F t = C13 7%, da der letzte Spalteneintrag der tatsächlichen
Inflationsraten in C13 liegt.
2. Sechs Perioden gleitender Durchschnitt, D16 Ft = Durchschnitt (C8:C13) 6,2 %, wobei die
hervorgehobenen C8 bis C13 die Einträge der sechs jüngsten Inflationsraten sind.
 3. Gleitender Durchschnitt mit Gewichten 1, 4, 3, die den Inflationsraten in den drei letzten
Perioden zugeordnet sind, in Zelle D17 Typ =, Typ (1* Klick C11, die 3. letzte Periode + 4* Klick
C12, die 2. letzte Periode + 3* Klick C13, die letzte Periode, dann Typ), dann Typ /(Geteilt durch) 8
Ft = (1*C11 + 4*C12 + 7,275%, wobei der Nenner 8 die Summe der Gewichte ist. (Siehe Bilder 1,
2, 3).

Bild 1

Bild 2
4. Für die einfache exponentielle Glättungsmethode vervollständigen wir die Spalten D und E mit den
folgenden Schritten:

D4 und E4 sind leer, da es keine Grundlage für die Prognose der verfügbaren Ist-Daten der ersten
Periode gibt

a. D5 Ft = C4, da die Grundlage der Prognose die verfügbare tatsächliche Rate der ersten
Periode in Zelle C4 ist.
b. E5 Fehler = C5 – D5 aus der verfügbaren Ist-Rate des 2. Zeitraums in C5 abzüglich des
entsprechenden Prognosewerts in D5.
c. Ziehen Sie diesen Eintrag von den Zellreferenzen E5 bis E13 nach unten, um die Spalteneinträge
zu vervollständigen.
d. D6 Ft = D5 + 0,4*E5 von der vorherigen Prognoserate in D5 plus Alpha, 40% mal der vorherige
Fehler in der Prognose in Zelle E5.
e. Ziehen Sie diesen Eintrag von den Zellreferenzen D6 bis D14 nach unten, um die Spalteneinträge
zu vervollständigen. Der Eintrag in Zelle D14 6.62% stellt den Prognosewert im Jahr 2010 dar
(Siehe Bild 2).

5. Für die lineare Trendprojektion können wir die Gleichung der Trendlinie erhalten, indem wir die
Steigung und den y-Achsenabschnitt mit der folgenden Excel-Formel berechnen:

D20 ist Steigung, b = STEIGUNG (C4:C13, B4:B13), wobei die Inflationsrate, R, das Array Y von C4 bis
C13 ist und die Zeit das Array X von Zellen B4 bis B13 ist.
D21 ist y-Achse, a = Achse (C4:C13, B4:B13)

Um die Inflationsraten, R, für die Jahre 2010 bis 2012 zu prognostizieren, verwenden wir die
Gleichung des linearen Trends in Zelle D22 Ft = R = 5.806667 + 0.05698 *(t) und ersetzen, t = 11,
12 und 13 für die Zeit in Zelle B25 Ft = R = 5.80667+0.05698 (11) 6.43% B26 Ft = R = 5.806667 +
0.05698 (12) 6.43% B27 Ft = R = 5.806667 + 5.806667 (13) 6.43% oder verwenden die Excel-
Formelprognose, wobei die Positionen der Raten in Zelle C4 bis C13 für Array Y und die Zeit in Zellen
B4 bis B13 für Array X festgelegt werden, aber nur die erste Anforderung X ersetzt wird, die die Zeit
11, 12 und 13 ist, wie in Abbildung 3 und 4 gezeigt.

E25 Ft = R = PROGNOSE (11, $C$ 4: $C$ 13, $B$ 4:$B$ 13)

E26 Ft =R = PROGNOSE (12, $C$ 4: $C$ 13, $B$ 4:$B$ 13)

E27 Ft =R = PROGNOSE (12, $C$ 4: $C$ 13, $B$ 4:$B$ 13)

Bild 1
Bild 2
 Für die lineare Regressionsmethode erhalten wir zunächst die Gleichung der Regressionslinie, indem
wir die Steigung und den y-Achsenabschnitt unter Verwendung der Excel-Formeln SLOPE (Array y, Array
x) und INTERCEPT (Array y, Array x) berechnen, wobei die Verkäufe in Spalte F das Array Y und die Raten
in Spalte C das Array X sind, wie in den Abbildungen 5 und 6 gezeigt. Daher lautet die lineare
Regressionsgleichung Umsatz = 74.127,67 - 7.194,06 (Kurs) und die Umsätze für die nächsten drei Jahre
auf der Grundlage der prognostizierten Inflationsraten in den Zellen E27 bis E29 lauten wie folgt:

a. Für 2010 ist E34 = PROGNOSE (E27, $F$ 4:$F$ 13, $C$ 4:$C$ 13)

b. Für 2011 ist E35 = PROGNOSE (E28, $F$ 4:$F$ 13, $C$ 4:$C$ 13)

c. Für 2012 ist E36 = PROGNOSE (E36, $F$ 4:$F$ 13, $C$ 4:$C$ 13)

₱27,025.21

Bild 5
Bild 6

6. a. Streudiagramm für Zeit vs. Arbeitslosenquote mit Trendlinie

To do: Markieren Sie die Arrays für Zeit und Rate. Klicken Sie auf Diagramm-Assistent.
Wählen Sie Streudiagramm. Klicken Sie mit der rechten Maustaste auf einen der
gezeichneten Punkte. Wählen Sie Trendlinie hinzufügen + Linear.

Rate (Y-axis)
9
8.4
8
7 7.2 7.3 7
6.8
6
5.5 5.4
5
4 4
3.6
3
2
1
0
0 2 4 6 8 10 12
Year (X-axis)
b. Streudiagramm Arbeitslosenquote vs. Umsatz mit Regressionsgerade

To do: Markieren Sie die Arrays für Rate und Sales. Klicken Sie auf Diagramm-Assistent. Wählen Sie das
Streudiagramm. Klicken Sie mit der rechten Maustaste auf einen der gezeichneten Punkte. Wählen Sie
Trendlinie hinzufügen + Linear.

(Sales)
60,000

50,000

40,000

30,000

20,000

10,000

0
0.05 1.05 2.05 3.05 4.05 5.05 6.05 7.05 8.05 9.05
(Unemployment Rates)
Forecasting

FALLSTUDIE

RC ANIMAL PARK CORPORATION

Die schlechte Wirtschaft des Jahres 2009 führte zur endgültigen Schließung des Manila Zoo. Die
Verwaltung der Stadt Manila beschloss, die RC Animal Park Corporation mit dem Betrieb des Manila Zoo
zu beauftragen.

Die RC Animal Park Corporation erkannte, dass es ein Muss ist, das Image des Zoos als guten Ort
für Besucher zu erhalten, um sich zu entspannen und Zeit mit ihren Familien zu verbringen. Um ihr Ziel
zu erreichen, müssen sie sicherstellen, dass die Unterkunft sauber ist. Das Unternehmen fügte auch
mehr Tiere, Vögel und Reptilien hinzu, um mehr Besucher anzuziehen. Sie führten auch neue Aktivitäten
und Spiele ein. Die Bemühungen des Unternehmens scheinen zu funktionieren, da die Besucherzahl von
70.000 im Jahr 2009 auf ein Allzeithoch von 165.000 im Jahr 2013 gestiegen ist, wie aus der folgenden
Tabelle hervorgeht:

Tabelle 5.1

Teilnahme im Zoo von Manila ab 2009-2014

Jahr Anwesenheit
2014 157,800
2013 165,00
2012 120,250
2011 87,600
2010 75,800
2009 70,000

Diskussionsfragen

1. Können Sie auf der Grundlage der oben genannten Daten die Teilnahme für 2015 bis 2020
vorhersagen?

2. Welche Prognosetechnik ist am besten geeignet, um die Teilnahme von 2015 bis 2020 zu
prognostizieren? Warum?