Szenarioanalyse als Prognoseinstrument mit einem Beispiel zur Kundenbindung

Chapter
Part of the FOM-Edition book series (FOMEDITION)

Zusammenfassung

Die Daten der Vergangenheit – und insbesondere deren Trend sowie die Schwankungen – können wichtige Hinweise zur zukünftigen Entwicklung liefern. Über computerintensive Resampling-Verfahren kann auf dieser Basis die Prognoseverteilung generiert und unterschiedliche Szenarien können simuliert werden.

Die Möglichkeiten dieser Methode werden an einem Beispiel zur Kundenbindung demonstriert. Neben den anwendungsbezogenen und statistischen Grundlagen werden auch Hinweise zur Umsetzung mit R gegeben.

Literatur

  1. Altobelli, C. F. (2007). Marktforschung. Stuttgart: UTB.Google Scholar
  2. Berekoven, L., Eckert, W., & Ellenrieder, P. (2001). Marktforschung, Methodische Grundlagen und praktische Anwendung (9. Aufl.). S. 258–268). Wiesbaden: Gabler.Google Scholar
  3. Britton, E., Fisher, P. G., & Whitley, J. D. (1998). The Inflation Report projections: understanding the fan chart. Bank of England Quarterly Bulletin, 38, 30–37.Google Scholar
  4. Bühlmann, P. (1997). Sieve bootstrap for time series. Bernoulli, 3(2), 123–148.CrossRefGoogle Scholar
  5. Bühlmann, P. (2002). Bootstraps for Time Series. Statistical Science, 17(1), 52–72.CrossRefGoogle Scholar
  6. Canty, A.; Ripley, B. (2013): boot: Bootstrap R (S-Plus) Functions. R package version 1.3-9.Google Scholar
  7. Chatfield, C. (2001). Prediction intervals for time-series forecasting. In Principles of Forecasting (S. 475–494). New York: Springer.CrossRefGoogle Scholar
  8. Chatfield, C., & Yar, M. (1998). Holt-Winters Forecasting: Some Practical Issues. The Statistician, 37(2), 129–140.CrossRefGoogle Scholar
  9. Cottin, C., & Döhler, S. (2009). Risikoanalyse. Wiesbaden: Vieweg+Teubner.CrossRefGoogle Scholar
  10. Cowpertwait, P. S. P., & Metcalfe, A. V. (2009). Introductory Time Series with R. New York.: Springer.Google Scholar
  11. Dalrymple, D. J. (1987). Sales Forcasting Practices. International Journal of Forecasting, 3, 379–391.CrossRefGoogle Scholar
  12. Davison, A. C., & Hinkley, D. V. (1997). Bootstrap Methods and Their Applications. Cambridge: Cambridge University Press.CrossRefGoogle Scholar
  13. Efron, B. (1979). Bootstrap Methods: Another look at the Jackknife. The Annals of Statistics, 7(1), 1–26.CrossRefGoogle Scholar
  14. Efron, B. (1987). Better Bootstrap Confidence Intervals. Journal of the American Statistical Association, 82(397), 171–185.CrossRefGoogle Scholar
  15. Glusac, N. (2005). Der Einfluss von Bonusprogrammen auf das Kaufverhalten und die Kundenbindung von Konsumenten – Eine theoretische und empirische Analyse. Wiesbaden: Gabler.CrossRefGoogle Scholar
  16. Holt, C. C. (1957). Forecasting trends and seasonals by exponentially weighted moving averages. ONR Research Memorandum, Bd. 52. Ballston: Carnegie Institute of Technology.Google Scholar
  17. Hyndman, R. J.mit Beiträgen von Athanasopoulos, G., Razbash, S., Schmidt, D., Zhou, Z., Khan, Y., Bergmeir, C., & Wang, E. (2013). forecast: Forecasting functions for time series and linear models. R package version 4.8. http://CRAN.R-project.org/package=forecast Google Scholar
  18. Hyndman, R. J., Koehler, A. B., Snyder, R. D., & Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18, 439–454.CrossRefGoogle Scholar
  19. Kuensch, H. R. (1989). The Jackknife and the Bootstrap for General Stationary Observations. The Annals of Statistics, 17, 1217–1241.CrossRefGoogle Scholar
  20. Lauer, T. (2004). Bonusprogramme – Rabattsysteme für Kunden erfolgreich gestalten. Berlin: Springer.Google Scholar
  21. Lübke, K., & Vogt, M. (2014). Angewandte Wirtschaftsstatistik: Daten und Zufall. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  22. Makridakis, S., Hibon, M., Lusk, E., & Belhadjali, M. (1987). Confindence Intervals. An Empirical Investigation of the Series in the M-Competition. International Journal of Forecasting, 3, 489–508.CrossRefGoogle Scholar
  23. Mentzer, J. T., & Cox, J. E. (1984). Familiarity, application, and performance of sales forecasting techniques. Journal of Forecasting, 3(1), 27–36.CrossRefGoogle Scholar
  24. Morgenstern, T., & Zimmermann, K. (2012). Branchenstudie Tankstellenmarkt Deutschland 2011. Berlin: Scope Credit Ranking.Google Scholar
  25. R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. http://www.R-project.org/ Google Scholar
  26. Spann, M., Soukhoroukova, A., & Skiera, B. (2008). Prognose von Marktentwicklungen anhand virtueller Börsen, in: Herrmann, A, Homburg, C, Klarmann, M. Handbuch Marktforschung (3. Aufl.). S. 791–809). Wiesbaden: Springer.Google Scholar
  27. Tomczak, T., Reinecke, S., & Dittrich, S. (2005). Kundenbindung durch Kundenkarten und -clubs. In M. Bruhn, & C. Homburg (Hrsg.), Handbuch Kundenbindungsmanagement: Strategien und Instrumente für ein erfolgreiches CRM (5. Aufl. S. 275–295). Wiesbaden: Gabler.CrossRefGoogle Scholar
  28. Winklhofer, H., Diamantopoulos, A., & Witt, S. F. (1996). Forecasting practice: a review of the empirical literature and an agenda for future research. International Journal of Forecasting, 12, 193–221.CrossRefGoogle Scholar
  29. Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6, 324–342.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  1. 1.FOM Hochschule für Oekonomie & Management gGmbHDortmundDeutschland
  2. 2.Sales Force Services GmbHSprockhövelDeutschland

Personalised recommendations