Advertisement

Konkurrierende Prognoseverfahren für die Lagerhaltung

  • Ulrich KüstersEmail author
  • Ekaterina Nieberle
  • Jan Speckenbach
Chapter
  • 16k Downloads

Zusammenfassung

Die Erstellung von Prognosen im Bereich der Lagerhaltung ist ein wichtiger Bestandteil des Wertschöpfungsprozesses für Industrie und Handel. Prognoseverfahren dienen im Rahmen der Disposition vor allem zur Sicherstellung einer optimalen Versorgung, da die Entscheidungen auf Basis suboptimaler Prognosemethoden zu vermeidbaren Kosten führen. Die ermittelten Vorhersagen für Rohstoffe, fertige Erzeugnisse und Ersatzteile bilden eine Grundlage für die Produktionsplanung und Ersatzteilbevorratung. Für die Disposition ist eine genaue und rechtzeitige Vorhersage der Beschaffungsmengen und -zeitpunkte erforderlich. Zu hohe Lagerbestände bewirken u.a. hohe Lagerhaltungs- und Kapitalbindungskosten.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. Abraham, B. und Ledolter, J. (2005). Statistical methods lor lorecasting. Hoboken, NJ: Wiley-Interscience. Google Scholar
  2. Akaike, H. (1974). A new look at the statistical model identification. IEEE 'I'ransactions on Automatie Control 3(6), 716–723.CrossRefGoogle Scholar
  3. Armstrong, J. S. (2001). Combining forecasts. In: J. S. Armstrong (Hrsg.), Prineiples 01 lorec.asting. Boston, MA: Kluwer Academic, 417–440.Google Scholar
  4. Armstrong, J. S. und Collopy, F. (1992). Error meaaures for generalizing about forecasting methods: Empirical comparisons. International Journal 01 Forecasting 8(1), 69–1lO.Google Scholar
  5. Banerjee, A., Dolado, J., Galbralth, J. W. und Hendry, D. F. (1993). Co-integrntion, er rar correction, and the econometric analysis 0/ non-stationary data . Oxford: Oxford U niversity Press. Google Scholar
  6. Becker, C. (2006). Die Re-Analyse von Monitor-Schwellenwerten und die Entwicklung ARIMA-basierter Monitore für die exponentielle Glättung. Aachen: Shaker.Google Scholar
  7. Bell, M. (2003). Metrische Regressoren in exponentiellen Glättungsmodellen. Lohmar: Eu!.Google Scholar
  8. Box, G. E. P., Jenkins, G. M. und Reinsei, G. C. (2008). Time series analysis: Forecasting and contral (4. Aufi.). Hoboken, NJ: John Wiley.Google Scholar
  9. Brown, R. G. (1959). Statistical Forecasting lor Inventory Contra/. New York, NY: McGrawHili.Google Scholar
  10. Burnharn, K. P. und Anderson, D. R. (2010). Model seleetion and multi-model inlerence: A praetical inlormation-theoretie approach (2. Aufi.). New York, NY: Springer.Google Scholar
  11. Chatfield, C. (1993). Calcu!ating interval forecasts. Journal 01 Business (3 Economic Statisties 11 (2), 121–135.Google Scholar
  12. Chatfield, C. und Koehler, A. B. (1991). On confusing lead time demand with h-period-ahead forecasts. International Journal 01 Forecasting 7(2), 239–240.Google Scholar
  13. Chatfield, C. und Yar, M. (1991). Prediction intervals for multiplicative Holt-Winters. International Journal 01 Forecasting 7(1), 31–37.CrossRefGoogle Scholar
  14. Chernick, M. R. (2008). Bootstrap methods: A guide lor praetitioners and researchers (2. AulI.). Hoboken, NJ: Wiley-Interscience.Google Scholar
  15. Churchman, C. W., Ackoff, R. L., Arnoff, E. L., Ferschl, F. und Schlecht, E. (1971). Operati ons research: Eine Einführung in die UntemehmungsjoTschung . Miinchen: Oldenbourg. Google Scholar
  16. Diebold, F. X. (2004). Elements ollorecasting (3. Aufl.). Mason, Ohio: ThomsonjSouthWestern.Google Scholar
  17. Dunean, G. T., GOIT, W. L. und Szczypula, J. (2001). Forecasting analogous time series. In: J. S. Armstrong (Hrsg.), Prineiples ollorecosting. Boston, MA: Kluwer Academic, 193–213.Google Scholar
  18. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals 01 Statisties 7(1), 1–26.CrossRefGoogle Scholar
  19. Gardner, E. S. (1985). Exponentia! smoothing: The state of the art. Journal 01 Forecasting 4 (1), 1–28.Google Scholar
  20. Gardner, E. S. (1988). A simple method of computing prediction intervals far time series forecasts. Management Seience 34(4), 541–546.Google Scholar
  21. Gardner, E. S. und McKenzie, E. (1988). Model identification in exponential smoothing. The Journal 01 the Opemtional Research Society 39(9), 863–867.CrossRefGoogle Scholar
  22. Gardner, E. S. und MeKenzie, E. (1989). Seasona! exponentia! smoothing with daroped trends. Management Seience 35(3), 372–376.Google Scholar
  23. Harvey, A. C. (1989). Forecasting, strueturol time series models, and the Kalman filter. Cambridge and New York, NY: Cambridge University Press.Google Scholar
  24. Hibon, M. (1984). Naive, moving average, exponential smoothing, and regression methods. In: S. G. Makridakis (Hrsg.), The Forecasting accuraey 01 major time series methods. Chichester and New York, NY: Wiley, 239–244.Google Scholar
  25. Holt, C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal 01 Forecasting 3(1), 5–10.CrossRefGoogle Scholar
  26. Hurvich, C. M. und Tsai, C.-L. (1989). Regression and time series model selection in small sampies. Biometrika 76(2), 297–307.CrossRefGoogle Scholar
  27. Hyndman, R. J. und Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal 01 Forecasting 22(4), 679–688.CrossRefGoogle Scholar
  28. Hyndman, R. J., Koehler, A. B., Ord, J. K. und Snyder, R. D. (2005). Prediction intervals for exponential smoothing using two new classes of state spare models. Journal 0/ Forecasting 24(1), 17–37.CrossRefGoogle Scholar
  29. Hyndman, R. J., Koehler, A. B., Ord, J. K. und Snyder, R. D. (2008). Forecasting with exponential smoothing: The state spare approach . Berlin: Springer. CrossRefGoogle Scholar
  30. Hyndman, R. J., Koehler, A. B., Snyder, R. D. und GrOBe, S. (2002). Astate space fraroework for automatie forecasting using exponentia! smoothing methods. International Journal 01 Forecasting 18(3), 439–454.Google Scholar
  31. Koehler, A. B. (1990). An inappropriate prediction interval. International Journal 01 Forecasting 6(4),557–558.CrossRefGoogle Scholar
  32. Küsters, U. (1996). Subjektive Interventionen und Prozessänderungsdiagnostik in bayesianisehen Prognosemodellen . Wolnzach: Kastner. Google Scholar
  33. Küsters, U. (2012). Evaluation, Kombination und Auswahl betriebswirtschaftlicher Prognoseverfahren. In: P. Mertens und S. Rässler (Hrsg.), Prognoserechnung . Heidelberg: Physica, 423–467.Google Scholar
  34. Küsters, U. und Bell, M. (1999). The lorecast report: A comparative survey 01 commercial lorecasting systems. Höhenkirchen and Brookline, MA: IT Research.Google Scholar
  35. Küsters, U. und Bell, M. (2001). Zeitreihenana!yse und Prognoseverfahren: Ein methodischer Überblick über klassische Ansätze. In: H. Hippner, U. Küsters, M. Meyer und K. Wilde (Hrsg.), Handbuch Data Mining im Marketing. Wiesbaden: Vieweg, 255–297.Google Scholar
  36. Küsters, U., McCullough, B. D. und Bell, M. (2006). Forecasting software: Past, present and future. International Journal 01 Forecasting 22(3), 599–615.CrossRefGoogle Scholar
  37. Küsters, U., Scharffenberger, U. und Steffen, J. P. (1996). Outtier diagnostics in ARMAX models. In: F. Faulbaum und W. Bandilla (Hrsg.), Advances in statistical software 5. Stuttgart: Lucius & Lucius, 569–579.Google Scholar
  38. Küsters, U. und Speckenbach, J. (2012). Prognose sporadischer Nachfragen. In: P. Mertena und S. Rässler (Hrsg.), Prognoserechnung. Heidelberg: Physica, 75–108.Google Scholar
  39. Küsters, U., Thyson, J. und Büchl, C. (2012). Monitoring von Prognoseverfahren. In: P. Mertens und S. Rässler (Hrsg.), Prognoserechnung. Heidelberg: Physica, 383–467.Google Scholar
  40. Küsters, U. und Vogt, O. (2004). Multivariate exponentielle Glättung: Ein Fallbeispiel mit zeitreihenübergreifenden Komponenten. In: R. Metz, M. Lösch und K. Edel (Rrsg.), Zeitreihenanalyse in der empirischen Wirlschaftsforschung . Stuttgart: Lucius & Lucius, 101–123.Google Scholar
  41. Makridakis, S. G. und Hibon, M. (1991). Exponential smoothing: The effect of initial values and loss functions on post-sample forecasting accuracy. International Journal oi Forecasting 7(3),317–330.CrossRefGoogle Scholar
  42. Makridakis, S. G. und Hibon, M. (2000). The M3-Competition: results, conclusions and implications. International Journal 01 Forecasting 16(4),451–476.Google Scholar
  43. Makridakis, S. G., Wheelwright, S. C. und Hyndman, R. J. (1998). Forecasting: Method and applications (3. Aufl.). New York, NY: John Wiley & Sons.Google Scholar
  44. Muckstadt, J. A. und Sapra, A. (2010). Principles 0/ inventory management: When you am down to Jour, order more . New York, NY: Springer. Google Scholar
  45. Newbold, P. und Bos, T. (1989). On exponential smoothing and the assumption of deterministic trend plus white noise data-generating models. International Journal 0/ Fore casting 5(4), 523–527.Google Scholar
  46. Newbold, P. und Bos, T. (1994). Introductory business f3 economic forecasting (2. AufI.). Cincinnati, Ohio: South-Western Pub. Google Scholar
  47. Ord, J. K. , Koehler, A. B. und Snyder, R. D. (1997). Estimation and prediction for a class of dynamic nonlinear statistical models. Journal 0/ the American Statistical Associati on 92(440), 1621–1629.Google Scholar
  48. Pegels, C. C. (1969). Exponential forecasting: Some new variations. Management Seience 15(5), 311–1115.Google Scholar
  49. Scholze, S. (2010). Kurzfristige Prognose von Tageszeitreihen mit Kalendereffekten. Lohmar: Eul.Google Scholar
  50. Schuh, R. (2012). Einführung in die Prognose saisonaler Zeitreihen mithilfe exponentieller Glättungstechniken und Vergleich der Verfahren von Holt/Winters und Harrison. In: P. Mertens und S. Rässler (Hrsg.), Prognoserechnung. Heidelberg: Physica, 47–74.Google Scholar
  51. Tashman, L. J. (2000). Out-of-sample tests offorecasting accuracy: an analysis and review. International Journal 01 Forecasting 16,437–450.Google Scholar
  52. Tempehneier, H. (2008). Material-Logistik: Modelle und Algorithmen für die Produktions planung und -steuerung in Advanced Planning-Systemen (7. Aufl.). Berlin: Springer. Google Scholar
  53. Tempehneier, H. (2012). Bestandsmanagement in Supply Chains (4. Aufl.). Norderstedt: Books on Demand. Google Scholar
  54. Vogt, O. (2006). Prognosen in Produkthierarchien. Lohmar: Eul.Google Scholar
  55. Winters, R. S. (1960). Forecasting sales by exponentially weighted moving averages. Management Science 6, 324–342.CrossRefGoogle Scholar
  56. Wintz, T. (2010). Neuproduktprognose mit Wachstumslrurvenmodellen. Lohmar: Eul.Google Scholar
  57. Yar, M. und Chatfield, C. (1990). Prediction intervals for the Holt-Winters forecasting procedure. International Journal 01 Forecasting 6(1), 127–137.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  • Ulrich Küsters
    • 1
    Email author
  • Ekaterina Nieberle
    • 2
  • Jan Speckenbach
    • 2
  1. 1.Lehrstuhl für Statistik und Quantitative Methoden der Wirtschaftswissenschaften, Wirtschaftswissenschaftliche Fakultät IngolstadtKatholische Universität EichstättEichstättDeutschland
  2. 2.Lehrstuhl für Statistik und Quantitative Methoden der Wirtschaftswissenschaften, Wirtschaftswissenschaftliche Fakultät IngolstadtKatholische Universität EichstättEichstättDeutschland

Personalised recommendations