English, Article edition: Ansätze einer Algorithmischen Anwendung Quantititiver Verfahren zur Effizienten Bedarfsprognose von Vorprodukten. Erste Ergebnisse Einer Empirischen Untersuchung Thomas Cleff; Kirsten Wust

User activity

Share to:
 
Bookmark: http://trove.nla.gov.au/version/25213
Physical Description
  • article
Language
  • English

Edition details

Title
  • Ansätze einer Algorithmischen Anwendung Quantititiver Verfahren zur Effizienten Bedarfsprognose von Vorprodukten. Erste Ergebnisse Einer Empirischen Untersuchung
Author
  • Thomas Cleff
  • Kirsten Wust
Physical Description
  • article
Notes
  • Zufällig schwankende Nachfragen nach Vorprodukten bzw. Teilen und Komponenten machen die Verwendung von stochastischen Modellen der Lagerhaltung notwendig. Das vorliegende Papier beschreibt einen standardisierten algorithmischen Ansatz, mit dem der Verbrauch von Vorprodukten für die Zeiträume von drei, sechs oder zwölf Monaten mit Hilfe zeitreihenökonometrischer Verfahren prognostiziert werden kann. Im Rahmen dieses Ansatzes werden für jede Vorproduktgruppe die unterschiedlichsten quantitativen Prognosetechniken angewendet. Zu den Techniken zählen unter anderem AR-, MA-, ARMA-, ARIMA- und strukturelle Regressionsmodelle. Durch algorithmisches Vorgehen wird aufgrund von Gütekriterien (z. B. die Prognosefähigkeit in einem Testdatensatz) ein optimales Prognosemodell ermittelt, das für die Prognose des Bedarfs verwendet wird. Für alle gewählten Prognosezeiträume erwies sich das ARMA-Modell der d-differenzierten Zeitreihe als bestes Prognosemodell, gefolgt von einfachen Moving Average und ARIMA-Modellen. Die Bedeutung autoregressiver Verfahren nimmt aber mit der Länge des Prognosezeitraumes ab. Strukturelle Ansätze erweisen sich allerdings fast nie als beste Prognosemodelle, auch wenn deren Bedeutung mit der Länge des Prognosezeitraumes zunimmt. Der algorithmische Ansatz ermöglicht für einen erheblichen Teil (rund 60 Prozent) der Vorprodukte eine gute Prognosequalität. Die Güte der Prognose verbesserte sich, je seltener Zeiträume mit fehlender Nachfrage auftreten. Bei Beachtung ausgearbeiteter Voraussetzungen, dürfte diese algorithmische – und daher einfach durch den Computer zu ermittelnde – Vorgehensweise, die praktische Aufgabe der Prognose von Lagerabflüssen für einen erheblichen Teil von Vorprodukten bzw. Teilen und Komponenten vereinfachen.
  • Inventory Management, Forecasting, Material Requirement Planning, Time Series
  • RePEc:osi:scispf:v:29:y:2008:p:95-113
Language
  • English
Contributed by
OAIster

Get this edition

Other links

  • Set up My libraries

    How do I set up "My libraries"?

    In order to set up a list of libraries that you have access to, you must first login or sign up. Then set up a personal list of libraries from your profile page by clicking on your user name at the top right of any screen.

  • All (1)
  • Unknown (1)
None of your libraries hold this item.
None of your libraries hold this item.
None of your libraries hold this item.
None of your libraries hold this item.
None of your libraries hold this item.
None of your libraries hold this item.
None of your libraries hold this item.
None of your libraries hold this item.

User activity


e.g. test cricket, Perth (WA), "Parkes, Henry"

Separate different tags with a comma. To include a comma in your tag, surround the tag with double quotes.

Be the first to add a tag for this edition

Be the first to add this to a list

Comments and reviews

What are comments? Add a comment

No user comments or reviews for this version

Add a comment