Neuronale Netze zur Prognose und Disposition im Handel

Geleitwort

Vorwort

Inhaltsübersicht

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

Symbolverzeichnis

1 Einleitung

1.1 Problemstellung

1.2 Gang der Untersuchung

2 Prognose und Disposition im Handel

2.1 Grundlagen der Warendisposition

2.1.1 Definition und Einordnung der Warendisposition

2.1.2 Warendisposition als Kernprozess des Handels

2.1.3 Dispositions- und Lagerstrukturen im Handel

2.1.4 Funktionsmodell der Warendisposition

2.2 Modelle der Bedarfsrechnung

2.2.1 Determinanten

2.2.1.1 Kennzeichnung des Bedarfs

2.2.1.2 Modellauswahl

2.2.2 Deterministische Modelle

2.2.3 Stochastische Modelle

2.2.3.1 Modelle für stationären Bedarf

2.2.3.2 Modelle für instationären Bedarf

2.3 Modelle der Bestellmengenrechnung

2.3.1 Determinanten

2.3.1.1 Entscheidungsvariablen

2.3.1.2 Kostenparameter

2.3.1.3 Modellauswahl

2.3.2 Deterministische Modelle

2.3.2.1 Modelle für stationär-deterministischen Bedarf

2.3.2.2 Modelle für instationär-deterministischen Bedarf

2.3.3 Stochastische Modelle

2.3.3.1 Modelle für stationär-stochastischen Bedarf

2.3.3.2 Modelle für instationär-stochastischen Bedarf

2.4 Beurteilung von Dispositionsverfahren

2.4.1 Deskriptive Maße der Dispositionsgüte

2.4.2 Zusammenhang von Prognosefehler und Dispositionsgüte

3 Methodische Grundlagen der Prognose

3.1 Determinanten der Prognosemodelle

3.1.1 Merkmale der Prognose

3.1.2 Determinanten von Prognosemodellen

3.1.2.1 Gegenstand der Prognose

3.1.2.2 Formalisierungsgrad der Modellbildung

3.1.2.3 Gestaltung der abhängigen Modellvariablen

3.1.2.4 Gestaltung der unabhängigen Modellvariablen

3.1.3 Auswahl von Prognosemodell und Prognoseverfahren

3.1.3.1 Umfang des Erklärungsmodells

3.1.3.2 Zeitlicher Prognosehorizont

3.1.3.3 Verfahren der Bedarfsprognose

3.1.3.4 Prognoseverfahren im Handel

3.2 Berechnung von Prognoseverfahren

3.2.1 Subjektive Prognoseverfahren

3.2.2 Objektive Prognoseverfahren der Verteilungsschätzung

3.2.2.1 Bestimmung der empirischen Verteilungsfunktion

3.2.2.2 Approximation durch theoretische Verteilungsfunktionen

3.2.2.3 Schätzung der Verteilungsparameter

3.2.3 Objektive Prognoseverfahren der Zeitreihenanalyse

3.2.3.1 Zeitreihen als Grundlage der Prognose

3.2.3.2 Verfahren bei konstantem Bedarfsniveau

3.2.3.3 Verfahren bei trendbehaftetem Bedarfsverlauf

3.2.3.4 Verfahren bei saisonalem und trend-saisonalem Bedarfsverlauf

3.2.4 Objektive Prognoseverfahren der Kausalanalyse

3.2.4.1 Dynamische Regression

3.3 Beurteilung von Prognoseverfahren

3.3.1 Wirtschaftlichkeit und Prognosegenauigkeit

3.3.2 Beurteilung der Prognosegenauigkeit

3.3.2.1 Aspekte der Beurteilung

3.3.2.2 Statistische Prognosefehler

3.3.2.3 Statistische Fehlermaße

3.3.2.4 Komparative statistische Fehlermaße

3.3.3 Durchführung von empirischen Vergleichsstudien

3.3.3.1 Erkenntnisse aus Vergleichsstudien

3.3.3.2 Durchführung von Vergleichsstudien

3.4 Anwendung von Prognoseverfahren

3.4.1 Methodologien der Prognoseprozesse

3.4.2 Phasen des Prognoseprozesses

3.4.2.1 Problemformulierung

3.4.2.2 Informationsbereitstellung

3.4.2.3 Auswahl der Verfahren

3.4.2.4 Durchführung der Verfahren

3.4.2.5 Beurteilung der Verfahren

3.4.2.6 Anwendung der Verfahren

3.4.3 Fehlerquellen im Prognoseprozess

4 Neuronale Netze als Instrument der Prognose

4.1 Methodische Grundlagen von Neuronalen Netzen

4.1.1 Definition und Abgrenzung

4.1.2 Motivation zur Analyse von Neuronalen Netzen

4.1.3 Historische Entwicklung

4.2 Aufbau und Funktionsweise von Neuronalen Netzen

4.2.1 Biologisches Vorbild

4.2.2 Technische Realisierung

4.2.3 Signalverarbeitung in künstlichen Neuronen

4.2.3.1 Eingabefunktionen

4.2.3.2 Aktivierungsfunktionen

4.2.3.3 Ausgabefunktionen

4.2.4 Informationsverarbeitung in Netzwerken von Neuronen

4.2.4.1 Netzwerktopologie

4.2.4.2 Struktur der Verbindungsgewichte

4.2.4.3 Aktivierungsstrategien der Informationsverarbeitung

4.2.5 Ausgewählte Architekturen

4.3 Parametrisierung von Neuronalen Netzen

4.3.1 Grundlagen des Lernens

4.3.2 Algorithmen des überwachten Lernens

4.3.2.1 Klassische Lernalgorithmen

4.3.2.2 Der Backpropagation-Lernalgorithmus

4.3.2.3 Erweiterungen des Backpropagation-Algorithmus

4.3.3 Anwendung der Lernalgorithmen

4.4 Anwendung von Neuronalen Netzen zur Prognose

4.4.1 Einsatzfähigkeit Neuronaler Netze zur Prognose

4.4.1.1 Eigenschaften von Neuronalen Netzen

4.4.1.2 Anwendungsbereiche von Neuronalen Netzen

4.4.1.3 Anwendungen von Neuronalen Netzen zur Prognose

4.4.1.4 Empirische Güte der Anwendung

4.4.2 Netzwerkarchitekturen zur Prognose

4.4.2.1 Zeitreihenanalytische Modellierung

4.4.2.2 Kausalanalytische Modellierung

4.4.2.3 Äquivalenz zu statistischen Prognoseverfahren

5 Neuronale Netze zur Disposition

5.1 Lernziele und Zielfunktionen von Neuronalen Netzen

5.2 Zielfunktionen der statistischen Prognosefehler

5.2.1 Quadratische Fehlerfunktionen

5.2.2 Nicht-quadratische Fehlerfunktionen

5.3 Zielfunktionen der betriebswirtschaftlichen Entscheidungskosten

5.3.1 Asymmetrische Kostenfunktionen in der Statistik

5.3.1.1 Erweiterung auf asymmetrische Kostenfunktionen

5.3.1.2 Lineare asymmetrische Kostenfunktionen

5.3.1.3 Nichtlineare asymmetrische Kostenfunktionen

5.3.1.4 Anwendungsbereiche asymmetrischer Kostenfunktionen

5.3.2 Neuronale Netze und asymmetrische Kostenfunktionen

5.3.2.1 Parametrisierung bei asymmetrischen Kostenfunktionen

5.3.2.2 Erweiterung des Backpropagation-Algorithmus

5.3.2.3 Auswirkungen von asymmetrischen Kostenfunktionen

5.4 Studie zur Einsatzfähigkeit von asymmetrischen Kostenfunktionen

5.4.1 Gestaltung des Versuchsaufbaus

5.4.1.1 Datenbasis der Studie

5.4.1.2 Ziel- und Kostenfunktionen

5.4.1.3 Modellierung der Verfahren

5.4.2 Ergebnisse

5.4.2.1 Grafische Analyse und Interpretation

5.4.2.2 Beurteilung der Einsatzfähigkeit

5.4.2.3 Beurteilung der Entscheidungsgüte

5.4.3 Zusammenfassung und Interpretation

6 Empirischer Vergleich von Neuronalen Netzen zur Prognose und Disposition

6.1 Gestaltung der Vergleichsstudie

6.1.1 Zielsetzung des Verfahrensvergleichs

6.1.2 Aufbau der Vergleichsstudie

6.2 Durchführung der Vergleichsstudie

6.2.1 Problemstellung

6.2.1.1 Der Warenautomat als Betriebsform des Handels

6.2.1.2 Prognose und Disposition an Warenautomaten

6.2.1.3 Modelltheoretische Einordnung der Problemstellung

6.2.2 Datenanalyse

6.2.2.1 Stichprobe der Zeitreihen

6.2.2.2 Explorative Datenanalyse

6.2.2.3 Aufteilung der Datenbasis

6.2.3 Verfahren zur Bedarfsprognose

6.2.3.1 Auswahl der Prognoseverfahren

6.2.3.2 Berechnung der statistischen Prognoseverfahren

6.2.3.3 Berechnung der Neuronalen Netze zur Prognose

6.2.4 Verfahren zur Bestellmengenrechnung

6.2.4.1 Bestimmung des kostenoptimalen Servicelevels

6.2.4.2 Bestellmengenrechnung für statistische Prognoseverfahren

6.2.4.3 Simultane Bestellmengenrechnung mit Neuronalen Netzen

6.2.5 Beurteilungsmaße

6.2.5.1 Fehlermaße der Prognosegenauigkeit

6.2.5.2 Kostenmaße der Dispositionsgüte

6.3 Ergebnisse der Vergleichsstudie

6.3.1 Ergebnisse der Bedarfsprognose

6.3.1.1 Gesamtergebnisse

6.3.1.2 Ergebnisse nach Absatzstelle

6.3.1.3 Ergebnisse nach Zeitreihe

6.3.1.4 Ergebnisse nach Zeitreihencharakteristika

6.3.2 Ergebnisse der Warendisposition

6.3.2.1 Gesamtergebnisse

6.3.2.2 Ergebnisse nach Absatzstelle

6.3.2.3 Ergebnisse nach Zeitreihen

6.3.2.4 Ergebnisse nach Zeitreihencharakteristika

6.3.3 Zusammenhang zwischen Prognosegenauigkeit und Dispositionskosten

7 Schlussbetrachtung

7.1 Zusammenfassung

7.2 Ausblick

Literaturverzeichnis

8 Anhang