Suchen und Finden
Geleitwort
6
Vorwort
7
Inhaltsübersicht
8
Inhaltsverzeichnis
9
Abbildungsverzeichnis
14
Tabellenverzeichnis
21
Abkürzungsverzeichnis
24
Symbolverzeichnis
27
1 Einleitung
31
1.1 Problemstellung
31
1.2 Gang der Untersuchung
36
2 Prognose und Disposition im Handel
39
2.1 Grundlagen der Warendisposition
39
2.1.1 Definition und Einordnung der Warendisposition
39
2.1.2 Warendisposition als Kernprozess des Handels
41
2.1.3 Dispositions- und Lagerstrukturen im Handel
44
2.1.4 Funktionsmodell der Warendisposition
49
2.2 Modelle der Bedarfsrechnung
52
2.2.1 Determinanten
52
2.2.1.1 Kennzeichnung des Bedarfs
52
2.2.1.2 Modellauswahl
54
2.2.2 Deterministische Modelle
56
2.2.3 Stochastische Modelle
58
2.2.3.1 Modelle für stationären Bedarf
58
2.2.3.2 Modelle für instationären Bedarf
60
2.3 Modelle der Bestellmengenrechnung
62
2.3.1 Determinanten
62
2.3.1.1 Entscheidungsvariablen
62
2.3.1.2 Kostenparameter
64
2.3.1.3 Modellauswahl
69
2.3.2 Deterministische Modelle
72
2.3.2.1 Modelle für stationär-deterministischen Bedarf
72
2.3.2.2 Modelle für instationär-deterministischen Bedarf
76
2.3.3 Stochastische Modelle
77
2.3.3.1 Modelle für stationär-stochastischen Bedarf
77
2.3.3.2 Modelle für instationär-stochastischen Bedarf
89
2.4 Beurteilung von Dispositionsverfahren
92
2.4.1 Deskriptive Maße der Dispositionsgüte
92
2.4.2 Zusammenhang von Prognosefehler und Dispositionsgüte
95
3 Methodische Grundlagen der Prognose
97
3.1 Determinanten der Prognosemodelle
97
3.1.1 Merkmale der Prognose
97
3.1.2 Determinanten von Prognosemodellen
99
3.1.2.1 Gegenstand der Prognose
99
3.1.2.2 Formalisierungsgrad der Modellbildung
102
3.1.2.3 Gestaltung der abhängigen Modellvariablen
104
3.1.2.4 Gestaltung der unabhängigen Modellvariablen
107
3.1.3 Auswahl von Prognosemodell und Prognoseverfahren
112
3.1.3.1 Umfang des Erklärungsmodells
112
3.1.3.2 Zeitlicher Prognosehorizont
115
3.1.3.3 Verfahren der Bedarfsprognose
118
3.1.3.4 Prognoseverfahren im Handel
120
3.2 Berechnung von Prognoseverfahren
124
3.2.1 Subjektive Prognoseverfahren
124
3.2.2 Objektive Prognoseverfahren der Verteilungsschätzung
126
3.2.2.1 Bestimmung der empirischen Verteilungsfunktion
126
3.2.2.2 Approximation durch theoretische Verteilungsfunktionen
127
3.2.2.3 Schätzung der Verteilungsparameter
130
3.2.3 Objektive Prognoseverfahren der Zeitreihenanalyse
133
3.2.3.1 Zeitreihen als Grundlage der Prognose
133
3.2.3.2 Verfahren bei konstantem Bedarfsniveau
141
3.2.3.3 Verfahren bei trendbehaftetem Bedarfsverlauf
148
3.2.3.4 Verfahren bei saisonalem und trend-saisonalem Bedarfsverlauf
152
3.2.4 Objektive Prognoseverfahren der Kausalanalyse
155
3.2.4.1 Dynamische Regression
155
3.3 Beurteilung von Prognoseverfahren
158
3.3.1 Wirtschaftlichkeit und Prognosegenauigkeit
158
3.3.2 Beurteilung der Prognosegenauigkeit
159
3.3.2.1 Aspekte der Beurteilung
159
3.3.2.2 Statistische Prognosefehler
161
3.3.2.3 Statistische Fehlermaße
163
3.3.2.4 Komparative statistische Fehlermaße
167
3.3.3 Durchführung von empirischen Vergleichsstudien
169
3.3.3.1 Erkenntnisse aus Vergleichsstudien
169
3.3.3.2 Durchführung von Vergleichsstudien
170
3.4 Anwendung von Prognoseverfahren
172
3.4.1 Methodologien der Prognoseprozesse
172
3.4.2 Phasen des Prognoseprozesses
174
3.4.2.1 Problemformulierung
174
3.4.2.2 Informationsbereitstellung
175
3.4.2.3 Auswahl der Verfahren
179
3.4.2.4 Durchführung der Verfahren
185
3.4.2.5 Beurteilung der Verfahren
186
3.4.2.6 Anwendung der Verfahren
186
3.4.3 Fehlerquellen im Prognoseprozess
187
4 Neuronale Netze als Instrument der Prognose
189
4.1 Methodische Grundlagen von Neuronalen Netzen
189
4.1.1 Definition und Abgrenzung
189
4.1.2 Motivation zur Analyse von Neuronalen Netzen
191
4.1.3 Historische Entwicklung
192
4.2 Aufbau und Funktionsweise von Neuronalen Netzen
194
4.2.1 Biologisches Vorbild
194
4.2.2 Technische Realisierung
197
4.2.3 Signalverarbeitung in künstlichen Neuronen
199
4.2.3.1 Eingabefunktionen
199
4.2.3.2 Aktivierungsfunktionen
200
4.2.3.3 Ausgabefunktionen
205
4.2.4 Informationsverarbeitung in Netzwerken von Neuronen
209
4.2.4.1 Netzwerktopologie
209
4.2.4.2 Struktur der Verbindungsgewichte
211
4.2.4.3 Aktivierungsstrategien der Informationsverarbeitung
213
4.2.5 Ausgewählte Architekturen
214
4.3 Parametrisierung von Neuronalen Netzen
219
4.3.1 Grundlagen des Lernens
219
4.3.2 Algorithmen des überwachten Lernens
224
4.3.2.1 Klassische Lernalgorithmen
224
4.3.2.2 Der Backpropagation-Lernalgorithmus
227
4.3.2.3 Erweiterungen des Backpropagation-Algorithmus
229
4.3.3 Anwendung der Lernalgorithmen
233
4.4 Anwendung von Neuronalen Netzen zur Prognose
237
4.4.1 Einsatzfähigkeit Neuronaler Netze zur Prognose
237
4.4.1.1 Eigenschaften von Neuronalen Netzen
237
4.4.1.2 Anwendungsbereiche von Neuronalen Netzen
241
4.4.1.3 Anwendungen von Neuronalen Netzen zur Prognose
246
4.4.1.4 Empirische Güte der Anwendung
253
4.4.2 Netzwerkarchitekturen zur Prognose
256
4.4.2.1 Zeitreihenanalytische Modellierung
256
4.4.2.2 Kausalanalytische Modellierung
258
4.4.2.3 Äquivalenz zu statistischen Prognoseverfahren
261
5 Neuronale Netze zur Disposition
269
5.1 Lernziele und Zielfunktionen von Neuronalen Netzen
269
5.2 Zielfunktionen der statistischen Prognosefehler
275
5.2.1 Quadratische Fehlerfunktionen
275
5.2.2 Nicht-quadratische Fehlerfunktionen
281
5.3 Zielfunktionen der betriebswirtschaftlichen Entscheidungskosten
291
5.3.1 Asymmetrische Kostenfunktionen in der Statistik
291
5.3.1.1 Erweiterung auf asymmetrische Kostenfunktionen
291
5.3.1.2 Lineare asymmetrische Kostenfunktionen
296
5.3.1.3 Nichtlineare asymmetrische Kostenfunktionen
299
5.3.1.4 Anwendungsbereiche asymmetrischer Kostenfunktionen
302
5.3.2 Neuronale Netze und asymmetrische Kostenfunktionen
305
5.3.2.1 Parametrisierung bei asymmetrischen Kostenfunktionen
305
5.3.2.2 Erweiterung des Backpropagation-Algorithmus
307
5.3.2.3 Auswirkungen von asymmetrischen Kostenfunktionen
310
5.4 Studie zur Einsatzfähigkeit von asymmetrischen Kostenfunktionen
312
5.4.1 Gestaltung des Versuchsaufbaus
312
5.4.1.1 Datenbasis der Studie
312
5.4.1.2 Ziel- und Kostenfunktionen
315
5.4.1.3 Modellierung der Verfahren
316
5.4.2 Ergebnisse
319
5.4.2.1 Grafische Analyse und Interpretation
319
5.4.2.2 Beurteilung der Einsatzfähigkeit
328
5.4.2.3 Beurteilung der Entscheidungsgüte
333
5.4.3 Zusammenfassung und Interpretation
338
6 Empirischer Vergleich von Neuronalen Netzen zur Prognose und Disposition
342
6.1 Gestaltung der Vergleichsstudie
342
6.1.1 Zielsetzung des Verfahrensvergleichs
342
6.1.2 Aufbau der Vergleichsstudie
344
6.2 Durchführung der Vergleichsstudie
347
6.2.1 Problemstellung
347
6.2.1.1 Der Warenautomat als Betriebsform des Handels
347
6.2.1.2 Prognose und Disposition an Warenautomaten
351
6.2.1.3 Modelltheoretische Einordnung der Problemstellung
353
6.2.2 Datenanalyse
356
6.2.2.1 Stichprobe der Zeitreihen
356
6.2.2.2 Explorative Datenanalyse
359
6.2.2.3 Aufteilung der Datenbasis
373
6.2.3 Verfahren zur Bedarfsprognose
374
6.2.3.1 Auswahl der Prognoseverfahren
374
6.2.3.2 Berechnung der statistischen Prognoseverfahren
377
6.2.3.3 Berechnung der Neuronalen Netze zur Prognose
379
6.2.4 Verfahren zur Bestellmengenrechnung
381
6.2.4.1 Bestimmung des kostenoptimalen Servicelevels
381
6.2.4.2 Bestellmengenrechnung für statistische Prognoseverfahren
383
6.2.4.3 Simultane Bestellmengenrechnung mit Neuronalen Netzen
384
6.2.5 Beurteilungsmaße
385
6.2.5.1 Fehlermaße der Prognosegenauigkeit
385
6.2.5.2 Kostenmaße der Dispositionsgüte
386
6.3 Ergebnisse der Vergleichsstudie
387
6.3.1 Ergebnisse der Bedarfsprognose
387
6.3.1.1 Gesamtergebnisse
387
6.3.1.2 Ergebnisse nach Absatzstelle
398
6.3.1.3 Ergebnisse nach Zeitreihe
403
6.3.1.4 Ergebnisse nach Zeitreihencharakteristika
405
6.3.2 Ergebnisse der Warendisposition
410
6.3.2.1 Gesamtergebnisse
410
6.3.2.2 Ergebnisse nach Absatzstelle
418
6.3.2.3 Ergebnisse nach Zeitreihen
423
6.3.2.4 Ergebnisse nach Zeitreihencharakteristika
424
6.3.3 Zusammenhang zwischen Prognosegenauigkeit und Dispositionskosten
429
7 Schlussbetrachtung
433
7.1 Zusammenfassung
433
7.2 Ausblick
434
Literaturverzeichnis
437
8 Anhang
483
Alle Preise verstehen sich inklusive der gesetzlichen MwSt.