Ansätze einer Algorithmischen Anwendung Quantititiver Verfahren zur Effizienten Bedarfsprognose von Vorprodukten. Erste Ergebnisse Einer Empirischen Untersuchung

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.