Skip to main content
SpringerLink
Log in

Sales Forecasting – Ein Vergleich von ökonometrischen Methoden und Machine Learning

  • Chapter
  • First Online:
Künstliche Intelligenz in Wirtschaft & Gesellschaft

Part of the book series: FOM-Edition ((FOMEDITION))

  • 23k Accesses

Zusammenfassung

Die richtige Schätzung von Absatzmengen ist nach wie vor eine hohe Kunst, wie diese ausgearbeitete Fallstudie auf realen Daten eines internationalen Modekonzerns zeigt. Klassische ökonometrische Methoden treten dabei in Konkurrenz zum Machine Learning. Eine klare Rangordnung beider Modellfamilien in der Vorhersagegüte ergibt sich nicht. Das Bild ist überraschend gemischt. Neuere Verfahren werden dominiert von älteren. Ein interdisziplinärer Ansatz im Sinne der Data Science erscheint zielführend.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  • Beysolow, T. (2017). Introduction to deep learning using R. San Fransisco. California: apress.

    Google Scholar 

  • Coyle, J. C., Bardi, E. J., & Langley, C. J. (2003). The management of business logistics. Mason: South-Western.

    Google Scholar 

  • Fischer, T., Krauss, C., &Treichel, A. (2018). Machine learning for time series forecasting – A simulation study. FAU Discussion Papers in Economics, No. 02/2018. https://www.econstor.eu/handle/10419/173659. Zugegriffen: 8. Aug. 2019.

  • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Massachusetts: MIT Press.

    Google Scholar 

  • Hao, L., & Naiman, D. Q. (2007). Quantile regression. Thousand Oaks: Sage.

    Book  Google Scholar 

  • Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366.

    Article  Google Scholar 

  • Lehrbass, F. (2018). Deep nothing: How to hit the wall with deep learning. SSRN Working Paper. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3302491. Zugegriffen: 14. Juni 2019.

  • Lehrbass, F. (2020). Analyzing promotion effectiveness in fashion retailing using quantile regression. SSRN Working Paper 04/2020. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3576434, Zugegriffen: 6. Mai 2020.

  • Maddala, G. S., & Lahiri, K. (2009). Introduction to econometrics. Chichester: Wiley.

    Google Scholar 

  • Rabe, J. C. (10. Mai 2019). Digitale Isolationshaft. Süddeutsche Zeitung, Nr. 108, 11.

    Google Scholar 

  • Ren, S., Chan, H. L., & Siqin, T. (2019). Demand forecasting in retail operations for fashionable products:methods, practices, and real case study. Annals of Operations Research. https://link.springer.com/article/10.1007%2Fs10479-019-03148-8. Zugegriffen: 14. Juni 2019.

  • Ripley, B. D. (1993). Statistical aspects of neural networks. In O. E. Barndorff-Nielsen, J. L. Jensen, & W. S. Kendall (Hrsg.), Networks and chaos – Statistical and probabilistic aspects (S. 40–123). London: Chapman & Hall.

    Chapter  Google Scholar 

  • Roscher, R., Bohn,B., Duarte, M. F., & Garcke, J. (2019). Explainable machine learning for scientific insights and discoveries working paper, University of Bonn. http://rs.ipb.uni-bonn.de/wp-content/uploads/2019/05/roscher2019explainable.pdf. Zugegriffen: 1. Aug. 2019.

  • Russel, S., & Norvig, P. (2014). Artificial intelligence: A modern approach. London: Pearson.

    Google Scholar 

  • Schröder, M. (2002). Statistische Eigenschaften von Finanzmarkt-Zeitreihen. In M. Schröder (Hrsg.), Finanzmarkt-Ökonometrie (S. 1–32). Stuttgart: Schäffer-Poeschel.

    Google Scholar 

  • Seifert, D. (2001). Efficient consumer response. München: Hampp.

    Google Scholar 

  • Silva, E. S., Hassani, H., Madsen, D. O., & Gee, L. (2019). Googling fashion: Forecasting fashion consumer behaviour using Google Trends. Social sciences. https://www.mdpi.com/2076-0760/8/4/111. Zugegriffen: 14. Juni 2019.

  • Verbeek, M. (2012). A guide to modern econometrics. Chichester: Wiley.

    Google Scholar 

  • Wilhelm, S. (2019). Hohe Kunst – Interview mit QVC Deutschland Chef Mathias Bork über Verkaufssteuerung. Der Handel, 5, 30–31.

    Google Scholar 

  • Winston, W. L. (2004). Operations research. Belmont: Thomson Learning.

    Google Scholar 

  • Ziggel, D., Berens, T., Weiß, G., & Wied, D. (2014). A new set of improved value-at-risk backtests. Journal of Banking & Finance, 48, 29–41.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. FOM Hochschule, Essen, Deutschland

    Frank Lehrbass

Authors
  1. Frank Lehrbass
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Frank Lehrbass .

Editor information

Editors and Affiliations

  1. FOM Hochschule für Oekonomie & Management, Düsseldorf, Germany

    Rüdiger Buchkremer

  2. FOM Hochschule für Oekonomie & Management, Essen, Germany

    Thomas Heupel

  3. FOM Hochschule für Oekonomie & Management, Frankfurt a. M., Germany

    Oliver Koch

Rights and permissions

Reprints and permissions

Copyright information

© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Lehrbass, F. (2020). Sales Forecasting – Ein Vergleich von ökonometrischen Methoden und Machine Learning. In: Buchkremer, R., Heupel, T., Koch, O. (eds) Künstliche Intelligenz in Wirtschaft & Gesellschaft. FOM-Edition. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-29550-9_28

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-29550-9_28

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-29549-3

  • Online ISBN: 978-3-658-29550-9

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation