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.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Beysolow, T. (2017). Introduction to deep learning using R. San Fransisco. California: apress.
Coyle, J. C., Bardi, E. J., & Langley, C. J. (2003). The management of business logistics. Mason: South-Western.
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.
Hao, L., & Naiman, D. Q. (2007). Quantile regression. Thousand Oaks: Sage.
Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366.
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.
Rabe, J. C. (10. Mai 2019). Digitale Isolationshaft. Süddeutsche Zeitung, Nr. 108, 11.
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.
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.
Schröder, M. (2002). Statistische Eigenschaften von Finanzmarkt-Zeitreihen. In M. Schröder (Hrsg.), Finanzmarkt-Ökonometrie (S. 1–32). Stuttgart: Schäffer-Poeschel.
Seifert, D. (2001). Efficient consumer response. München: Hampp.
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.
Wilhelm, S. (2019). Hohe Kunst – Interview mit QVC Deutschland Chef Mathias Bork über Verkaufssteuerung. Der Handel, 5, 30–31.
Winston, W. L. (2004). Operations research. Belmont: Thomson Learning.
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.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
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)