Skip to main content
SpringerLink
Log in
Book cover

Prognoserechnung pp 75–108Cite as

Prognose sporadischer Nachfragen

  • Chapter
  • First Online:

Zusammenfassung

Eine sporadische Nachfragezeitreihe zeichnet sich dadurch aus, dass die Zeitreihe eine nicht vernachlässigbare Anzahl von Zeitpunkten aufweist, bei denen die Nachfrage null beträgt. Derartige Zeitreihen findet man häufig im Einzelhandel mit feinem Distributionsnetz sowie in der Ersatzteilbevorratung von Hightech-Produkten. Dabei nimmt die Sporadizität mit zunehmendem zeitlichem, sachlichem und regionalem Differenzierungsgrad zu. Beispielsweise kann die monatliche Gesamtnachfrage nach einer bestimmten Zigarettensorte in einer bestimmten Verpackungsform auf der Ebene der Bundesrepublik Deutschland durch zeitreihenanalytische Methoden für quasi-stetige Zufallsvariablen prognostiziert werden [38], da das Produkt ein hohes Nachfragevolumen pro Zeiteinheit aufweist. Die Gesamtnachfrage der gleichen Kombination von Sorte und Verpackungstyp auf Tagesbasis an einem Zigarettenautomaten weist hingegen tendenziell geringe ganzzahlige Volumina auf, wobei unter Umständen an einigen Tagen überhaupt keine Nachfrage auftritt. Für die Bestückung der einzelnen Automaten benötigt man aber fein aufgelöste tagesspezifische Nachfrageprognosen, die aufgrund der Lagerhaltungs- und Automatenbeschickungskosten mit Lagerhaltungsmodellen kombiniert werden müssen. Vergleichbare Situationen finden sich etwa bei Drogeriemärkten sowie bei der Bevorratung von Ersatzteilen, wobei letztere bei kurzlebigen Produkten zusätzlich noch mit einem hohen Verschrottungskostenrisiko behaftet sind.

This is a preview of subscription content, 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   109.00
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD   139.99
Price excludes VAT (USA)
  • Durable hardcover 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

Learn about institutional subscriptions

Notes

  1. 1.

    Die in diesem Aufsatz verwendete Notation lehnt sich an die Originalliteratur an. Bei der Beschreibung von Croston-ähnlichen Verfahren wird in der Regel die Wahrscheinlichkeit \(\pi\) einer positiven Nachfrage modelliert, während verteilungsbasierte Modelle der Mikroökonometrie und Biometrie die zusätzlich erwartete Wahrscheinlichkeit \(\omega\) von Nullbesetzungen modellieren. Die Relation \(\omega=(1-\pi)\) gilt nur unter der Maßgabe, dass die Verteilung \(q(k)\) eine auf positive Nachfragen gestutzte Wahrscheinlichkeits- bzw. Dichtefunktion beschreibt.

References

  1. Akram, M., Hyndman, R.J. und Ord, J.K.: Exponential smoothing and non-negative data, Aust. Nz. J. Stat. 51, 415 ff. (2009)

    Article  Google Scholar 

  2. Armstrong, J.S. (Hrsg.): Principles of forecasting – a handbook for researchers and practitioners, Norwell (2001)

    Google Scholar 

  3. Axsäter, S.: Inventory Control, 2. Aufl., New York (2006)

    Google Scholar 

  4. Banerjee, A., Dolado, J., Galbraith, J.W. und Hendry, D.F.: Co-Integration, Error-Correction, and the Econometric Analysis of Non-Stationary Data, Oxford (1993)

    Google Scholar 

  5. Box, G.E.P., Jenkins, G.M. und Reinsel, G.C.: Time Series Analysis: Forecasting and Control, 4. Aufl. (2008)

    Google Scholar 

  6. Boylan, J.E. und Syntetos, A.A.: Forecasting for Inventory Management of Service Parts, in: Kobbacy, K.A.H. und Murthy, D.N.P. (Hrsg.), Complex system maintenance handbook, London, S. 479 ff. (2008)

    Google Scholar 

  7. Brown, R.G.: Smoothing, forecasting and prediction of discrete time series, Englewood Cliffs, (1963)

    Google Scholar 

  8. Chib, S. und Greenberg, E.: Understanding the Metropolis-Hastings Algorithm, Am. Stat. 49, 327 ff. (1995)

    Google Scholar 

  9. Churchman, C.W., Ackoff, R.L. und Arnoff, E.L.: Operations Research: Eine Einführung in die Unternehmungsforschung, 5. Aufl., Oldenburg/Wien (1971)

    Google Scholar 

  10. Croston, J.D.: Forecasting and Stock Control for Intermittent Demands, Oper. Res. Quart. 23, 289 ff. (1972)

    Article  Google Scholar 

  11. Croston, J.D.: Stock Levels for Slow-moving Items, Oper. Res. Quart. 25, 123 ff. (1974)

    Article  Google Scholar 

  12. Davison, A.C. und Hinkley, D.V.: Bootstrap methods and their application, Cambridge (1997)

    Google Scholar 

  13. Deistler, M. und Neusser, K.: Prognose uni- und multivariater Zeitreihen, Kapitel 12 dieses Buches

  14. Dunsmuir, W.T.M. und Snyder, R.D.: Control of inventories with intermittent demand, Eur. J. Oper. Res. 40, 16 ff. (1989)

    Article  Google Scholar 

  15. Eaves, A.H.C. und Kingsman, B.G.: Forecasting for the ordering and stock-holding of spare parts, J. Oper. Res. Soc. 55, 431 ff. (2004)

    Article  Google Scholar 

  16. Efron, B., Bootstrap Methods: Another Look at the Jackknife, Ann. Stat 7, 1 ff. (1979)

    Article  Google Scholar 

  17. Evans, M., Hastings, N. und Peacock, B.: Statistical distributions, 3. Aufl., New York, (2000)

    Google Scholar 

  18. Gardner, E.S.: Exponential Smoothing: The State of the Art, J. Forecast. 4, 1 ff. (1985)

    Article  Google Scholar 

  19. Gardner, E.S.: Exponential smoothing: The state of the art – Part II, Int. J. Forecast. 22, 637 ff. (2006)

    Article  Google Scholar 

  20. Gardner, E.S. und Koehler, A.B.: Comments on a patented bootstrapping method for forecasting intermittent demand, Int. J. Forecast. 21, 617 ff. (2005)

    Article  Google Scholar 

  21. Ghobbar, A.A. und Friend, C.H.: Evaluation of forecasting methods for intermittent parts demand in the field of aviation: a predictive model, Comput. Oper. Res 30, 2097 ff. (2003)

    Article  Google Scholar 

  22. Greene, W.H.: Econometric analysis, 6. Aufl., Upper Saddle River (2008)

    Google Scholar 

  23. Grunwald, G.K., Hamza, K. und Hyndman, R.J.: Some Properties and Generalizations of Non-negative Bayesian Time Series Models, J. Roy. Stat. Soc. B Met. 59, 615 ff. (1997)

    Article  Google Scholar 

  24. Gutierrez, R.S., Solis, A.O. und Mukhopadhyay, S.: Lumpy demand forecasting using neural networks, Int. J. Prod. Econ. 111, 409 ff. (2008)

    Article  Google Scholar 

  25. Hansen, K.: Lineare Filter und integrierte autoregressive Prozesse, in: Mertens, P. und Rässler, S. (Hrsg.), Prognoserechnung, 6. Aufl., Heidelberg 2005, S. 215 ff.

    Google Scholar 

  26. Hansen, K.: Prognose mithilfe von Markovprozessen, Kapitel 14 dieses Buches

  27. Harvey, A.C.: Forecasting, structural time series models and the Kalman filter, Cambridge 1989

    Google Scholar 

  28. Harvey, A.C. und Fernandes, C.: Time Series Models for Count or Qualitative Observations, Journal of Business & Economic Statistics 7, 407 ff. (1989)

    Google Scholar 

  29. Hyndman, R.J.: Another look at forecast-accuracy metrics for intermittent demand, Foresight: The International Journal of Applied Forecasting 1, 43 ff. (2006)

    Google Scholar 

  30. Hyndman, R.J. und Koehler, A.B.: Another look at measures of forecast accuracy, Int. J. Forecasting 22, 679 ff. (2006)

    Article  Google Scholar 

  31. Hyndman, R.J., Koehler, A.B., Ord, J.K. und Snyder, R.D.: Forecasting with Exponential Smoothing: The State Space Approach, Berlin/Heidelberg 2008.

    Google Scholar 

  32. Kedem, B. und Fokianos, K.: Regression Models for Time Series Analysis, Hoboken, 2002.

    Google Scholar 

  33. Küsters, U.: Evaluation, Kombination und Auswahl betriebswirtschaftlicher Prognoseverfahren, Kapitel 18 dieses Buches

  34. Küsters, U., Thyson, J. und Becker, C.: Monitoring von Prognosemodellen, Kapitel 17 dieses Buches

  35. Levén, E. und Segerstedt, A.: Inventory control with a modified Croston procedure and Erlang distribution, Int. J. Prod. Econ. 90, 361 ff. (2004)

    Article  Google Scholar 

  36. McCullagh, P. und Nelder, J.A.: Generalized linear models, 2. Aufl., Boca Raton, 1989.

    Google Scholar 

  37. Montgomery, D.C., Johnson, L.A. und Gardiner, J.S.: Forecasting and time series analysis, New York, 1990.

    Google Scholar 

  38. Montgomery, D.C., Jennings, C.L. und Kulahci, M.: Introduction to time series analysis and forecasting, Hoboken, 2008.

    Google Scholar 

  39. Muckstadt, J.A. und Sapra, A.: Principles of Inventory Management: When You Are Down to Four, Order More, New York, 2010.

    Google Scholar 

  40. Nowack, A.: Prognose bei unregelmäßigem Bedarf, in: Mertens, P. und Rässler, S. (Hrsg.), Prognoserechnung, 6. Aufl., Heidelberg 2005, S. 61 ff.

    Google Scholar 

  41. Ord, J.K., Koehler, A.B. und Snyder, R.D.: Estimation and Prediction for a Class of Dynamic Nonlinear Statistical Models, J. Am. Stat. Assoc. 92, 1621 ff. (1997)

    Article  Google Scholar 

  42. Ord, J.K., Snyder, R.D. und Beaumont, A.: Forecasting the Intermittent Demand for Slow-Moving Items, Center of Economic Research, Department of Economics, The George Washington University, RPF Working Paper No. 2010-003 (2010)

    Google Scholar 

  43. Rao, A.V.: A Comment on: Forecasting and Stock Control for Intermittent Demands, Oper. Res. Quart. 24, 639 ff. (1973)

    Article  Google Scholar 

  44. Sani, B. und Kingsman, B.G.: Selecting the best periodic inventory control and demand forecasting methods for low demand items, J. Oper. Res. Soc. 48, 700 ff. (1997)

    Google Scholar 

  45. Schröder, M.: Einführung in die kurzfristige Zeitreihenprognose und Vergleich der einzelnen Verfahren, Kapitel 2 dieses Buches

  46. Schuhr, R.: Einführung in die Prognose saisonaler Zeitreihen mithilfe exponentieller Glättungstechniken und Vergleich der Verfahren von Holt/Winters und Harrison, Kapitel 3 dieses Buches

  47. Schultz, C.R.: Forecasting and Inventory Control for Sporadic Demand under Periodic Review, J. Oper. Res. Soc. 38, 453 ff. (1987)

    Google Scholar 

  48. Segerstedt, A.: Inventory control with variation in lead times, especially when demand is intermittent, Int. J. Prod. Econ. 35, 365 ff. (1994)

    Article  Google Scholar 

  49. Shale, E.A., Boylan, J.E. und Johnston, F.R.: Forecasting for intermittent demand: the estimation of an unbiased average, J. Oper. Res. Soc. 57, 588 ff. (2006)

    Article  Google Scholar 

  50. Shenstone, L. und Hyndman, R.J.: Stochastic models underlying Croston's method for intermittent demand forecasting, J. Forecasting 24, 389 ff. (2005)

    Article  Google Scholar 

  51. Smith, M. und Babai, Z.M.: A Review of Bootstrapping for Spare Parts Forecasting, in: Altay, N. und Litteral, L. A. (Hrsg.), Service Parts Management – Demand Forecasting and Inventory Control, Berlin 2011, 125 ff.

    Google Scholar 

  52. Snyder, R.D.: Forecasting sales of slow and fast moving inventories, Eur. J. Oper. Res. 140, 684 ff. (2002)

    Article  Google Scholar 

  53. Syntetos, A.A. und Boylan, J.E.: On the bias of intermittent demand estimates, Int. J. Prod. Econ. 71, 457 ff. (2001)

    Article  Google Scholar 

  54. Syntetos, A.A. und Boylan, J.E.: The accuracy of intermittent demand estimates, Int. J. Forecasting 21, 303 ff. (2005)

    Article  Google Scholar 

  55. Syntetos, A.A. und Boylan, J.E.: On the stock control performance of intermittent demand estimators, Int. J. Prod. Econ. 103, 36 ff. (2006)

    Article  Google Scholar 

  56. Syntetos, A.A. und Boylan, J.E.: On the variance of intermittent demand estimates, Int. J. Prod. Econ. 128, 546 ff. (2010)

    Article  Google Scholar 

  57. Syntetos, A.A., Boylan, J.E. und Croston, J.D.: On the categorization of demand patterns, J. Oper. Res. Soc. 56, 495 ff. (2005)

    Article  Google Scholar 

  58. Tashman, L.J.: Out-of-sample tests of forecasting accuracy: an analysis and review, Int. J. Forecasting 16, 437 ff. (2000)

    Article  Google Scholar 

  59. Tempelmeier, H.: Bestandsmanagement in Supply Chains, 2. Aufl., Norderstedt 2006.

    Google Scholar 

  60. Tempelmeier, H.: Material-Logistik: Modelle und Algorithmen für die Produktionsplanung und -steuerung in Advanced Planning-Systemen, 6. Aufl., Berlin 2006.

    Google Scholar 

  61. Teunter, R. und Sani, B.: Calculating order-up-to levels for products with intermittent demand, Int. J. Prod. Econ. 118, 82 ff. (2009)

    Article  Google Scholar 

  62. Teunter, R. und Sani, B.: On the bias of Croston's forecasting method, Eur. J. Oper. Res. 194, 177 ff. (2009)

    Article  Google Scholar 

  63. Ward, J.B.: Determining Reorder Points When Demand Is Lumpy, Manage. Sci. 24, 623 ff. (1978)

    Article  Google Scholar 

  64. Wedekind, H.: Ein Vorhersagemodell für sporadische Nachfragemengen bei der Lagerhaltung, Ablauf- und Planungsforschung 9, 1 ff. (1968)

    Google Scholar 

  65. Wei, W.W.S.: Time series analysis: Univariate and multivariate methods, Boston, 2006.

    Google Scholar 

  66. West, M. und Harrison, J.: Bayesian forecasting and dynamic models, 2. Aufl., New York, 1997.

    Google Scholar 

  67. West, M., Harrison, P.J. und Migon, H.S.: Dynamic Generalized Linear Models and Bayesian Forecasting, J. Am. Stat. Assoc. 80, 73 ff. (1985)

    Article  Google Scholar 

  68. Willemain, T.R., Smart, C.N. und Schwarz, H.F.: A new approach to forecasting intermittent demand for service parts inventories, Int. J. Forecasting 20, 375 ff. (2004)

    Article  Google Scholar 

  69. Willemain, T.R., Smart, C.N., Shockor, J.H. und DeSautels, P.A.: Forecasting intermittent demand in manufacturing: A comparative evaluation of Croston's method, Int. J. Forecasting 10, 529 ff. (1994)

    Google Scholar 

  70. Williams, T.M.: Stock Control with Sporadic and Slow-Moving Demand, J. Oper. Res. Soc. 35, 939 ff. (1984)

    Google Scholar 

  71. Winkelmann, R.: Econometric Analysis of Count Data, 5. Aufl., Berlin/Heidelberg, 2008.

    Google Scholar 

  72. Yelland, P.M.: Bayesian forecasting for low-count time series using state-space models: An empirical evaluation for inventory management, Int. J. Prod. Econ. 118, 95 ff. (2009)

    Article  Google Scholar 

  73. Yelland, P.M.: Bayesian forecasting of parts demand, Int. J. Forecasting 26, 374 ff. (2010)

    Article  Google Scholar 

Download references

Author information

Author notes

  1. Ulrich Küsters & Jan Speckenbach

    Present address: , Landshut, Deutschland

Authors and Affiliations

    Authors
    1. Ulrich Küsters
      View author publications

      You can also search for this author in PubMed Google Scholar

    2. Jan Speckenbach
      View author publications

      You can also search for this author in PubMed Google Scholar

    Corresponding authors

    Correspondence to Ulrich Küsters or Jan Speckenbach .

    Editor information

    Editors and Affiliations

    1. , Wirtschaftsinformatik I, Universität Erlangen-Nürnberg, Lange Gasse 20, Nürnberg, 90403, Germany

      Peter Mertens

    2. , LS für Statistik und Ökonometrie, Otto-Friedrich-Universität Bamberg, Feldkirchenstr. 21, Bamberg, 96045, Germany

      Susanne Rässler

    Rights and permissions

    Reprints and permissions

    Copyright information

    © 2012 Springer-Verlag Berlin Heidelberg

    About this chapter

    Cite this chapter

    Küsters, U., Speckenbach, J. (2012). Prognose sporadischer Nachfragen. In: Mertens, P., Rässler, S. (eds) Prognoserechnung. Physica, Heidelberg. https://doi.org/10.1007/978-3-7908-2797-2_4

    Download citation

    • DOI: https://doi.org/10.1007/978-3-7908-2797-2_4

    • Published:

    • Publisher Name: Physica, Heidelberg

    • Print ISBN: 978-3-7908-2796-5

    • Online ISBN: 978-3-7908-2797-2

    • eBook Packages: Business and Economics (German Language)

    Publish with us

    Policies and ethics

    Search

    Navigation