Skip to main content
SpringerLink
Log in
Book cover

Produktionsplanung und –steuerung pp 153–178Cite as

Konkurrierende Prognoseverfahren für die Lagerhaltung

  • Chapter
  • First Online:

  • 21k Accesses

Zusammenfassung

Die Erstellung von Prognosen im Bereich der Lagerhaltung ist ein wichtiger Bestandteil des Wertschöpfungsprozesses für Industrie und Handel. Prognoseverfahren dienen im Rahmen der Disposition vor allem zur Sicherstellung einer optimalen Versorgung, da die Entscheidungen auf Basis suboptimaler Prognosemethoden zu vermeidbaren Kosten führen. Die ermittelten Vorhersagen für Rohstoffe, fertige Erzeugnisse und Ersatzteile bilden eine Grundlage für die Produktionsplanung und Ersatzteilbevorratung. Für die Disposition ist eine genaue und rechtzeitige Vorhersage der Beschaffungsmengen und -zeitpunkte erforderlich. Zu hohe Lagerbestände bewirken u.a. hohe Lagerhaltungs- und Kapitalbindungskosten.

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   49.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  • Abraham, B. und Ledolter, J. (2005). Statistical methods lor lorecasting. Hoboken, NJ: Wiley-Interscience.

    Google Scholar 

  • Akaike, H. (1974). A new look at the statistical model identification. IEEE 'I'ransactions on Automatie Control 3(6), 716–723.

    Article  Google Scholar 

  • Armstrong, J. S. (2001). Combining forecasts. In: J. S. Armstrong (Hrsg.), Prineiples 01 lorec.asting. Boston, MA: Kluwer Academic, 417–440.

    Google Scholar 

  • Armstrong, J. S. und Collopy, F. (1992). Error meaaures for generalizing about forecasting methods: Empirical comparisons. International Journal 01 Forecasting 8(1), 69–1lO.

    Google Scholar 

  • Banerjee, A., Dolado, J., Galbralth, J. W. und Hendry, D. F. (1993). Co-integrntion, er rar correction, and the econometric analysis 0/ non-stationary data . Oxford: Oxford U niversity Press.

    Google Scholar 

  • Becker, C. (2006). Die Re-Analyse von Monitor-Schwellenwerten und die Entwicklung ARIMA-basierter Monitore für die exponentielle Glättung. Aachen: Shaker.

    Google Scholar 

  • Bell, M. (2003). Metrische Regressoren in exponentiellen Glättungsmodellen. Lohmar: Eu!.

    Google Scholar 

  • Box, G. E. P., Jenkins, G. M. und Reinsei, G. C. (2008). Time series analysis: Forecasting and contral (4. Aufi.). Hoboken, NJ: John Wiley.

    Google Scholar 

  • Brown, R. G. (1959). Statistical Forecasting lor Inventory Contra/. New York, NY: McGrawHili.

    Google Scholar 

  • Burnharn, K. P. und Anderson, D. R. (2010). Model seleetion and multi-model inlerence: A praetical inlormation-theoretie approach (2. Aufi.). New York, NY: Springer.

    Google Scholar 

  • Chatfield, C. (1993). Calcu!ating interval forecasts. Journal 01 Business (3 Economic Statisties 11 (2), 121–135.

    Google Scholar 

  • Chatfield, C. und Koehler, A. B. (1991). On confusing lead time demand with h-period-ahead forecasts. International Journal 01 Forecasting 7(2), 239–240.

    Google Scholar 

  • Chatfield, C. und Yar, M. (1991). Prediction intervals for multiplicative Holt-Winters. International Journal 01 Forecasting 7(1), 31–37.

    Article  Google Scholar 

  • Chernick, M. R. (2008). Bootstrap methods: A guide lor praetitioners and researchers (2. AulI.). Hoboken, NJ: Wiley-Interscience.

    Google Scholar 

  • Churchman, C. W., Ackoff, R. L., Arnoff, E. L., Ferschl, F. und Schlecht, E. (1971). Operati ons research: Eine Einführung in die UntemehmungsjoTschung . Miinchen: Oldenbourg.

    Google Scholar 

  • Diebold, F. X. (2004). Elements ollorecasting (3. Aufl.). Mason, Ohio: ThomsonjSouthWestern.

    Google Scholar 

  • Dunean, G. T., GOIT, W. L. und Szczypula, J. (2001). Forecasting analogous time series. In: J. S. Armstrong (Hrsg.), Prineiples ollorecosting. Boston, MA: Kluwer Academic, 193–213.

    Google Scholar 

  • Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals 01 Statisties 7(1), 1–26.

    Article  Google Scholar 

  • Gardner, E. S. (1985). Exponentia! smoothing: The state of the art. Journal 01 Forecasting 4 (1), 1–28.

    Google Scholar 

  • Gardner, E. S. (1988). A simple method of computing prediction intervals far time series forecasts. Management Seience 34(4), 541–546.

    Google Scholar 

  • Gardner, E. S. und McKenzie, E. (1988). Model identification in exponential smoothing. The Journal 01 the Opemtional Research Society 39(9), 863–867.

    Article  Google Scholar 

  • Gardner, E. S. und MeKenzie, E. (1989). Seasona! exponentia! smoothing with daroped trends. Management Seience 35(3), 372–376.

    Google Scholar 

  • Harvey, A. C. (1989). Forecasting, strueturol time series models, and the Kalman filter. Cambridge and New York, NY: Cambridge University Press.

    Google Scholar 

  • Hibon, M. (1984). Naive, moving average, exponential smoothing, and regression methods. In: S. G. Makridakis (Hrsg.), The Forecasting accuraey 01 major time series methods. Chichester and New York, NY: Wiley, 239–244.

    Google Scholar 

  • Holt, C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal 01 Forecasting 3(1), 5–10.

    Article  Google Scholar 

  • Hurvich, C. M. und Tsai, C.-L. (1989). Regression and time series model selection in small sampies. Biometrika 76(2), 297–307.

    Article  Google Scholar 

  • Hyndman, R. J. und Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal 01 Forecasting 22(4), 679–688.

    Article  Google Scholar 

  • Hyndman, R. J., Koehler, A. B., Ord, J. K. und Snyder, R. D. (2005). Prediction intervals for exponential smoothing using two new classes of state spare models. Journal 0/ Forecasting 24(1), 17–37.

    Article  Google Scholar 

  • Hyndman, R. J., Koehler, A. B., Ord, J. K. und Snyder, R. D. (2008). Forecasting with exponential smoothing: The state spare approach . Berlin: Springer.

    Book  Google Scholar 

  • Hyndman, R. J., Koehler, A. B., Snyder, R. D. und GrOBe, S. (2002). Astate space fraroework for automatie forecasting using exponentia! smoothing methods. International Journal 01 Forecasting 18(3), 439–454.

    Google Scholar 

  • Koehler, A. B. (1990). An inappropriate prediction interval. International Journal 01 Forecasting 6(4),557–558.

    Article  Google Scholar 

  • Küsters, U. (1996). Subjektive Interventionen und Prozessänderungsdiagnostik in bayesianisehen Prognosemodellen . Wolnzach: Kastner.

    Google Scholar 

  • Küsters, U. (2012). Evaluation, Kombination und Auswahl betriebswirtschaftlicher Prognoseverfahren. In: P. Mertens und S. Rässler (Hrsg.), Prognoserechnung . Heidelberg: Physica, 423–467.

    Google Scholar 

  • Küsters, U. und Bell, M. (1999). The lorecast report: A comparative survey 01 commercial lorecasting systems. Höhenkirchen and Brookline, MA: IT Research.

    Google Scholar 

  • Küsters, U. und Bell, M. (2001). Zeitreihenana!yse und Prognoseverfahren: Ein methodischer Überblick über klassische Ansätze. In: H. Hippner, U. Küsters, M. Meyer und K. Wilde (Hrsg.), Handbuch Data Mining im Marketing. Wiesbaden: Vieweg, 255–297.

    Google Scholar 

  • Küsters, U., McCullough, B. D. und Bell, M. (2006). Forecasting software: Past, present and future. International Journal 01 Forecasting 22(3), 599–615.

    Article  Google Scholar 

  • Küsters, U., Scharffenberger, U. und Steffen, J. P. (1996). Outtier diagnostics in ARMAX models. In: F. Faulbaum und W. Bandilla (Hrsg.), Advances in statistical software 5. Stuttgart: Lucius & Lucius, 569–579.

    Google Scholar 

  • Küsters, U. und Speckenbach, J. (2012). Prognose sporadischer Nachfragen. In: P. Mertena und S. Rässler (Hrsg.), Prognoserechnung. Heidelberg: Physica, 75–108.

    Google Scholar 

  • Küsters, U., Thyson, J. und Büchl, C. (2012). Monitoring von Prognoseverfahren. In: P. Mertens und S. Rässler (Hrsg.), Prognoserechnung. Heidelberg: Physica, 383–467.

    Google Scholar 

  • Küsters, U. und Vogt, O. (2004). Multivariate exponentielle Glättung: Ein Fallbeispiel mit zeitreihenübergreifenden Komponenten. In: R. Metz, M. Lösch und K. Edel (Rrsg.), Zeitreihenanalyse in der empirischen Wirlschaftsforschung . Stuttgart: Lucius & Lucius, 101–123.

    Google Scholar 

  • Makridakis, S. G. und Hibon, M. (1991). Exponential smoothing: The effect of initial values and loss functions on post-sample forecasting accuracy. International Journal oi Forecasting 7(3),317–330.

    Article  Google Scholar 

  • Makridakis, S. G. und Hibon, M. (2000). The M3-Competition: results, conclusions and implications. International Journal 01 Forecasting 16(4),451–476.

    Google Scholar 

  • Makridakis, S. G., Wheelwright, S. C. und Hyndman, R. J. (1998). Forecasting: Method and applications (3. Aufl.). New York, NY: John Wiley & Sons.

    Google Scholar 

  • Muckstadt, J. A. und Sapra, A. (2010). Principles 0/ inventory management: When you am down to Jour, order more . New York, NY: Springer.

    Google Scholar 

  • Newbold, P. und Bos, T. (1989). On exponential smoothing and the assumption of deterministic trend plus white noise data-generating models. International Journal 0/ Fore casting 5(4), 523–527.

    Google Scholar 

  • Newbold, P. und Bos, T. (1994). Introductory business f3 economic forecasting (2. AufI.). Cincinnati, Ohio: South-Western Pub.

    Google Scholar 

  • Ord, J. K. , Koehler, A. B. und Snyder, R. D. (1997). Estimation and prediction for a class of dynamic nonlinear statistical models. Journal 0/ the American Statistical Associati on 92(440), 1621–1629.

    Google Scholar 

  • Pegels, C. C. (1969). Exponential forecasting: Some new variations. Management Seience 15(5), 311–1115.

    Google Scholar 

  • Scholze, S. (2010). Kurzfristige Prognose von Tageszeitreihen mit Kalendereffekten. Lohmar: Eul.

    Google Scholar 

  • Schuh, R. (2012). Einführung in die Prognose saisonaler Zeitreihen mithilfe exponentieller Glättungstechniken und Vergleich der Verfahren von Holt/Winters und Harrison. In: P. Mertens und S. Rässler (Hrsg.), Prognoserechnung. Heidelberg: Physica, 47–74.

    Google Scholar 

  • Tashman, L. J. (2000). Out-of-sample tests offorecasting accuracy: an analysis and review. International Journal 01 Forecasting 16,437–450.

    Google Scholar 

  • Tempehneier, H. (2008). Material-Logistik: Modelle und Algorithmen für die Produktions planung und -steuerung in Advanced Planning-Systemen (7. Aufl.). Berlin: Springer.

    Google Scholar 

  • Tempehneier, H. (2012). Bestandsmanagement in Supply Chains (4. Aufl.). Norderstedt: Books on Demand.

    Google Scholar 

  • Vogt, O. (2006). Prognosen in Produkthierarchien. Lohmar: Eul.

    Google Scholar 

  • Winters, R. S. (1960). Forecasting sales by exponentially weighted moving averages. Management Science 6, 324–342.

    Article  Google Scholar 

  • Wintz, T. (2010). Neuproduktprognose mit Wachstumslrurvenmodellen. Lohmar: Eul.

    Google Scholar 

  • Yar, M. und Chatfield, C. (1990). Prediction intervals for the Holt-Winters forecasting procedure. International Journal 01 Forecasting 6(1), 127–137.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl für Statistik und Quantitative Methoden der Wirtschaftswissenschaften, Wirtschaftswissenschaftliche Fakultät Ingolstadt, Katholische Universität Eichstätt, Eichstätt, Deutschland

    Univ.-Prof. Dr. Ulrich Küsters

  2. Lehrstuhl für Statistik und Quantitative Methoden der Wirtschaftswissenschaften, Wirtschaftswissenschaftliche Fakultät Ingolstadt, Katholische Universität Eichstätt, Eichstätt, Deutschland

    Ekaterina Nieberle Dipl.-Wirt.-Math. & Jan Speckenbach Dipl.-Ök.

Authors
  1. Univ.-Prof. Dr. Ulrich Küsters
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Ekaterina Nieberle Dipl.-Wirt.-Math.
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Jan Speckenbach Dipl.-Ök.
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Ulrich Küsters .

Editor information

Editors and Affiliations

  1. Lehrstuhl für Produktionswirtschaft und, IHI Zittau, Zittau, Germany

    Thorsten Claus

  2. Informatik und Mathematik, Ostbayerische Technische Hochschule Rege, Regensburg, Germany

    Frank Herrmann

  3. Lehrstuhl für Betriebswirtschaftslehre,, Universität Duisburg-Essen, Duisburg, Germany

    Michael Manitz

Rights and permissions

Reprints and permissions

Copyright information

© 2015 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

Küsters, U., Nieberle, E., Speckenbach, J. (2015). Konkurrierende Prognoseverfahren für die Lagerhaltung. In: Claus, T., Herrmann, F., Manitz, M. (eds) Produktionsplanung und –steuerung. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-43542-7_9

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-43542-7_9

  • Published:

  • Publisher Name: Springer Gabler, Berlin, Heidelberg

  • Print ISBN: 978-3-662-43541-0

  • Online ISBN: 978-3-662-43542-7

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation