<img height="1" width="1" src="https://www.facebook.com/tr?id=210957429467525&amp;ev=PageView &amp;noscript=1">

Blog

Funktion des Monats: Prognosen aus Daten der Vergangenheit ableiten

by Janne Denolf
05 Jul 2016

Building_forecasts_from_history.jpg

Da die meisten Unternehmen in einer Atmosphäre der Unsicherheit arbeiten, gelten Prognosen als entscheidende und deshalb unerlässliche Maßnahme. Neben einer verbesserten Einkaufs- und Vertriebsplanung gestatten Ihnen Prognosen unter anderem, Lagerbestandsprüfungen und Finanzplanung zu verbessern.

  • Stehen Ihnen Prognoseberichte zur Verfügung, so führt das zu einem besseren Lagerbestandsmanagement, was wiederum die Zahl der Gelegenheiten vermindert, bei denen der Lagerbestand zu niedrig oder zu hoch ist.
  • Den Absatz zu prognostizieren, kommt Ihrem Unternehmen gut zustatten, um Ihren Umsatz und Ihre Gewinne besser vorherzusagen.

Alles in allem werden mehr und vor allem genauere Prognosen den Erfolgschancen Ihres Unternehmens zweifellos förderlich sein.

In mehreren Branchen wie der Futtermittel- oder der Nahrungsmittelindustrie sind Absatz- und Kaufmuster vorhersehbar, da sie im Laufe der Zeit immer wieder auftauchen (z. B. aufgrund von Saisonalität). In solchen Branchen können Unternehmen Prognosen aufgrund von Daten zurückliegender Perioden generieren und sich so ein genaues Bild der Zukunft machen. Zur Unterstützung des Prognoseprozesses bietet MILAS AX ein benutzerfreundliches und flexibles Tool: „Vergangenheitsbasierte Prognose“.

Vergangenheitsbasierte Progones in MILAS AX

Das Tool „Vergangenheitsbasierte Prognose“ gestattet Ihnen, eine (Einkaufs- oder Vertriebs-)Prognose je Produkt aufgrund von vorgegebenen Transaktionsarten in einem bestimmten Zeitraum zu generieren. Bei der Anwendung dieses Milas-AX-Moduls werden folgende Schritte ausgeführt:

  • Wählen Sie einen Zeitraum in der Vergangenheit aus.
  • Wählen Sie die Transaktionsarten, auf denen Sie Ihre Prognosen aufbauen wollen. Zum Beispiel können Benutzer bei Halbfabrikaten die Transaktionsarten „Produktionsverbrauch“ und „Verkaufsaufträge“ wählen.
  • Wählen Sie einen Kalender aus. Benutzer können sich für einen Kalender entscheiden, in dem keine Wochenenden und gesetzlichen Feiertage enthalten sind.
  • Wählen Sie einen Standort.

Ergebnis dieser Schritte ist eine durchschnittliche Menge pro (Werk-)Tag. Aufgrund dieser Menge kann eine (Einkaufs- oder Vertriebs-)Prognose erstellt werden. Nötigenfalls lässt sich diese Menge automatisch mithilfe eines Skalierungsfaktors anpassen, was der Ersteller der Prognose jedoch außer Kraft setzen kann. Zu diesem Zweck müssen folgende Schritte befolgt werden:

  • Wählen Sie einen Zeitraum in der Zukunft aus.
  • Wählen Sie ein Prognosemodell aus. Beispielsweise können Anwender ein Modell wählen, bei dem die erste Hälfte des Zeitraums (wegen der Saisonalität) stärker gewichtet wird.
  • Wählen Sie einen Kalender aus.
Practisches Beispiel

Als Beispiel zur Illustration obiger Theorie wählen wir folgenden einfachen Fall:

  • Tage = 30 (z. B. letzter Monat)
  • Werktage = 21
  • Das Produkt wurde in 15 Produktionsläufen verwendet. Gesamtmenge = 26780 kg
  • Das Produkt wurde zehnmal verkauft. Gesamtmenge = 10380 kg
  • Ergebnis:
    • Menge je Werktag: (26780+10380)/21 = 1769,52

Auf der Grundlage dieser Menge (je Werktag) können Prognosen für einen bestimmten Zeitraum in der Zukunft generiert werden.

  • Tage = 7 (z. B. nächste Woche)
  • Werktage = 5
  • Prognosemodell: relative Gewichtung des ersten und des letzten Tages = 23 %; relative Gewichtung der übrigen drei Tage = 18 % (insgesamt = 100 %) (siehe Abb. 1). Beispielsweise können in der Futtermittelindustrie solche Muster beobachtet werden, weil Tiere auch während des Wochenendes gefüttert werden müssen.

Forecasts_2.png

Abbildung 1: Relative Gewichtung der fünf Werktage

  • Ergebnis:
    • Prognose für den ersten und letzten Tag der nächsten Woche (nach Werktagen) = (1769,52 * 5) * 23 % = 2034,95
    • Prognose für die übrigen Tage der nächsten Woche (nach Werktagen) = (1769,52 * 5) * 18 % = 1592,57

Deshalb können Prognosen dieser Halbfabrikate auf der Grundlage eines aktiven Rezepts auch in Rohstoffeinkaufsprognosen extrapoliert werden. Dieses einfache Beispiel gibt eine Idee, wie Prognosen in MILAS AX aus Daten der Vergangenheit generiert werden können.

Fazit

Ungeachtet der Tatsache, dass viele Geschäftsleute behaupten, Prognosen seien falsch (was in einem gewissen Grad auch stimmt), sollten Unternehmen die Bedeutung genauer Prognosen nicht unterschätzen. Zur Unterstützung dieses Prognoseprozesses bietet MILAS AX ein strukturiertes, flexibles und benutzerfreundliches Tool.

Webinar: How to be more profitable in the commodity market