Die vorliegende Masterarbeit widmet sich der Erstellung eines Branchenindikators für den LED-Markt, der die tendenzielle Entwicklung dieses Marktes für bis zu 12 Monate im Voraus aufzeigen soll. Dieser zusammengesetzte Index besteht aus zwei gewichteten quantitativen Prognosen auf Basis marktnaher Zeitreihen.
Mit dem Wissen um die Begrenztheit quantitativer Methoden wurden anschließend zwei qualitative Indikatoren auf Basis aktueller Medienberichterstattung entwickelt, die dabei helfen sollen, die quantitativen Ergebnisse besser zu interpretieren, um unter Umständen die darauf aufbauenden Vorhersagen nachvollziehbar zu modifizieren.
Für die Erstellung der quantitativen Prognosen kamen angepasste ARIMA-Modelle zur Anwendung.
Grundlage für die Konstruktion der „Medien-Indikatoren“ war eine Anwendung der „WEB 2.0-Generation“, ein sogenanntes Mashup-Werkzeug.
Inhaltsverzeichnis
1 Einleitung
2 Vorgehensweise und Aufbau der Arbeit
3 Die Leuchtdiode (LED)
3.1 Der LED Markt
3.2 Historie und Ausblick der langfristigen Marktentwicklung
4 Prognosen und das „Business Forecasting“
4.1 Business Forecasting im betrieblichen Umfeld
4.1.1 Unternehmenssteuerung
4.1.2 Marketing
4.1.3 Controlling und Risikomanagement
5 Einteilung der Prognoseverfahren
5.1 Quantitative Verfahren
5.1.1 Zeitreihenmethoden (Time-Series Forecasting Methods)
5.1.1.1 Identifikation der Datenmuster
5.1.1.2 OMTS Methoden
5.1.1.3 FMTS Methoden
5.1.2 Regressionsmethoden
5.2 Qualitative Verfahren
6 Der Indikator
6.1 Die Indexzahl
6.2 Konjunkturindikatoren
7 Der Prognoseprozess
7.1 Die Daten
7.2 Auswahl des Prognoseverfahrens
7.2.1 Wahl der Prognosemethode in Abhängigkeit vom Produktlebenszyklus
7.2.2 Auswahl der Prognosemethode unter Berücksichtigung der Charakteristik der Prognosesituation
7.2.2.1 Charakteristik der Entscheidungssituation
7.2.2.2 Charakteristik der Prognosemethode
8 Das gewählte Verfahren: ARIMA (Box Jenkins)
8.1 Analyse der zugrundeliegenden Datenreihe (Zeitreihe)
8.1.1 Autokorrelationsfunktion (ACF)
8.1.2 Die Partielle Autokorrelationsfunktion (PACF)
8.1.3 Identifikation von Saisonalitäten
8.1.4 Prüfen auf Stationarität
8.1.4.1 Entfernen von nichtstationären Mustern
8.1.5 Das ARIMA Modell
8.1.5.1 Bestimmung der ARIMA-Modellparameter
8.1.5.2 Saisonalität und ARIMA-Modelle
8.1.5.3 Der Identifikationsprozess
8.2 Das ARIMA-Modell zum „LED-Shipment-Index" des japanischen Wirtschaftsministeriums
8.2.1 Die japanischen LED-Produzenten
8.2.2 Die Daten
8.2.3 Stationarität
8.2.4 Bestimmung des (vorläufigen) Modells
8.2.5 Evaluation des Modells
8.2.5.1 Die Residuen-ACF
8.2.5.2 Der „Out-Of-Sample“-Test
8.2.5.3 Optimierung des vorläufigen Modells
8.3 Das ARIMA-Modell auf Grundlage taiwanesischer LED-Exporte
8.3.1 Die taiwanesischen LED-Produzenten
8.3.2 Die Daten
8.3.3 Stationarität
8.3.4 Bestimmung des (vorläufigen) Modells
8.3.5 Evaluation des Modells
8.3.5.1 Die Residuen-ACF
8.3.5.2 Der „Out-Of-Sample"-Test
8.4 Der (quantitative) Indikator zur LED-Marktentwicklung - „LEDIX“
8.5 Zusammenfassende Bewertung zum quantitativen Index bzw. den quantitativen Prognosen
9 Der Stimmungsindikator
9.1 Die Mashup-Applikation „YahoolPipes“
9.2 Medienberichte als Konjunkturindikator
9.2.1 Der Indikator zur frühzeitigen Anzeige globaler Rezessionen - „RINDEX“
9.2.2 Der Indikator zur Darstellung des Branchenklimas - „CliLED“
9.2.3 Die Konstruktion der Filter
9.2.3.1 Evaluation der Filter
9.3 Das „Indikator-Cockpit"
10 Zusammenfassung und Fazit
11 Anhang - A
12 Anhang - B
13 Anhang - C
14 Anhang - D
15 Anhang - E
16 Anhang - F
17 Abkürzungen
18 Tabellenverzeichnis
19 Abbildungsverzeichnis
20 Literaturverzeichnis
1 Einleitung
Ziel der vorliegenden Arbeit ist die Erstellung eines Branchenindikators für den LED-Markt. Dieser soll eine möglichst objektive Prognose über die tendenzielle Entwicklung des LED-Marktvolumens mit einem zeitlichen Vorlauf von 3-12 Monaten liefern. Unter Marktvolumen wird dabei der gegenwärtig von allen Anbietern erzielte Umsatz für das betreffende Produkt verstanden. Ein solcher Indikator würde Marktteilnehmern - insbesondere den Anbietern - unter anderem dabei helfen, rechtzeitig Kapazitätsanpassungen vorzunehmen. Zur Erstellung des Indikators sollten möglichst nur öffentlich zugängliche Informationen verwendet werden. Hierzu gehören z.B. Pressemitteilungen und Quartalsabschlüsse von direkten Marktteilnehmern ebenso wie von Unternehmen in angelagerten Wertschöpfungsstufen. Daher sollte ein Verfahren entwickelt werden, welches aus dem ständig „fließenden Datenstrom“ relevante Informationen extrahiert und objektiviert, um den Branchenindikator laufend zu pflegen. Dieser soll dann mit Hilfe historischer Daten validiert und das Selektionsverfahren für Informationen sowie die Methode zur Bildung der Kennziffer ggf. angepasst werden.[1]
Der im Rahmen der vorliegenden Arbeit konstruierte LED-Branchenindikator stützt sich in erster Linie auf quantitative Prognosen auf Basis ausgewählter marktnaher Zeitreihen und wird von zwei Stimmungsindikatoren ergänzt, die zum einen das aktuelle „Branchenklima“ und zum anderen die globale „Rezessionsgefahr“ auf Basis von Medienberichterstattungen widerspiegeln. Damit helfen sie unter anderem, die quantitativen Prognosen besser einzuordnen und sind ggf. Grundlage für deren nachvollziehbare Modifikation. Für die Erstellung der quantitativen Prognosen werden Methoden des „Business Forecasting“ (Prognoserechnung) genutzt. In diesem Zusammenhang ist die Wahl der adäquaten Methode in Bezug auf Aufgabenstellung unter den gegebenen Rahmenbedingungen von herausgehobener Bedeutung.[2] Die Aufgabe definiert hierbei den Bereich der nutzbaren Datenquellen, den Prognosehorizont und die Prognoseintervalle. Die Qualität und Quantität der zur Verfügung stehenden Daten sind dann entscheidend für die Beurteilung, ob überhaupt brauchbare quantitative Prognosen möglich sind und wenn ja, mit welcher Genauigkeit. Grundlage für die systematische Datensuche war ein Ver- ständnis der „LED-Wertschöpfungskette“ sowie des LED-Marktes. Für ersteres wurde der Herstellungsprozess analysiert, um in einem frühen Stadium Schlüsselelemente innerhalb der Wertschöpfungskette ausfindig zu machen, die eine besondere Signalfunktion besitzen. Diese würden - so die Überlegung - einen entscheidenden Einfluss auf die Anbieterseite haben und damit natürlich auch auf die Entwicklung des aggregierten LED-Marktvolumens. Im besten Fall würde eine dieser Zeitreihen die Eigenschaft eines Frühindikators besitzen, der mit einem gewissen Vorlauf die Veränderungen des LED-Marktes aufzeigt. Dieses „Wunschergebnis“ stellte sich allerdings nach Untersuchung der gesammelten Daten nicht ein, was die Anwendung der Prognoserechnung unumgänglich machte, um den Anforderungen der Aufgabenstellung gerecht zu werden.
Für das Verständnis des LED-Marktes war - neben der Analyse der aktuellen Marktstruktur - die historische und zukünftige Entwicklung des Marktes (Zeithorizont: größer IJahr) sowie seiner treibenden Elemente im zeitlichen Verlauf von Interesse. Hierbei ist die sich verändernde Sättigung der einzelnen Marktsegmente in Abhängigkeit von der Durchdringung der LED-Technik von großer Bedeutung. Sie steigert in der Regel die Komplexität des Prognosevorhabens, relativiert die Wichtigkeit bestimmter Daten und fordert alternative „qualitative“ Hilfsmittel als Ergänzung zu den quantitativen Methoden. Zum Beispiel könnte eine aktuelle Prognose der weltweiten Leuchtmittelverkäufe für das kommende Jahr - basierend auf historischen Zahlen - nur schwerlich herangezogen werden, um damit gleichzeitig auch eine Aussage über die zukünftigen LED-Umsätze für den gleichen Prognosehorizont zu tätigen. Wäre allerdings die LED das etablierte Herzstück dieser Leuchten[3], so würde eine höhere Korrelation zwischen Leuchtmittelumsätzen und LED-Umsätzen wahrscheinlich sein; kurz: das qualitative Verlaufsmuster der Leuchtmittelumsätze würde annähernd dem Verlaufsmuster der LED- Umsätze entsprechen. Weitere Prognosen zur Entwicklung dieses Marktes (soweit die LED im selben Zeitraum nicht von einer überlegeren Technik abgelöst oder verdrängt werden würde) wären dann „relativ“ einfach zu erstellen.
Dieses Szenario entspricht zum gegenwärtigen Zeitpunkt allerdings nicht der Realität, da die Durchdringung des Teilmarktes „Allgemeinbeleuchtung“ mit dem deutlich größten Marktpotential (siehe Kap.3.1) noch in seinen Kinderschuhen steckt und der Zeitpunkt, zu dem sich das „schnelle Wachstum" (siehe Kap.7.2.1) einstellt, von gehobener Bedeutung ist. Modelle, die diesen Zeitpunkt versuchen vorherzusagen sind existent und können käuflich erworben werden. Unterjährige Prognosen diesbezüglich existieren dagegen nicht.
2 Vorgehensweise und Aufbau der Arbeit
Die vorliegende Arbeit lässt sich grob in 3 große Abschnitte einteilen. Der erste Teil behandelt vornehmlich die allgemeinen theoretischen Rahmenbedingungen zu Prognosen bzw. dem „Business Forecasting". Teil zwei widmet sich der Entwicklung des quantitativen Indikators zur tendenziellen Vorhersage der 12- monatigen Marktentwicklung und Teil drei thematisiert den Aufbau der qualitativen Indikatoren zur Optimierung (Ergänzung) der quantitativen Prognosen. Vor jedem Anwendungsabschnitt erfolgt die Darlegung der notwendigsten - aber nicht erschöpfend umfassenden - theoretischen Grundlagen, um dem Leser die getroffenen Entscheidungen und Ableitungen nachvollziehbar darzulegen.
Beginnend mit einer kurzen Vorstellung des Produktes, werden der LED-Markt und seine Hauptcharakteristika beschrieben. Anschließend folgt eine grundlegende Erläuterung, was unter Prognosen und dem „Business Forecasting" (BF) zu verstehen ist und was die anhänglichen Verfahren im Grunde zu leisten vermögen. Nach einer kurzen Darstellung, in welchen betrieblichen Bereichen die Methoden des BF zum Einsatz kommen können, wird versucht, die Gesamtheit der heute nutzbaren Verfahren nach bestimmten Hauptkriterien einzuteilen, um sich im „Dickicht" der Methoden besser zurechtzufinden. Hier werden Vor - und Nachteile der einzelnen Verfahren (Verfahrensgruppen) deutlich und die Grenzen der verschiedenen Ansätze sichtbar.
In Kapitel 6 werden dann die Haupteigenschaften von „Indikatoren" erläutert (Aufbau, Notation) und am Beispiel der Konjunkturindikatoren das Prinzip der „vorlaufenden", „gleichlaufenden" und „nachlaufenden" Indikatoren erklärt.
Dem in Kapitel 7 vorgestellten Prognoseprozess und der grundlegenden Diskussion, wie eine „optimale" Kombination von quantitativen und qualitativen Methoden gestaltet werden könnte, folgt die Darstellung der Vorgehensweise zur Datensuche und Datenselektion. Anschließend werden verschiedene Aspekte einer systematischen Methodenauswahl diskutiert, die schließlich in der Identifikation des „passenden" Prognoseverfahrens ARIMA (Box Jenkins) mündet.
Der erste Teil des Kapitels 8 umfasst dann die theoretischen Grundlagen zu dem „Box-Jenkins"-Ansatz und die Darlegung des Prozesses zur ARIMA- Modellidentifikation. Der 2. und 3. Teil dieses Abschnittes widmen sich anschließend der praktischen Anwendung der theoretischen Erkenntnisse zur Bestimmung der „optimalen" ARIMA-Modelle. Teil vier beschreibt das Konstruktionsprinzip des zusammengesetzten quantitativen Indikators zur LED-Marktentwicklung („LEDIX") und in Teil fünf werden die Hauptcharakteristika der quantitativen Resultate zusammengefasst und bewertet.
Für die Berechnungen im Zuge der Modellentwicklung, Prognose und Evaluation wurde die Prognosesoftware „ForecastX" genutzt, die als (kostenpflichtige) Zusatzfunktion in „Microsoft Excel 07" implementiert werden kann.
Mit Blick auf die Begrenztheit quantitativer Methoden werden schließlich im letzten großen Abschnitt zwei Stimmungsindikatoren eingeführt, die zum Einen die wachsende globale Rezessionswahrscheinlichkeit frühzeitig anzeigen („RINDEX") und zum anderen die aktuelle Branchenstimmung („CliLED") objektiv wiedergeben sollen. Die theoretischen Hintergründe, Konstruktionsprinzipien sowie Schlüsselelemente zur Realisierung dieser eher qualitativen Indikatoren werden beschrieben und erläutert.
3 Die Leuchtdiode (LED)
Seit der kommerziellen Einführung von Leuchtdioden (light-emitting diodes, LEDs) durch „General Electric" im Jahre 1962 haben sich diese Bauelemente in einer Vielzahl von Anwendungen etabliert und dringen in weitere Applikationsbereiche vor. Leuchtdioden, die im sichtbaren Spektralbereich emittieren, werden in Anzeigesystemen wie beispielsweise Vollfarbendisplays oder Verkehrszeichen eingesetzt, für die innere und äußere Beleuchtung von Kraftfahrzeugen, für die Hintergrundbeleuchtung von LCD-Fernsehern und Monitoren bis hin zu Lichtlösungen im Bereich der Allgemeinbeleuchtung. [4] Anders als herkömmliche Lampen, die mit einer Glühwendel oder Gasentladung arbeiten, sind LEDs winzige Elektronik-Chips aus speziellen Halbleiterkristallen. Fließt Strom durch diesen Festkörper, beginnt er zu leuchten, er „emittiert“ Licht. In der Fachsprache wird dieser Prozess „Elektrolumineszenz“ genannt. Mit einer Kantenlänge von etwa einem Millimeter gehören LEDs zu den kleinsten verfügbaren, nahezu punktförmigen Lichtquellen. Klassische Leuchtdioden sind meist (dotierte) III-V-Halbleiter, das heißt, sie sind aus Elementen der 3. und 5. Gruppe des Periodensystems aufgebaut. Dazu gehören Stoffe wie Galliumphosphid (GaP), Aluminiumgalliumarsenid (AlGaAs) oder Indiumgalliumnitrid (InGaN).[5] Das verwendete Halbleitermaterial bestimmt die dominante Wellenlänge und damit die Lichtfarbe der Dioden: Rot, Grün, Gelb oder Blau.
Durch die Möglichkeit mit LEDs weißes Licht zu erzeugen, haben sich erst die Volumen-Märkte eröffnet, welche bisher ausschließlich von inkandeszenten[6] Lichtquellen bedient wurden.[7] Dieses weiße LED-Licht kann durch unterschiedliche Herstellungsverfahren erzeugt werden. Das derzeit gängigste Verfahren nutzt das Prinzip der „Lumineszenzkonversion“. Bei dieser Methode wird oberhalb eines blauen LED-Chips eine Phosphor- Leuchtschicht angebracht.[8] Sie wandelt einen Teil des blauen Lichts in gelbes Licht, womit wiederum durch Mischung von gelbem und blauem Licht ein weißer Farbeindruck entsteht.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1 : links:Schematische Darstellung der "weißen" LED9, rechts: Eine konventionel¬le Hochleistungs-LED aus dem OSRAM Opto Semiconductors GmbH Produktportfolio10
3.1 Der LED Markt
Diese Arbeit fokussiert auf den Markt der „High-Brightness LEDs" (HB LEDs) und fußt damit auf einer relativ neuen Entwicklung der LED-Industrie. Während LEDs schon seit 50 Jahren kommerziell produziert werden, sind HB LEDs erst seit den späten 1980ern zu erwerben. Tab.1 zeigt die zehn größten Wettbewerber in diesem Markt im Jahr 2009.
Tabelle 1: "Top 10"-Wettbewerber im Jahr 2009 (eigene Darstellung)11
Abbildung in dieser Leseprobe nicht enthalten
Technologisch lässt sich der Markt grob anhand der zugrundeliegenden Halbleitermaterialien „InGaN“ (und „InGaAlP“) abgrenzen.[12] In Bezug auf die Entwicklung der relevanten Marktgröße hat sich die Marktsegmentierung in Abhängigkeit von den jeweiligen LED-Applikationen als vorteilhaft erwiesen.
In diesem Zusammenhang lassen sich 6 Segmente unterscheiden:
1. Mobile Appliances (Mobile Anwendungen)
2. Signs and Displays (Elektronische Schilder, Anzeigen und Bildschirme)
3. Automotive (Fahrzeugbeleuchtung)
4. Signals (Signalanlagen)
5. Illumination/Lighting (Allgemeinbeleuchtung)
6. Others (Sonstige Anwendungen)
Abb.2 zeigt die 6 Marktsegmente und deren Anteil am gesamten HB LED-Markt im Jahre 2009 sowie eine Auswahl der typischen LED-Anwendungen.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: HB LED-Marktsegmente in Abhängigkeit der LED - Applikationen [13]
3.2 Historie und Ausblick der langfristigen Marktentwicklung
Auf dem Höhepunkt der Weltwirtschaftkrise 2009 gab der weltweite Halbleitermarkt negative Wachstumszahlen bekannt, der HB LED Markt hingegen wuchs um 6% auf 5,4 Mrd.US-Dollar. Der größte Teil dieses Wachstums rührte aus der gestiegenen LED-Durchdringung im Bereich der LCD-Hintergrundbeleuchtung und dem zunehmenden Einsatz der LED im Bereich der Allgemeinbeleuchtung.[14] Momentan ist der Teilmarkt „Mobile" immer noch der größte. Sein Umfang geht allerdings tendenziell zurück, wofür der Preisverfall der LEDs und die Marktsättigung in diesem Bereich verantwortlich sind[15] (vgl. Abb.3). Betrachtet man die historische Marktentwicklung zwischen 2002 bis 2009 und die langfristigen Prognosen, so lässt sich in den Jahren 2002 bis 2004 das Mobilesegment als Markttreiber ausmachen (siehe Markierung Abb.3). Gegenwärtig ist „Display" der am schnellsten wachsende Teilmarkt und absehbar „Lighting/Illumination" mit dem deutlich größten Marktpotential (siehe Markierung Abb.4). [16]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Entwicklung des HB LED Marktes und seiner Segmente von 2002 bis 200917 (eigene Darstellung)
„Strategies Unlimited“18 prognostiziert ein Gesamtmarktwachstum in 2010 von 57% und ein durchschnittliches jährliches Wachstum von 29% bis 2014.19
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Prognose der Entwicklung des HB LED Marktes und seiner Segmente bis 201420 (eigene Darstellung)
4 Prognosen und das „Business Forecasting“
“You do not plan to ship goods across the ocean, or to assemble merchandise for sale, or to borrow money without first trying to determine what the future may hold in store. Ensuring that your materials you order are delivered on time, seeing to it that the items you plan to sell are produced on schedule, and getting your sales facilities in place all must be planned before that moment when costumers show up and lay their money on the counter. The successful business executive is a forecaster first; purchasing, marketing, pricing, and organisation all follow.21
Unter Prognose versteht man die Vorhersage eines Vorganges oder eines Zu- standes.[22] Sie ist durch folgende zwingende Merkmale gekennzeichnet:
- Alle Prognosen überführen festgestellte Gesetzmäßigkeiten in die Zukunft, so dass der Faktor Zeit direkt eingeht.
- Sie stützt sich auf Beobachtungen, Analysen, Informationen oder theoretische Erkenntnisse. Also auf Informationen, die in Vergangenheitsdaten vorhanden sind.
- Sie ist um Objektivität bemüht.
- Ihr liegen Annahmen bestimmter Umweltbedingungen und bestimmter kontrollierbarer Variablen zugrunde.
- Die durch Prognosen gewonnenen Informationen sind naturgemäß mit Unsicherheiten belastet. (Denn könnte man sicher darüber sein, welche Umstände zu einer bestimmten Zeit in der Zukunft herrschten, so wäre die Vorbereitung einer Prognose trivial.) 23,24
Business Forecasting ist ein wesentliches Hilfsmittel zur Verbesserung von Unternehmensentscheidungen, indem es durch Anwendung methodisch stringenter Vorgehensweisen - meist aufgrund von Erkenntnissen aus Datenmustern der Vergangenheit - die Prognoseunsicherheit eingrenzt. Dabei ist festzuhalten, dass die „Techniken" des Business Forecasting nie das persönliche Urteilsvermögen - meist gewonnen aus praktischer Erfahrung - sowie den gesunden Menschenverstand der Entscheidungsträger ersetzen können. Jede gute Prognose setzt sich immer aus einem analytischen Teil (Business Forecasting) und einer persönlichen Zukunftseinschätzung zusammen.[25] Mit der Verbreitung von leistungsstarken PCs und der Verfügbarkeit von komplexen Softwarepaketen ist die reine Berechnung von Prognosen relativ einfach durchzuführen. Unabhängig davon kann diese Erleichterung nicht das klare Denken ersetzen. Mangelnde Übersicht beim Manager[26] und fehlerhafter Einsatz der Business Forecasting Techniken kann zu kostspieligen Entscheidungen führen.[27]
Bei der großen Auswahl dieser Prognosetechniken besteht nun das Problem für den Praktiker zu verstehen, inwieweit die jeweilige Methode zu der entsprechenden Entscheidungssituation passt. Der größte Teil der heute veröffentlichten Literatur behandelt dieses Problem nicht; entweder, weil die meisten Arbeiten auf einen schmalen Bereich der Methoden fokussieren oder weil viele Autoren annehmen, dass ihre Methoden, auf die sie sich spezialisiert haben, die meisten Situationen beherrschen können.[28] Tatsächlich scheint es so, dass zu viele Prognosetechniken (bei der letzten Zählung waren es alleine über 60 Zeitreihentechniken) verfügbar sind und der Versuch die „Richtige" auszuwählen, leicht in einem „Information Overload" enden kann. So ein Szenario führt oft dazu, dass die potentiellen Anwender aufgeben, die volle Bandbreite dieser Techniken zu verstehen und folglich nur noch eine oder zwei Methoden nutzen, mit denen sie sich auskennen - unabhängig davon, ob diese für die Prognosesituation geeignet sind oder nicht.[29]
4.1 Business Forecasting im betrieblichen Umfeld
Eine breite Darstellung unternehmerischer Entscheidungssituationen in Abhängigkeit vom Prognosehorizont kann Tab.7 (siehe Anhang - A) entnommen werden. Nachfolgend werden die Anwendungsfelder für das „Business Forecasting" im Rahmen der Unternehmenssteuerung, des Marketings und des Controllings detaillierter beleuchtet.
4.1.1 Unternehmenssteuerung
Ein wichtiger Aspekt der Führung eines Unternehmens besteht in der Festlegung von Zielen und der Planung betrieblicher Maßnahmen/Veränderungen in Abhängigkeit zukünftiger Rahmenbedingungen zur Zielerreichung. Entsprechend hängt der langfristige Erfolg eines Unternehmens davon ab, wie gut das Management die Zukunft voraussieht und diesbezüglich geeignete Strategien entwickelt. Eine gute Beurteilungsgabe und Intuition (Bauchgefühl) können den jeweiligen Entscheiden eine „grobe" Idee darüber geben, was in Zukunft passieren wird. Will das Management in diesem Zusammenhang versuchen, die Abhängigkeit vom Zufall zu reduzieren sowie die Umwelt „neutraler" zu erfassen, könnten sich geeignete Methoden der Prognoseermittlung (Business Forecasting) als nützlich erweisen30. Da die Funktion der Unternehmensführung von zentraler Bedeutung für den Erfolg des Unternehmens ist, sind Prognosen, die als Grundlage der Entscheidungsfindung auf dieser Ebene dienen können, besonders kritisch. Hierbei sind insbesondere Vorhersagen über wirtschaftliche Faktoren, die als Grundlage der Planung betrieblicher Expansion hinsichtlich Zeit und Umfang sowie strategischer Maßnahmen dienen können, außerordentlich wichtig[31]. Dieses gilt besonders vor und während Phasen starken Marktwachstums, denn hier werden in der Regel die höchsten Investitionen getätigt. Das Signal zum bevorstehenden Wachstum führt dann oft zu umfassenden Erweiterungen des Anlagevermögens. Kostenanalysen zeigen jedoch, dass Produktionsanlagen 80% oder mehr ausgelastet sein müssen, um bei starkem Wettbewerb eine belastbare Kapitalrentabilität vorweisen zu können. Das richtige Timing der Investitionsaufwendungen zur Kapazitätserweiterungen ist daher entscheidend und hängt entsprechend von akkuraten Prognosen ab.[32]
4.1.2 Marketing
Im Marketing werden Prognosen vor allem im Rahmen der Markt- und Absatzplanung erstellt. Hier sind zum einen Prognosen über die zukünftige Entwicklung des Marktes (Entwicklungsprognosen), zum anderen Prognosen über die voraussichtliche Wirkungsweise alternativer Instrumenteneinsätze (Wirkungsprognosen) von Interesse. Wirkungsprognosen gehen von den absatzpolitischen Instrumenten als unabhängiger Variable aus, wobei vom Zeitablauf und sonstigen Umwelteinflüssen abstrahiert wird. Zur Schätzung des Absatzpotenzials wird der eigene Instrumenteinsatz, für das Marktpotential der Instrumenteinsatz der gesamten Branche als unabhängige Variable herangezogen.[33] Im Rahmen der Entwicklungsprognose möchten Unternehmen im Voraus abschätzen, welche Nachfrage sich aus dem künftigen Verhalten der Käufer unter gegebenen Bedingungen entwickeln wird. Für nur sehr wenige Produkte ist dies einfach. Voraussetzungen für einfache Vorhersagen sind gleichbleibende Absatzzahlen oder gleichmäßiges Wachstum bei konstanter Wettbewerbssituation. Da aber bei den wenigsten Produkten eine stabile Gesamtnachfrage oder eine konstante Nachfrage nach den Erzeugnissen eines Unternehmens besteht, wird eine genaue Vorhersage zu einem echten Schlüsselfaktor für den Erfolg oder Misserfolg eines Anbieters. Je instabiler die Nachfrage, umso wichtiger sind genaue Vorhersagen und ausgeklügelte Prognosemethoden.[34] Ihre Ergebnisse können dann ferner zur Gestaltung der Preispolitik genutzt werden z.B. im Rahmen eines „Yield Managements"[35]. Dieses besteht im Allgemeinen aus vier Bausteinen: Einer Datenbank zur Datenbeschaffung, einem Prognosemodul, einem Optimierungsmodul und der Ergebniskontrolle (siehe Abb.5). Das Optimierungsmodul lässt sich wiederum in ein Kapazitätssteuerungsmodul und ein Preissteuerungsmodul zerlegen. Das Prognosemodul schätzt durch einen Vergleich der historischen Nachfrageentwicklung mit dem aktuellen Nachfrageverlauf die insgesamt zu erwartende Nachfragemenge und bildet die informationelle Grundlage der Preis- und Kapazitätsplanung.[36]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 5: Integriertes Yield-Management-System[37]
4.1.3 Controlling und Risikomanagement
Im strategischen Management wurde die Notwendigkeit erkannt, die Umwelt des Unternehmens hinsichtlich strategisch wichtiger Entwicklungen zu beobachten. Hierzu sollten Früherkennungssysteme dienen. In jüngerer Zeit wird die Notwendigkeit von Frühwarnsystemen als Element des Risikomanagements verstärkt auch aus prüfungs- und haftungsrechtlicher Sicht vor dem Hintergrund der Anforderungen des KonTraG (Gesetz zur Kontrolle und Transparenz im Unternehmensbereich) diskutiert. Ein Frühwarnsystem hat grundsätzlich die Aufgabe, potentielle oder bereits eingetretene, interne bzw. externe Gefährdungen des Unternehmens so rechtzeitig aufzuzeigen, dass der jeweilige Entscheidungsträger in die Lage versetzt wird, drohende Gefahren in ihren Auswirkungen zu mildern.[38] Hochrechnungen ermöglichen eine "antizipierende Kontrolle", denn im Vergleich zu kennzahlenorientierten Systemen werden Planwerte nicht mit Istwerten verglichen, sondern mit voraussichtlichen Werten zum Ende des Betrachtungszeitraums. Diese werden aus bereits realisierten beispielsweise monatlichen Zwischenergebnissen als jeweils aktuelle Vorschau auf das zu erwartende Endergebnis ermittelt. Auch diese Methode ist unter dem Begriff Forecasting heute in der Controllingpraxis üblich. Die Hochrechnung ermöglicht es, bereits frühzeitig vor dem Ende des Betrachtungszeitraums und ohne Vorliegen endgültiger Istwerte, positive oder negative Abweichungen zu erkennen und Steuerungsmaßnahmen einzuleiten. Die hochrechnungsorientierte Früherkennung im Rahmen des Risikomanagements stellt einen Fortschritt gegenüber rein kennzahlenorientierten Systemen dar. Sie lässt eine frühzeitigere Identifikation von Gefahren und Chancen zu, erhöht damit den Handlungsspielraum und zwingt zu einer Beschäftigung mit der künftigen Entwicklung. Doch trotz der erhöhten Handlungs- und Steuerungsmöglichkeiten kann auch die hochrechnungsbasierte Früherkennung nur Entwicklungen im kurzfristigen, unterjährigen Bereich und daher mit nur begrenztem zeitlichen Vorlauf aufzeigen. Außerdem können erstmalige, unerwartete Ereignisse, die in der Vergangenheit nicht aufgetreten sind, nicht erkannt werden.[39]
5 Einteilung der Prognoseverfahren
Prognosemethoden variieren weitgehend bezüglich ihres Zeithorizonts sowie der Art ihrer zugrundeliegenden Datenmuster und der Parameter, die das tatsächliche Ergebnis bestimmen (exogene Größen[40] ).
Um mit dieser Diversität umgehen zu können, wurden vielfältige Prognosetechniken entwickelt. Diese lassen sich in zwei grundsätzliche Kategorien unterteilen:
- quantitative Verfahren und
- qualitative oder technologische Verfahren.
Diese Klassifikation zeigt im Grunde an, in welchem Ausmaß eine Prognose direkt auf Vergangenheitsdaten aufgebaut werden kann.[41]
5.1 Quantitative Verfahren
Verfahren, die von Daten der Vergangenheit ausgehen und dann mittels bestimmter Regeln eine Vorhersage zukünftiger Daten entwickeln, fallen unter die Kategorie der quantitativen Methoden.[42] Diese können genutzt werden, wenn drei Bedingungen erfüllt sind:
1. Informationen über die Vergangenheit sind verfügbar
2. Diese Informationen können mittels numerischer Daten quantifiziert werden.
3. Es kann vorausgesetzt werden, dass einige Aspekte des vergangenen Verhaltensmusters sich auch in der Zukunft fortsetzen.
Diese letzte Kondition wird auch als “Kontinuitätsbedingung” bezeichnet und ist eine grundlegende Prämisse für alle quantitativen und viele technologischen Prognosemethoden[43] - unabhängig davon, wie komplex sie auch immer sein mögn[44]
Eine zusätzliche Dimension der Klassifizierung von quantitativen Prognosemethoden liegt in der Betrachtung des zugrundeliegenden Modells. Hier existieren zwei große Prognosemodellgruppen:
- die Zeitreihenmodelle und
- die Regressions- (Kausal-)modelle.
Bei den Erstgenannten basieren Vorhersagen über die Zukunft auf vergangenen Werten einer Variablen. Das Ziel einer solchen Zeitreihenprognosemethode liegt in der Entdeckung eines Musters in den historischen Datenreihen und in der Extrapolation dieses Musters in die Zukunft. Kausalmodelle setzen voraus, dass die vorherzusagende Größe eine Beziehung zu einer oder mehreren unabhängigen Variablen besitzt. Zeitreihen- und Kausalmodelle haben ihre Vorteile in verschiedenen Situationen. Während Zeitreihenmodelle einfacher für Prognosen genutzt werden können, sind Kausal-Modelle erfolgreicher bei Strategie- und Entscheidungsfindung.[45] Stehen ausreichend Daten zur Verfügung, empfiehlt es sich immer eine mögliche Kombination dieser beiden Verfahren zu prüfen.
5.1.1 Zeitreihenmethoden (Time-Series Forecasting Methods)
Ein wichtiger Schritt bei der Wahl einer angemessenen Zeitreihenmethode ist die Prüfung auf bestimmte Datenmustertypen, so dass die Methode, die in Bezug auf diese Typen am geeignetsten erscheint, bestimmt werden kann.
1. Ein horizontales stationäres Muster (Level) liegt vor, wenn die Datenwerte sich um einen konstanten Mittelwert bewegen, z.B. Umsätze für ein bestimmtes Produkt, die über eine bestimmte Zeitspanne nicht steigen oder fallen.
2. Ein saisonales Muster existiert, wenn eine Reihe von einem saisonalen Faktor beeinflusst wird, z.B. monatliche Umsatzzahlen von Eiskrem- und Heizölproduzenten.
3. Ein zyklisches Muster ist gegeben, wenn die Daten von längerfristigen Fluktuationen beeinflusst werden, wie z.B. im Falle von Datenverläufen die mit Konjunkturzyklen in Verbindung gebracht werden können, z.B. Umsätze in der Automobil- und Stahlindustrie. Der Hauptunterschied zwischen saisonalen und zyklischen Mustern liegt darin, dass saisonale Muster konstante Länge besitzen und regelmäßig erscheinen, wobei zyklische Muster in Länge und Ausmaß variieren (in der Regel fallen unter die zyklischen Muster saisonale Muster, die länger als 1 Jahr andauern.) Ferner sind Methoden, die mit saisonalen Mustern umgehen können, auch für zyklische Muster geeignet.[46]
4. Ein Trend liegt vor, wenn die Datenwerte langfristig stetig steigen oder fallen, z.B. die Gesamtumsätze von diversen Unternehmen oder das Bruttoinlandsprodukt (BIP).
Mentzer u.a. ergänzen noch um das Charakteristikum des Rauschens[47]: eine zufällige Fluktuation der historischen Daten, die mittels Zeitreihenmodell nicht erklärt werden kann (sie wird auch als Residualkomponente bezeichnet)48
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 6: Zeitreihenkomponenten mit der Umsatzentwicklung als zugrundeliegende Zeitreihe.49 (eigene Darstellung)
Viele Datenreihen umfassen Kombinationen dieser vorgestellten Muster. Prognosemethoden, die in der Lage sind, diese Datenmuster zu erkennen, müssen hier zur Anwendung gebracht werden, wenn eine Trennung dieser Muster erforderlich ist. Gleichermaßen können alternative Prognosemethoden genutzt werden, um die Muster zu identifizieren und die Daten anzupassen, damit zukünftige Werte bestmöglich prognostiziert werden können.[50]
Zeitreihenmodelle können grundsätzlich in zwei Kategorien eingeteilt werden:
- die offenen Zeitreihenmodelle OMTS (open-model time-series) und
- die stationären Zeitreihenmodelle FMTS (fixed-model time-series)
Diese Kategorisierung basiert darauf, inwieweit die Modelle in der Lage sind, die o.a. Datenmuster zu erkennen und zu prognostizieren (siehe Tab.3, Seite 35).
5.1.1.1 Identifikation der Datenmuster
Für die Identifikation der Datenmuster einer Zeitreihe ist die Prüfung auf Autokorrelation ein entscheidender Schritt. Unter Autokorrelation versteht man den Zusammenhang zwischen der sequentiell verzögerten Variablen und ihrer selbst. Die Autokorrelationskoeffizienten werden genutzt, um die Datenmuster der Zeitreihe zu identifizieren. Der Autokorrelationskoeffizient rk mit einer Verzögerung к berechnet sich wie folgt:
Abbildung in dieser Leseprobe nicht enthalten [51]
Auf die praktische Anwendung der Autokorrelationsfunktion (ACF) wird im Rahmen der Prognosemodellentwicklung (siehe Kap.8) näher eingegangen.
5.1.1.2 OMTS Methoden
OMTS Techniken[52] analysieren die Zeitreihen zur Identifikation bestimmter Datenmuster, um damit ein spezifisches Modell zu konstruieren, welches in der Lage ist, diese Datenmuster in die Zukunft zu projizieren. Dieses steht im Gegensatz zu den FMTS Techniken, die auf im Vorfeld festgelegte Gleichungen aufbauen, ba sierend auf Annahmen, dass gewisse Muster existieren (oder auch nicht). Alle OMTS Methoden setzen voraus, dass ein beträchtliches Verständnis quantitativer Methoden vorhanden ist, um diese Techniken wirksam nutzen zu können. Die Analyse mit OMTS Techniken kann komplex werden und verlangt ein signifikantes Eingreifen vom Anwender. Deshalb erfahren diese Methoden relativ niedrige Resonanz in der Praxis. Verbesserungen im Rahmen der Systemtechnologie haben zwar mittlerweile die Handhabbarkeit erleichtert, jedoch bleiben immer noch die hohen Anforderungen bezüglich der Datenquantität.[53]
5.1.1.3 FMTS Methoden
FMTS-Methoden[54] basieren fast ausschließlich auf einem (gewichteten) Mittel vergangener Zeitreihenwerte, wobei versucht wird, kurzfristige Fluktuationen, die nicht den generellen Verlauf der Zeitreihe repräsentieren, bestmöglich zu dämpfen.[55] So nutzt man beispielsweise den gleitenden Mittelwert 3. Ordnung, um aus dem Mittelwert der letzten 3 Vergangenheitswerte den Prognosewert zu generieren. Die Gewichtung der betrachteten Vergangenheitswerte ist gleich. Anders im Fall der Exponentiellen Glättung. Hier werden die Prognosen aus dem gewichteten Mittel aller Vergangenheitswerte berechnet. Die Gewichtung selber nimmt mit dem Alter der Zeitreihenwerte ab, da angenommen wird, dass in dem aktuellsten Wert der Zeitreihe die meisten Informationen bezüglich des weiteren Verlaufs der betrachteten Daten enthalten sind. FMTS-Methoden sind - in der Regel - einfach und kostengünstig in der Nutzung und benötigen kleine Datenmengen. Letzteres - also die Fähigkeit auf Basis kleiner Datenmengen, Prognosen zu erarbeiten - erlaubt diesen Techniken, sehr schnell auf Änderungen der zugrundeliegenden Datenreihe zu reagieren. FMTS-Methoden sind in der Regel schneller in der Anpassung auf Veränderungen der Zeitreihenkomponenten als OMTS-Techniken (welche grundsätzlich mehr Daten mit stabilen Zeitreihenkomponenten über einen langen Zeitabschnitt benötigen).[56] Die größte Einschränkung liegt allerdings in dem relativ kurzen Prognosehorizont[57], der mit diesen Methoden sinnvoll abzudecken ist.
5.1.2 Regressionsmethoden
Eine Eigenschaft teilen jedoch alle Zeitreihenmethoden: sie klammern andere Faktoren, die womöglich den Verlauf der zugrundeliegenden Datenreihe beeinflusst haben, systematisch aus. In vielen Fällen kann jedoch das, was Zeitreihenmethoden als Rauschen klassifizieren, durch Berücksichtigung dieser exogenen Variablen erklärt werden.[58] Diese Berücksichtigung findet im Rahmen der Regressionsanalyse statt. Die grundsätzlichen Voraussetzungen zur Anwendung von kausalen Methoden ist (wie schon angeführt), dass die vorauszusagende Größe eine signifikante Beziehung zu einer oder mehreren unabhängigen Variablen aufzeigt. Beispielsweise könnten Umsatzänderungen mit Preisänderungen, Werbeaufwendungen und Maßnahmen der Absatzförderung assoziiert werden. Ist man in der Lage, diese Beziehung und die zukünftigen Werte der freien Variablen zu quantifizieren, so können diese Informationen zur Prognose der vorherzusagenden Größe herangezogen werden.
Die beiden Basistypen kausaler Modelle sind:
- Einfache Regression
- Multiple Regression
Einfache Regression wird genutzt, die Beziehung zwischen 2 Variablen (2 Datenreihen) zu modellieren, um damit anschließend die Prognose der interessierenden Größe zu erstellen (z.B. Nachfrage = f(Preis)) Die einfache Regression nutzt also 1 unabhängige Variable (Prädiktor-Variable), während bei der Multiplen Regression zwei oder mehrere Prädiktor-Variablen zum Einsatz kommen.[59] Das allgemeine (multiple) Regressionsmodell entspricht einer linearen Gleichung der Form:
Abbildung in dieser Leseprobe nicht enthalten
mit den exploratorischen Variablen Хг...Xp,.den Modellparametern a0,alt a2 ... ap und dem Prognosefehler e . Im Falle der einfachen Regression nimmt die Modellgleichung entsprechend folgende Gestalt an: [Abbildung in dieser Leseprobe nicht enthalten] .
5.2 Qualitative Verfahren
Qualitative Prognosemethoden eignen sich meist am besten in Situationen, für die verlässliche Daten nicht ohne weiteres erhältlich oder anwendbar sind und für die das Management also mehr die subjektive Beurteilung einsetzen muss. Hier ist eine gewisse Interpretation der Vergangenheitsdaten notwendig, um die Prognose zu stützen und um möglicherweise auch andere führende Indikatoren und ursächliche oder korrelierte Faktoren zu identifizieren, die mit der betreffenden Änderung verknüpft sind. Eine Interpretation solcher verknüpften Daten muss von Experten vorgenommen werden, die entweder innerhalb der Firma das beste Verständnis für die Situation besitzen oder aus der entsprechenden Firmenbranche kommen. Das Ziel qualitativer Methoden ist sowohl die Vorhersage von Veränderungen in der Grundstruktur als auch die Entwicklung selber z.B. die Vorhersage der Trendumkehr bezüglich Beliebtheit und Lebensdauer eines Produktes.[60]
Qualitative Methoden können in
- Exploratorische Methoden und
- Normative Methoden unterteilt werden.
Exploratorische Methoden (wie Delphi-Methode, S-Kurven, Technische Analogien oder Morphologische Forschung) analysieren vergangene und gegenwärtige Zustände und bewegen sich anhand von diversen Heuristiken in Richtung Zukunft - oft mit Blick auf alle erdenklichen Alternativen. Normative Verfahren (wie die Entscheidungsmatrix, das Relevanzbaumverfahren oder die Systemanalyse) beginnen in der Zukunft mit der Bestimmung aller zukünftigen Ziele und arbeiten sich rückwärts, um zu erkennen, ob diese Ziele auch - in Anbetracht der gegebenen Rahmenbedingungen, Ressourcen und nutzbaren Technologien - erreicht werden können .[61]
6 Der Indikator
Indikatoren sind zunächst „Anzeiger" für verborgene Ereignisse/Entwicklungen. Sie üben eine Stellvertreterfunktion aus und sollen das ursprünglich gemeinte, aber nicht direkt wahrnehmbare Phänomen hilfsweise erkennbar machen. Frühindikatoren (vorauseilende Indikatoren, Leading Indicators) sollen die relevanten Ereignisse/Entwicklungen ihres Indikandums mit einem hinreichenden zeitlichen Verlauf sowie mit hinreichender Regelmäßigkeit signalisieren. Informationen aus Früherkennungsindikatoren müssen sich nicht nur in relativen oder absoluten Zahlen ausdrücken, sondern können auch qualitativ definiert sein. Häufig wird die Verwendung von Frühindikatoren kritisch als ein „measurement without theory" betrachtet und eine exakte Definition dessen, was unter einem Frühindikator zu verstehen ist, existiert offenbar ebenso wenig wie ein allgemeingültiges Konstruktionsmerkmal für solche Indikatoren. Dennoch unterliegt deren Konstruktion und Auswahl ökonomischen Plausibilitäten, speziell im Hinblick auf den ursächlichen Zusammenhang (Wenn - dann - Relation) zwischen dem vom Indikator angezeigten Wert (der von ihm signalisierten Tendenz) und dem Früherkennungsgegenstand.[62]
6.1 Die Indexzahl
Die einfachen Indexzahlen (oder Messzahlen) beschreiben den Zusammenhang zwischen Ergebnissen für eine Maßzahl, gemessen zu verschiedenen Zeitpunkten der Entwicklung einer Grundgesamtheit. Es liegt also eine Zeitreihe von Maßzahlen vor. Mit x0 als Wert der Maßzahl in der Basisperiode und xt als Wert derselben Maßzahl in der Berichtsperiode ergibt sich die Indexzahl als
Die Entwicklung [Abbildung in dieser Leseprobe nicht enthalten] heißt Zeitreihe der Indizes. Wichtigste Anwendung dieser Index-Zeitreihen ist das vergleichende Studium verschiedener Zeitreihen, z.B. für Preismesszahlen [Abbildung in dieser Leseprobe nicht enthalten] (Preisindex). Dabei ist p der Preis eines be [Abbildung in dieser Leseprobe nicht enthalten]stimmten Produkts in der Basisperiode 0 bzw. zur Berichtsperiode t . Damit wird eine Zeitreihe von Messungen (Preise) durch Bezug auf eine Basisperiode in gewisser Weise standardisiert oder bereinigt. Indizes können - wie definiert - oder nach Multiplikation mit 100 in Prozent angegeben werden. Falls ein Index gleich „Eins" ist, hat keine Veränderung stattgefunden. Ein Indexwert größer Eins bedeutet einen Anstieg - z.B. Iot = 1,04 bedeutet ein Wachstum um 4% gegenüber dem Basiszeitpunkt - ein Indexwert kleiner „Eins" bedeutet entsprechend einen Rückgang im Vergleich zur Basisperiode.[63] Bei vielen ökonomischen Anwendungen ist man nicht nur an Zeitreihen einzelner Objekte interessiert, sondern möchte die zeitliche Entwicklung einer Gesamtheit von Objekten durch eine geeignete Maßzahl beschreiben. In der Regel wird eine solche Maßzahl durch geeignete Mittelung oder Aggregation von Einzelwerten gebildet. Wir sprechen dann allgemein von einem Index. Die rechnerisch einfachste Aggregation von Einzelwerten zu einem Index ist die Bildung des ungewichteten Mittels. Ein klarer Nachteil dieser einfachen Mittelung ist, dass Objekte mit unterschiedlicher Bedeutung mit gleichem Gewicht in einen derartigen Index eingehen.[64]
6.2 Konjunkturindikatoren
Konjunkturindikatoren dienen dem Zweck, anhand einer oder weniger Variablen möglichst genaue Aussagen über den aktuellen Zustand der Konjunktur und ihre mögliche Entwicklung hinsichtlich Auf- und Abschwung machen zu können. Von besonderem Interesse ist dabei die frühzeitige Identifikation von Wendepunkten. Für diese Aufgaben ist der zeitliche Zusammenhang zwischen den Indikatoren und der zu beschreibenden Referenzgröße von zentraler Bedeutung. Dabei kann man drei Arten von Indikatoren unterscheiden:
- Führende Indikatoren
- Gleichlaufende Indikatoren
- Nachlaufende Indikatoren
In Abbildung 7 wird dieser zeitliche Zusammenhang schematisch dargestellt. Ist die Referenzgröße ein aggregiertes Output-Maß wie das Inlandsprodukt oder die industrielle Nettoproduktion, so können etwa Auftragseingänge, Lagerveränderungen oder Geschäftslageerwartungen als führende Indikatoren dienen. Diese werden auch als Frühindikatoren bezeichnet, da aus ihrer Veränderung Prognosen über die zukünftige konjunkturelle Entwicklung abgeleitet werden können. Gleichlaufende Indikatoren zeigen die aktuelle Konjunkturlage an. Sie sind besonders dann hilfreich, wenn die eigentliche Referenzgröße nur mit größerer zeitlicher Verzögerung exakt erfasst werden kann, erst mit Verzögerung publiziert wird oder auch nach der ersten Veröffentlichung Revisionen unterzogen wird, wie dies beispielsweise für das Bruttoinlandsprodukt der Fall ist.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 7: Idealisierte Darstellung von Verläufen verschiedener Konjunkturindikatoren (eigene Darstellung) [65]
Nachlaufende Indikatoren sind zwar für die Konjunkturprognose selbst ohne Belang, dienen jedoch dazu, ex post Prognosen zu überprüfen. Neben diesen nach ihrer zeitlichen Struktur gegliederten Indikatoren ist noch der Typus des Spannungsindikators aufzuführen, der mögliche Rationierungszustände auf nicht geräumten Märkten abbilden soll. Zu dieser Kategorie werden etwa der Index des Auftragsbestandes gezählt, aber auch Preise, die auf einen Nachfrageüberhang reagieren. Eine weitere Kategorisierung von Indikatoren kann danach erfolgen, ob sie quantitativen oder qualitativen Charakter haben. Neben den quantitativen Indikatoren, die schon lange im Gebrauch sind, erlangten qualitative Indikatoren in den letzten Jahren zunehmende Bedeutung. Diese qualitativen Indikatoren beruhen auf Daten, die durch Umfragen unter Unternehmen, Managern, Verbrauchern etc. erhoben werden. Der Vorteil dieser “Stimmungsindikatoren” besteht darin, dass die Umfragen explizit die Erwartungen von Unternehmern über die zukünftige Entwicklung, z.B. ihrer Geschäftslage oder Preisentwicklung erfassen. Wie dies beispielsweise in den vom ifo Institut oder dem ZEW durchgeführten Umfragen der Fall ist. Dadurch erweisen sich einige dieser qualitativen Indikatoren als geeignete führende Indikatoren für die Prognose von Wendepunkten. Schließlich kann man neben einzelnen Indikatorreihen auch ganze Bündel von Indikatoren betrachten und daraus einen Gesamtindikator konstruieren. In diesen geht das Verhalten der einzelnen Indikatoren in einer gewichteten Form ein. Das Verhalten des Gesamtindikators hängt damit auch wesentlich von der gewählten Gewichtung ab. Für diese können häufig keine theoretischen oder statistischen Grundlagen gefunden werden, so dass subjektive Aspekte mit einfließen. Ferner kann die Qualität des Gesamtindikators über die Zeit variieren, wenn die Gewichte sich ändern. Trotz dieser Probleme werden auch Gesamtindikatoren in der Praxis eingesetzt, beispielsweise von der Europäischen Kommission und der OECD.[66]
Leider ist ein „perfekter" Frühindikator - wie in Abb.7 dargestellt - in der Praxis eher unwahrscheinlich[67]. Gäbe es ihn für eine vorherzusagende Größe, so wäre die Prognose in einem solchen Fall eine triviale Aufgabe, die alleine durch Anwendung dieses „Frühindikators" gelöst werden könnte. Es gibt einige Größen, die anderen - im Schnitt - vorauseilen, doch das tun sie nicht immer und die Vorlaufzeit ist auch nicht konstant. Die Probleme bei der Identifikation eines solchen vorauseilenden Indikators und die Bestimmung der Abweichung von der durchschnittlichen Vorlaufzeit verhindert oft eine verlässliche Nutzung einer solchen vorauseilenden Datenreihe68 - was auch im Rahmen der Erstellung der vorliegenden Arbeit festgestellt werden musste.
7 Der Prognoseprozess
Die folgenden 5 Schritte definieren den grundlegenden Prognoseprozess[69] ’[70]:
1. Problemformulierung
2. Datensammlung und Aufbereitung
3. Modellkonstruktion
4. Modell Implementierung
5. Prognoseevaluation
Aufgrund der jeweiligen Stärken und Schwächen von qualitativen und quantitativen Prognosemethoden kann die Prognosequalität durch eine adäquate Kombination der beiden Verfahren verbessert werden:
a) Wegen des kostenmäßig und zeitlich geringen Aufwandes sollte in einem ersten Schritt eine datenorientierte Prognose ermittelt werden.
b) Falls es die finanziellen und zeitlichen Ressourcen erlauben, sollte in einem weiteren Schritt eine qualitative bzw. meinungsorientierte Prognose erstellt werden.
c) In einem dritten Schritt erfolgt die Kombination der beiden Prognosen, wodurch der Prognosefehler um ca. 60%[71] - gegenüber dem alleinigen Einsatz von qualitativen bzw. meinungsorien- tierten Prognosemethoden - reduziert würde.
d) Basierend auf der zusammengesetzten Prognose fügt der Manager noch seine persönliche Beurteilung und Intuition sowie sein adäquates
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 8: Prognoseprozess (eigene Darstellung)
[1] Aufgabenstellung von OSRAM Opto Semiconductors GmbH
[2] Die Berechnung selber erfolgte mit der Prognosesoftware „ForecastX“, die sich als Zusatzfunktion in Microsoft Excel 2007 implementieren lässt.
[3] vgl. Anhang - D, Abb.50
[4] vgl. (Scherer, 2004, S. 2)
[5] vgl. (Gimmler, 2005, S. 17)
[6] z.B. herkömmliche Glühlampen
[7] vgl. (Scherer, 2004, S. 2)
[8] vereinfachte Beschreibung
[9] vgl. (licht.de, 2010)
[10] vgl. (OSRAM Opto Semiconductors GmbH, 2010)
[11] vgl. (Strategies Unlimited, 2010, S. 110-111)
[12] 20 09 waren auf „InGaN“ basierende LEDs für etwa 80% des gesamten HB LED-Umsatzes verantwortlich - Tendenz steigend. Vgl. (Strategies Unlimited, 2010, S. 13)
[13] vgl. (Bhandarkar, 2010, S. 20)
[14] engl. General Lighting, Illumination, Solid State Lighting
[15] vgl. (Strategies Unlimited, 2010, S. 2 ff.)
[16] vgl. (iSupply, 2009, S. 1 u. 5)
[17] vgl. (Strategies Unlimited, 2010, S. 2 ff.)
[18] ein führendes Marktforschungsunternehmen auf dem Gebiet der optischen Halbleiter, welches sich auf Analyse und Langfristprognosen >1 Jahr spezialisiert hat
[19] vgl. (Strategies Unlimited, 2010, S. 21)
[20] vgl. (Strategies Unlimited, 2010, S. 21)
[21] vgl. (Hanke, Reitsch, & Wichern, 2004, S. 2)
[22] vgl. (Degen & Lorscheid, 2002, S. 96)
[23] vgl. (Makridakis, Reschke, & Wheelwright, 1980, S. 13ff)
[24] vgl. (Benkenstein, 2001, S. 296-297)
[25] vgl. (Treyer, 2010, S. 26)
[26] „Ich denke, dass es einen Weltmarkt für vielleicht fünf Computer gibt" (IBM-Gründer, Thomas G. Watson, 1943)
[27] vgl. (Hanke u. a., 2004, S. 1)
[28] vgl. (Makridakis, Wheelwright, & McGee, 1983, S. 7)
[29] vgl. (Mentzer & Bienstock, 1998, S. 8)
[30] vgl. (Treyer, 2010, S. 27)
[31] vgl. (Makridakis u. a., 1980, S. 11)
[32] vgl. (Chambers, 1974, S. 162)
[33] vgl. (Meffert, 2000, S. 171)
[34] vgl. (Kotler, G. Armstrong, Saunders, & Wong, 2006, S. 430)
[35] Yield Management ist ein Instrument zur Ertragsoptimierung, bei dem auf der Grundlage eines integrierten Informationssystems eine dynamische Preises-Mengen-Steuerung zur gewinnoptimalen Nutzung der Kapazitäten führen soll. vgl.(Burmann, Meffert, & Kirchgeorg, 2007, S. 522)
[36] vgl. (Burmann u. a., 2007, S. 522-523)
[37] vgl. (Burmann u. a., 2007, S. 522)
[38] vgl. (Weber & Schäffer, 2008, S. 378-379)
[39] vgl. (Welsch, 2010, S. 35ff.)
[40] vgl. (Mentzer & Bienstock, 1998, S. 43)
[41] vgl. (Treyer, 2010, S. 9)
[42] vgl. (Treyer, 2010, S. 9)
[43] z.B. historische Analogien, Kuvenanpassungen
[44] vgl. (Makridakis u. a., 1983, S. 9)
[45] vgl. (Makridakis u. a., 1983, S. 9ff.)
[46] vgl. (Mentzer & Bienstock, 1998, S. 44)
[47] engl. noise
[48] vgl. (Treyer, 2010, S. 9)
[49] vgl. (Mentzer & Bienstock, 1998, S. 47)
[50] vgl. (Makridakis u. a., 1983, S. 9)
[51] vgl. (Hanke u. a., 2004, S. 60)
[52] z.B. die Zerlegungsmethoden, ARIMA (Box Jenkins) usw.
[53] vgl. (Mentzer & Bienstock, 1998, S. 44,76)
[54] Naive Prognosen, Holt’s Exponentielle Glättung, Winter’s Exponentielle Glättung, Glättungsmethoden mit adaptiver Gewichtung usw.
[55] vgl. (Wilson & Keating, 2009, S. 99)
[56] vgl. (Mentzer & Bienstock, 1998, S. 57-75)
[57] ca.1-3 Monate (vgl. Tabelle 3, S.35)
[58] vgl. (Mentzer & Bienstock, 1998, S. 78)
[59] vgl. (Chase, 2009, S. 59-60)
[60] vgl. (Makridakis u. a., 1980, S. 15ff)
[61] vgl. (Makridakis u. a., 1983, S. 11)
[62] vgl. (Krystek & Moldenhauer, 2007, S. 107ff.)
[63] vgl. (Toutenburg, Heumann, & Schomaker, 2008, S. 221-222)
[64] vgl. (Fahrmeir, Künstler, Pigeot, & Tutz, 2009, S. 550)
[65] vgl. (Winker, 2010, S. 68)
[66] vgl. (Winker, 2010, S. 67ff.)
[67] vgl. (Wilson & Keating, 2009, S. 299)
[68] vgl. (Makridakis u. a., 1903, S. 605)
[69] vgl. (Hanke u. a„ 2004, S. 5)
[70] vgl. (J. S. Armstrong, 2002, S. 363)
[71] vgl. (Treyer, 2010, S. 29)
-
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X. -
Upload your own papers! Earn money and win an iPhone X.