Zeitreihen können den Forecast verbessern, setzen aber voraus, dass eine strukturelle Konstanz besteht: Treiber wie beispielsweise Konkurrenz, wirtschaftliche Entwicklung und vor allen Dingen beeinflussbare Treiber wie beispielsweise Rabatte, Marketing-Ausgaben usw. werden vernachlässigt. Dies erscheint aber in den meisten Fällen nicht adäquat.
Der Einbezug von Einflussfaktoren kann den Erklärungsgehalt verbessern. Multivariate Analysen werden hier eingesetzt. Die Daten enthalten weitere interne und externe Attribute (Abb. 4).
Abb. 4: Umfassendere Daten
Es kann wieder das Verfahren der linearen Regression verwendet werden, nur diesmal multivariat, d. h. es gibt eine Zielvariable und mehrere unabhängige Variablen. Als unabhängige Variable dient jetzt nicht die Zeit, sondern Rabatt, Preis usw. Das Modell wird wie folgt erstellt:
| mv_model<-lm(Absatz~Rabatt+Marketing_Ausgaben+Preis,data=Daten) |
Die Kalkulation des bereits vorgestellten Fehlermaßes MAPE kann in Excel wie folgt parametrisiert werden:
| =R.E.eval(" E.mape(predict(mv_model,Daten[49:60]),Daten[49:60]$Absatz)") |
Mit einem MAPE von 6,8 % hat sich die Prognosequalität gegenüber der univariaten (zeitabhängigen) Regression deutlich verbessert. Insofern scheinen sich hier Einflussfaktoren besser für den Forecast zu eignen. Dies hat allerdings eine interessante Konsequenz: Für die Absatzvorschau 2018 benötige ich nun Vorschauwerte für Preis, Rabatt und Marketingausgaben. Rabatt und Marketingausgaben kann ich selbst bestimmen. Preise je nach Marktkonstellation auch. Aus der passiven Vorschaurechnung wird also eine Planung bzw. Simulation (oder auch Wirkungsprognose).
Das ist nur ein Ausschnitt aus dem Produkt Controlling Office. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen
Anmelden und Beitrag in meinem Produkt lesen