Die qualitative Nachfrageprognose ist ein Ansatz zur Vorhersage künftiger Absätze auf der Grundlage der Meinungen und Erfahrungen von Verkäufern und anderen Experten.
Zeitreihenmodelle der Absatzplanung entwickeln ihre Prognosen auf Basis der Zeitreihenverläufe und Trends vergangener Verkäufe. Entscheidenden Einfluß auf die Auswahl eines Zeitreihenmodells hat der Verlauf der bisherigen Absatzdaten. Das Absatzverhalten definiert sich aus der Prämisse, daß zukünftige Verkäufe eine Abbildung vergangener Verkäufe sind, das Muster vergangener Verkäufe also ermittelt und in die Prognose eingebracht werden muß. Sobald das Muster identifiziert wurde, kann der Prognostiker das für dieses Muster bestgeeignete Zeitreihenmodell wählen. Zeitreihenmodelle sind die am häufigsten verwendeten Prognosemodelle.
Die multivariate Regressionsanalyse basiert auf der Annahme, dass ein heute messbarer Indikator eine zuverlässige Aussage darüber zulässt, wie viel zu einem zukünftigen Zeitpunkt verkauft wird. Um zu ermitteln, wie der zukünftige Wert von dem heutigen Wert abhängt und wie er sich daraus berechnen lässt, wird eine Regressionsanalyse durchgeführt.
Im einfachen Fall ergibt sich ein linearer Zusammenhang, sodass eine lineare Funktion ermittelt wird, mit deren Hilfe sich aus dem messbaren Indikator (X-Wert) der Wert für die Vertriebsprognose (Y-Wert) berechnen lässt.
Beispiel: Ein Unternehmen schaltet Werbeanzeigen in Tageszeitungen, um den Verkauf anzukurbeln. Jede Anzeige erreicht eine bestimmte Zahl von Leserinnen und Lesern, die sich aus den Mediadaten des Zeitungsverlags ermitteln lässt. Die Regressionsanalyse auf der Basis von vergangenen Daten zeigt, dass der Umsatz mit den beworbenen Produkten in den vier Wochen nach Erscheinen der Anzeige von der Zahl der erreichten Leserinnen und Leser abhängt. Es besteht ein funktionaler Zusammenhang, der für die Vertriebsprognosen im kommenden Monat genutzt werden kann.
KI-Methoden basieren auf externe Treiberfaktoren. Diese Treiberfaktoren sind digital verfügbaren Informationen, die in Zusammenhang mit der Entwicklung Ihrer Absätze stehen können, mit ihr korrelieren oder sie beeinflussen können. KI kann diese Zusammenhänge zwischen den Datenreihen erkennen und lernen, sie einzuschätzen.
© Urheberrecht. Alle Rechte vorbehalten.
Wir benötigen Ihre Zustimmung zum Laden der Übersetzungen
Wir nutzen einen Drittanbieter-Service, um den Inhalt der Website zu übersetzen, der möglicherweise Daten über Ihre Aktivitäten sammelt. Bitte überprüfen Sie die Details in der Datenschutzerklärung und akzeptieren Sie den Dienst, um die Übersetzungen zu sehen.