Neuronale Netze zur Prognose und Disposition im Handel

Cover......Page 1
Neuronale Netze zur Prognose und Disposition im Handel......Page 2
Betriebswirtschaftliche Forschung\rzur Unternehmensführung......Page 3
ISBN 3834911747......Page 5
Geleitwort......Page 6
Vorwort......Page 7
Inhaltsübersicht......Page 8
Inhaltsverzeichnis......Page 9
Abbildungsverzeichnis......Page 14
Tabellenverzeichnis......Page 21
Abkürzungsverzeichnis......Page 24
Symbolverzeichnis......Page 27
1.1 Problemstellung......Page 31
1.2 Gang der Untersuchung......Page 36
2.1.1 Definition und Einordnung der Warendisposition......Page 39
2.1.2 Warendisposition als Kernprozess des Handels......Page 41
2.1.3 Dispositions- und Lagerstrukturen im Handel......Page 44
2.1.4 Funktionsmodell der Warendisposition......Page 49
2.2.1.1 Kennzeichnung des Bedarfs......Page 52
2.2.1.2 Modellauswahl......Page 54
2.2.2 Deterministische Modelle......Page 56
2.2.3.1 Modelle für stationären Bedarf......Page 58
2.2.3.2 Modelle für instationären Bedarf......Page 60
2.3.1.1 Entscheidungsvariablen......Page 62
2.3.1.2 Kostenparameter......Page 64
2.3.1.3 Modellauswahl......Page 69
2.3.2.1 Modelle für stationär-deterministischen Bedarf......Page 72
2.3.2.2 Modelle für instationär-deterministischen Bedarf......Page 76
2.3.3.1 Modelle für stationär-stochastischen Bedarf......Page 77
2.3.3.2 Modelle für instationär-stochastischen Bedarf......Page 89
2.4.1 Deskriptive Maße der Dispositionsgüte......Page 92
2.4.2 Zusammenhang von Prognosefehler und Dispositionsgüte......Page 95
3.1.1 Merkmale der Prognose......Page 97
3.1.2.1 Gegenstand der Prognose......Page 99
3.1.2.2 Formalisierungsgrad der Modellbildung......Page 102
3.1.2.3 Gestaltung der abhängigen Modellvariablen......Page 104
3.1.2.4 Gestaltung der unabhängigen Modellvariablen......Page 107
3.1.3.1 Umfang des Erklärungsmodells......Page 112
3.1.3.2 Zeitlicher Prognosehorizont......Page 115
3.1.3.3 Verfahren der Bedarfsprognose......Page 118
3.1.3.4 Prognoseverfahren im Handel......Page 120
3.2.1 Subjektive Prognoseverfahren......Page 124
3.2.2.1 Bestimmung der empirischen Verteilungsfunktion......Page 126
3.2.2.2 Approximation durch theoretische Verteilungsfunktionen......Page 127
3.2.2.3 Schätzung der Verteilungsparameter......Page 130
3.2.3.1 Zeitreihen als Grundlage der Prognose......Page 133
3.2.3.2 Verfahren bei konstantem Bedarfsniveau......Page 141
3.2.3.3 Verfahren bei trendbehaftetem Bedarfsverlauf......Page 148
3.2.3.4 Verfahren bei saisonalem und trend-saisonalem Bedarfsverlauf......Page 152
3.2.4.1 Dynamische Regression......Page 155
3.3.1 Wirtschaftlichkeit und Prognosegenauigkeit......Page 158
3.3.2.1 Aspekte der Beurteilung......Page 159
3.3.2.2 Statistische Prognosefehler......Page 161
3.3.2.3 Statistische Fehlermaße......Page 163
3.3.2.4 Komparative statistische Fehlermaße......Page 167
3.3.3.1 Erkenntnisse aus Vergleichsstudien......Page 169
3.3.3.2 Durchführung von Vergleichsstudien......Page 170
3.4.1 Methodologien der Prognoseprozesse......Page 172
3.4.2.1 Problemformulierung......Page 174
3.4.2.2 Informationsbereitstellung......Page 175
3.4.2.3 Auswahl der Verfahren......Page 179
3.4.2.4 Durchführung der Verfahren......Page 185
3.4.2.6 Anwendung der Verfahren......Page 186
3.4.3 Fehlerquellen im Prognoseprozess......Page 187
4.1.1 Definition und Abgrenzung......Page 189
4.1.2 Motivation zur Analyse von Neuronalen Netzen......Page 191
4.1.3 Historische Entwicklung......Page 192
4.2.1 Biologisches Vorbild......Page 194
4.2.2 Technische Realisierung......Page 197
4.2.3.1 Eingabefunktionen......Page 199
4.2.3.2 Aktivierungsfunktionen......Page 200
4.2.3.3 Ausgabefunktionen......Page 205
4.2.4.1 Netzwerktopologie......Page 209
4.2.4.2 Struktur der Verbindungsgewichte......Page 211
4.2.4.3 Aktivierungsstrategien der Informationsverarbeitung......Page 213
4.2.5 Ausgewählte Architekturen......Page 214
4.3.1 Grundlagen des Lernens......Page 219
4.3.2.1 Klassische Lernalgorithmen......Page 224
4.3.2.2 Der Backpropagation-Lernalgorithmus......Page 227
4.3.2.3 Erweiterungen des Backpropagation-Algorithmus......Page 229
4.3.3 Anwendung der Lernalgorithmen......Page 233
4.4.1.1 Eigenschaften von Neuronalen Netzen......Page 237
4.4.1.2 Anwendungsbereiche von Neuronalen Netzen......Page 241
4.4.1.3 Anwendungen von Neuronalen Netzen zur Prognose......Page 246
4.4.1.4 Empirische Güte der Anwendung......Page 253
4.4.2.1 Zeitreihenanalytische Modellierung......Page 256
4.4.2.2 Kausalanalytische Modellierung......Page 258
4.4.2.3 Äquivalenz zu statistischen Prognoseverfahren......Page 261
5.1 Lernziele und Zielfunktionen von Neuronalen Netzen......Page 269
5.2.1 Quadratische Fehlerfunktionen......Page 275
5.2.2 Nicht-quadratische Fehlerfunktionen......Page 281
5.3.1.1 Erweiterung auf asymmetrische Kostenfunktionen......Page 291
5.3.1.2 Lineare asymmetrische Kostenfunktionen......Page 296
5.3.1.3 Nichtlineare asymmetrische Kostenfunktionen......Page 299
5.3.1.4 Anwendungsbereiche asymmetrischer Kostenfunktionen......Page 302
5.3.2.1 Parametrisierung bei asymmetrischen Kostenfunktionen......Page 305
5.3.2.2 Erweiterung des Backpropagation-Algorithmus......Page 307
5.3.2.3 Auswirkungen von asymmetrischen Kostenfunktionen......Page 310
5.4.1.1 Datenbasis der Studie......Page 312
5.4.1.2 Ziel- und Kostenfunktionen......Page 315
5.4.1.3 Modellierung der Verfahren......Page 316
5.4.2.1 Grafische Analyse und Interpretation......Page 319
5.4.2.2 Beurteilung der Einsatzfähigkeit......Page 328
5.4.2.3 Beurteilung der Entscheidungsgüte......Page 333
5.4.3 Zusammenfassung und Interpretation......Page 338
6.1.1 Zielsetzung des Verfahrensvergleichs......Page 342
6.1.2 Aufbau der Vergleichsstudie......Page 344
6.2.1.1 Der Warenautomat als Betriebsform des Handels......Page 347
6.2.1.2 Prognose und Disposition an Warenautomaten......Page 351
6.2.1.3 Modelltheoretische Einordnung der Problemstellung......Page 353
6.2.2.1 Stichprobe der Zeitreihen......Page 356
6.2.2.2 Explorative Datenanalyse......Page 359
6.2.2.3 Aufteilung der Datenbasis......Page 373
6.2.3.1 Auswahl der Prognoseverfahren......Page 374
6.2.3.2 Berechnung der statistischen Prognoseverfahren......Page 377
6.2.3.3 Berechnung der Neuronalen Netze zur Prognose......Page 379
6.2.4.1 Bestimmung des kostenoptimalen Servicelevels......Page 381
6.2.4.2 Bestellmengenrechnung für statistische Prognoseverfahren......Page 383
6.2.4.3 Simultane Bestellmengenrechnung mit Neuronalen Netzen......Page 384
6.2.5.1 Fehlermaße der Prognosegenauigkeit......Page 385
6.2.5.2 Kostenmaße der Dispositionsgüte......Page 386
6.3.1.1 Gesamtergebnisse......Page 387
6.3.1.2 Ergebnisse nach Absatzstelle......Page 398
6.3.1.3 Ergebnisse nach Zeitreihe......Page 403
6.3.1.4 Ergebnisse nach Zeitreihencharakteristika......Page 405
6.3.2.1 Gesamtergebnisse......Page 410
6.3.2.2 Ergebnisse nach Absatzstelle......Page 418
6.3.2.3 Ergebnisse nach Zeitreihen......Page 423
6.3.2.4 Ergebnisse nach Zeitreihencharakteristika......Page 424
6.3.3 Zusammenhang zwischen Prognosegenauigkeit und Dispositionskosten......Page 429
7.1 Zusammenfassung......Page 433
7.2 Ausblick......Page 434
Literaturverzeichnis......Page 437
8 Anhang......Page 483