Crone Neuronale Netze zur Prognose und Disposition im Handel

2010
ISBN: 978-3-8349-8631-3
Verlag: Betriebswirtschaftlicher Verlag Gabler
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, Band 60, 516 Seiten, eBook

Reihe: Betriebswirtschaftliche Forschung zur Unternehmensführung

Sven F. Crone bietet eine fundierte Analyse der Grundlagen zur Prognose, Disposition und der Verfahrensklasse der Neuronalen Netze, und zeigt an Beispielen neue Wege zu ihrer Anwendung auf.

Dr. Sven F. Crone promovierte bei Prof. Dr. Dr. h. c. Preßmar am Institut für Wirtschaftsinformatik der Universität Hamburg und ist aktuell Assistant Professor in Management Science an der Lancaster University und Deputy Director des Lancaster Centre for Forecasting in England.

Zielgruppe

Research

Autoren/Hrsg.

Crone, Sven

Inhaltsverzeichnis

1;Geleitwort;6
2;Vorwort;7
3;Inhaltsübersicht;8
4;Inhaltsverzeichnis;9
5;Abbildungsverzeichnis;14
6;Tabellenverzeichnis;21
7;Abkürzungsverzeichnis;24
8;Symbolverzeichnis;27
9;1 Einleitung;31
9.1;1.1 Problemstellung;31
9.2;1.2 Gang der Untersuchung;36
10;2 Prognose und Disposition im Handel;39
10.1;2.1 Grundlagen der Warendisposition;39
10.1.1;2.1.1 Definition und Einordnung der Warendisposition;39
10.1.2;2.1.2 Warendisposition als Kernprozess des Handels;41
10.1.3;2.1.3 Dispositions- und Lagerstrukturen im Handel;44
10.1.4;2.1.4 Funktionsmodell der Warendisposition;49
10.2;2.2 Modelle der Bedarfsrechnung;52
10.2.1;2.2.1 Determinanten;52
10.2.1.1;2.2.1.1 Kennzeichnung des Bedarfs;52
10.2.1.2;2.2.1.2 Modellauswahl;54
10.2.2;2.2.2 Deterministische Modelle;56
10.2.3;2.2.3 Stochastische Modelle;58
10.2.3.1;2.2.3.1 Modelle für stationären Bedarf;58
10.2.3.2;2.2.3.2 Modelle für instationären Bedarf;60
10.3;2.3 Modelle der Bestellmengenrechnung;62
10.3.1;2.3.1 Determinanten;62
10.3.1.1;2.3.1.1 Entscheidungsvariablen;62
10.3.1.2;2.3.1.2 Kostenparameter;64
10.3.1.3;2.3.1.3 Modellauswahl;69
10.3.2;2.3.2 Deterministische Modelle;72
10.3.2.1;2.3.2.1 Modelle für stationär-deterministischen Bedarf;72
10.3.2.2;2.3.2.2 Modelle für instationär-deterministischen Bedarf;76
10.3.3;2.3.3 Stochastische Modelle;77
10.3.3.1;2.3.3.1 Modelle für stationär-stochastischen Bedarf;77
10.3.3.2;2.3.3.2 Modelle für instationär-stochastischen Bedarf;89
10.4;2.4 Beurteilung von Dispositionsverfahren;92
10.4.1;2.4.1 Deskriptive Maße der Dispositionsgüte;92
10.4.2;2.4.2 Zusammenhang von Prognosefehler und Dispositionsgüte;95
11;3 Methodische Grundlagen der Prognose;97
11.1;3.1 Determinanten der Prognosemodelle;97
11.1.1;3.1.1 Merkmale der Prognose;97
11.1.2;3.1.2 Determinanten von Prognosemodellen;99
11.1.2.1;3.1.2.1 Gegenstand der Prognose;99
11.1.2.2;3.1.2.2 Formalisierungsgrad der Modellbildung;102
11.1.2.3;3.1.2.3 Gestaltung der abhängigen Modellvariablen;104
11.1.2.4;3.1.2.4 Gestaltung der unabhängigen Modellvariablen;107
11.1.3;3.1.3 Auswahl von Prognosemodell und Prognoseverfahren;112
11.1.3.1;3.1.3.1 Umfang des Erklärungsmodells;112
11.1.3.2;3.1.3.2 Zeitlicher Prognosehorizont;115
11.1.3.3;3.1.3.3 Verfahren der Bedarfsprognose;118
11.1.3.4;3.1.3.4 Prognoseverfahren im Handel;120
11.2;3.2 Berechnung von Prognoseverfahren;124
11.2.1;3.2.1 Subjektive Prognoseverfahren;124
11.2.2;3.2.2 Objektive Prognoseverfahren der Verteilungsschätzung;126
11.2.2.1;3.2.2.1 Bestimmung der empirischen Verteilungsfunktion;126
11.2.2.2;3.2.2.2 Approximation durch theoretische Verteilungsfunktionen;127
11.2.2.3;3.2.2.3 Schätzung der Verteilungsparameter;130
11.2.3;3.2.3 Objektive Prognoseverfahren der Zeitreihenanalyse;133
11.2.3.1;3.2.3.1 Zeitreihen als Grundlage der Prognose;133
11.2.3.2;3.2.3.2 Verfahren bei konstantem Bedarfsniveau;141
11.2.3.3;3.2.3.3 Verfahren bei trendbehaftetem Bedarfsverlauf;148
11.2.3.4;3.2.3.4 Verfahren bei saisonalem und trend-saisonalem Bedarfsverlauf;152
11.2.4;3.2.4 Objektive Prognoseverfahren der Kausalanalyse;155
11.2.4.1;3.2.4.1 Dynamische Regression;155
11.3;3.3 Beurteilung von Prognoseverfahren;158
11.3.1;3.3.1 Wirtschaftlichkeit und Prognosegenauigkeit;158
11.3.2;3.3.2 Beurteilung der Prognosegenauigkeit;159
11.3.2.1;3.3.2.1 Aspekte der Beurteilung;159
11.3.2.2;3.3.2.2 Statistische Prognosefehler;161
11.3.2.3;3.3.2.3 Statistische Fehlermaße;163
11.3.2.4;3.3.2.4 Komparative statistische Fehlermaße;167
11.3.3;3.3.3 Durchführung von empirischen Vergleichsstudien;169
11.3.3.1;3.3.3.1 Erkenntnisse aus Vergleichsstudien;169
11.3.3.2;3.3.3.2 Durchführung von Vergleichsstudien;170
11.4;3.4 Anwendung von Prognoseverfahren;172
11.4.1;3.4.1 Methodologien der Prognoseprozesse;172
11.4.2;3.4.2 Phasen des Prognoseprozesses;174
11.4.2.1;3.4.2.1 Problemformulierung;174
11.4.2.2;3.4.2.2 Informationsbereitstellung;175
11.4.2.3;3.4.2.3 Auswahl der Verfahren;179
11.4.2.4;3.4.2.4 Durchführung der Verfahren;185
11.4.2.5;3.4.2.5 Beurteilung der Verfahren;186
11.4.2.6;3.4.2.6 Anwendung der Verfahren;186
11.4.3;3.4.3 Fehlerquellen im Prognoseprozess;187
12;4 Neuronale Netze als Instrument der Prognose;189
12.1;4.1 Methodische Grundlagen von Neuronalen Netzen;189
12.1.1;4.1.1 Definition und Abgrenzung;189
12.1.2;4.1.2 Motivation zur Analyse von Neuronalen Netzen;191
12.1.3;4.1.3 Historische Entwicklung;192
12.2;4.2 Aufbau und Funktionsweise von Neuronalen Netzen;194
12.2.1;4.2.1 Biologisches Vorbild;194
12.2.2;4.2.2 Technische Realisierung;197
12.2.3;4.2.3 Signalverarbeitung in künstlichen Neuronen;199
12.2.3.1;4.2.3.1 Eingabefunktionen;199
12.2.3.2;4.2.3.2 Aktivierungsfunktionen;200
12.2.3.3;4.2.3.3 Ausgabefunktionen;205
12.2.4;4.2.4 Informationsverarbeitung in Netzwerken von Neuronen;209
12.2.4.1;4.2.4.1 Netzwerktopologie;209
12.2.4.2;4.2.4.2 Struktur der Verbindungsgewichte;211
12.2.4.3;4.2.4.3 Aktivierungsstrategien der Informationsverarbeitung;213
12.2.5;4.2.5 Ausgewählte Architekturen;214
12.3;4.3 Parametrisierung von Neuronalen Netzen;219
12.3.1;4.3.1 Grundlagen des Lernens;219
12.3.2;4.3.2 Algorithmen des überwachten Lernens;224
12.3.2.1;4.3.2.1 Klassische Lernalgorithmen;224
12.3.2.2;4.3.2.2 Der Backpropagation-Lernalgorithmus;227
12.3.2.3;4.3.2.3 Erweiterungen des Backpropagation-Algorithmus;229
12.3.3;4.3.3 Anwendung der Lernalgorithmen;233
12.4;4.4 Anwendung von Neuronalen Netzen zur Prognose;237
12.4.1;4.4.1 Einsatzfähigkeit Neuronaler Netze zur Prognose;237
12.4.1.1;4.4.1.1 Eigenschaften von Neuronalen Netzen;237
12.4.1.2;4.4.1.2 Anwendungsbereiche von Neuronalen Netzen;241
12.4.1.3;4.4.1.3 Anwendungen von Neuronalen Netzen zur Prognose;246
12.4.1.4;4.4.1.4 Empirische Güte der Anwendung;253
12.4.2;4.4.2 Netzwerkarchitekturen zur Prognose;256
12.4.2.1;4.4.2.1 Zeitreihenanalytische Modellierung;256
12.4.2.2;4.4.2.2 Kausalanalytische Modellierung;258
12.4.2.3;4.4.2.3 Äquivalenz zu statistischen Prognoseverfahren;261
13;5 Neuronale Netze zur Disposition;269
13.1;5.1 Lernziele und Zielfunktionen von Neuronalen Netzen;269
13.2;5.2 Zielfunktionen der statistischen Prognosefehler;275
13.2.1;5.2.1 Quadratische Fehlerfunktionen;275
13.2.2;5.2.2 Nicht-quadratische Fehlerfunktionen;281
13.3;5.3 Zielfunktionen der betriebswirtschaftlichen Entscheidungskosten;291
13.3.1;5.3.1 Asymmetrische Kostenfunktionen in der Statistik;291
13.3.1.1;5.3.1.1 Erweiterung auf asymmetrische Kostenfunktionen;291
13.3.1.2;5.3.1.2 Lineare asymmetrische Kostenfunktionen;296
13.3.1.3;5.3.1.3 Nichtlineare asymmetrische Kostenfunktionen;299
13.3.1.4;5.3.1.4 Anwendungsbereiche asymmetrischer Kostenfunktionen;302
13.3.2;5.3.2 Neuronale Netze und asymmetrische Kostenfunktionen;305
13.3.2.1;5.3.2.1 Parametrisierung bei asymmetrischen Kostenfunktionen;305
13.3.2.2;5.3.2.2 Erweiterung des Backpropagation-Algorithmus;307
13.3.2.3;5.3.2.3 Auswirkungen von asymmetrischen Kostenfunktionen;310
13.4;5.4 Studie zur Einsatzfähigkeit von asymmetrischen Kostenfunktionen;312
13.4.1;5.4.1 Gestaltung des Versuchsaufbaus;312
13.4.1.1;5.4.1.1 Datenbasis der Studie;312
13.4.1.2;5.4.1.2 Ziel- und Kostenfunktionen;315
13.4.1.3;5.4.1.3 Modellierung der Verfahren;316
13.4.2;5.4.2 Ergebnisse;319
13.4.2.1;5.4.2.1 Grafische Analyse und Interpretation;319
13.4.2.2;5.4.2.2 Beurteilung der Einsatzfähigkeit;328
13.4.2.3;5.4.2.3 Beurteilung der Entscheidungsgüte;333
13.4.3;5.4.3 Zusammenfassung und Interpretation;338
14;6 Empirischer Vergleich von Neuronalen Netzen zur Prognose und Disposition;342
14.1;6.1 Gestaltung der Vergleichsstudie;342
14.1.1;6.1.1 Zielsetzung des Verfahrensvergleichs;342
14.1.2;6.1.2 Aufbau der Vergleichsstudie;344
14.2;6.2 Durchführung der Vergleichsstudie;347
14.2.1;6.2.1 Problemstellung;347
14.2.1.1;6.2.1.1 Der Warenautomat als Betriebsform des Handels;347
14.2.1.2;6.2.1.2 Prognose und Disposition an Warenautomaten;351
14.2.1.3;6.2.1.3 Modelltheoretische Einordnung der Problemstellung;353
14.2.2;6.2.2 Datenanalyse;356
14.2.2.1;6.2.2.1 Stichprobe der Zeitreihen;356
14.2.2.2;6.2.2.2 Explorative Datenanalyse;359
14.2.2.3;6.2.2.3 Aufteilung der Datenbasis;373
14.2.3;6.2.3 Verfahren zur Bedarfsprognose;374
14.2.3.1;6.2.3.1 Auswahl der Prognoseverfahren;374
14.2.3.2;6.2.3.2 Berechnung der statistischen Prognoseverfahren;377
14.2.3.3;6.2.3.3 Berechnung der Neuronalen Netze zur Prognose;379
14.2.4;6.2.4 Verfahren zur Bestellmengenrechnung;381
14.2.4.1;6.2.4.1 Bestimmung des kostenoptimalen Servicelevels;381
14.2.4.2;6.2.4.2 Bestellmengenrechnung für statistische Prognoseverfahren;383
14.2.4.3;6.2.4.3 Simultane Bestellmengenrechnung mit Neuronalen Netzen;384
14.2.5;6.2.5 Beurteilungsmaße;385
14.2.5.1;6.2.5.1 Fehlermaße der Prognosegenauigkeit;385
14.2.5.2;6.2.5.2 Kostenmaße der Dispositionsgüte;386
14.3;6.3 Ergebnisse der Vergleichsstudie;387
14.3.1;6.3.1 Ergebnisse der Bedarfsprognose;387
14.3.1.1;6.3.1.1 Gesamtergebnisse;387
14.3.1.2;6.3.1.2 Ergebnisse nach Absatzstelle;398
14.3.1.3;6.3.1.3 Ergebnisse nach Zeitreihe;403
14.3.1.4;6.3.1.4 Ergebnisse nach Zeitreihencharakteristika;405
14.3.2;6.3.2 Ergebnisse der Warendisposition;410
14.3.2.1;6.3.2.1 Gesamtergebnisse;410
14.3.2.2;6.3.2.2 Ergebnisse nach Absatzstelle;418
14.3.2.3;6.3.2.3 Ergebnisse nach Zeitreihen;423
14.3.2.4;6.3.2.4 Ergebnisse nach Zeitreihencharakteristika;424
14.3.3;6.3.3 Zusammenhang zwischen Prognosegenauigkeit und Dispositionskosten;429
15;7 Schlussbetrachtung;433
15.1;7.1 Zusammenfassung;433
15.2;7.2 Ausblick;434
16;Literaturverzeichnis;437
17;8 Anhang;483

Prognose und Disposition im Handel.- Methodische Grundlagen der Prognose.- Neuronale Netze als Instrument der Prognose.- Neuronale Netze zur Disposition.- Empirischer Vergleich von Neuronalen Netzen zur Prognose und Disposition.- Schlussbetrachtung.

Leseproben

4 Neuronale Netze als Instrument der Prognose (S. 159-160)

In Kapitel 4 werden die Prognoseverfahren der künstlichen Neuronalen Netze (NN) als Klasse ämathematisch-statistischer Verfahren vorgestellt. In den Hauptgliederungspunkten werden zu diesem Zweck die methodischen Grundlagen und die Prinzipien der Informationsverarbeitung in den Phasen der Modellbildung, der Parametrisierung und der Anwendung analysiert.

Die Modellierung von NN bietet erhebliche Freiheitsgrade in der mathematischen Formulierung der Signalverarbeitung in einzelnen Neuronen, der Informationsverarbeitung in Netzwerken von Neuronen und der Parametrisierung durch Lernverfahren. Daher werden diese zunächst eingehend und losgelöst vom Anwendungsbezug der Prognose untersucht, um die Funktion und Bedeutung der Zielfunktionen im Training von NN herauszustellen.

Die systematische Analyse der NN, ihrer historischen Entwicklung, ihres biologischen Vorbildes und ihrer technischen Realisierung verdeutlicht die Unabhängigkeit der Zielfunktionen im Training von NN von der Zielsetzung, der Architektur und den Lernverfahren. Dies erlaubt nachfolgend eine Erweiterung der Theorie von NN auf alternative Zielfunktionen hinsichtlich betrieblicher Kosten und somit auf die simultane Prognose und Disposition durch NN. In einem zweiten Schritt wird die Analyse auf die Anwendung von NN zur betrieblichen Absatzprognose konzentriert.

Zunächst wird dazu die theoretische Eignung von NN zur Approximation, Generalisierung und Vorhersage aus Zeitreihen von verrauschten Daten untersucht. Die Vielzahl von Anwendungen von NN zur Prognose erfordert eine strukturierte Literaturanalyse zur Beschränkung auf relevante Anwendungen der Regression und Absatzprognose. Abschließend werden typische Architekturen von NN zur Absatzprognose diskutiert und die Informationsverarbeitung von Neuronen und Netzwerken von Neuronen im Vergleich zu statistischen Prognoseverfahren erörtert.

4.1 Methodische Grundlagen von Neuronalen Netzen

4.1.1 Definition und Abgrenzung

„A neural network is a system composed of many simple processing elements operating in parallel whose function is determined by networks structure, connection strengths, and the processing performed at computing elements or nodes. … Neural network architectures are inspired by the architecture of biological nervous systems, which use many simple processing elements operating in parallel to obtain high computation rates” [DARPA 1989, S. 60].

Der allgemeine Begriff der Neuronalen Netze bezeichnet somit kein Prognoseverfahren, sondern vielmehr ein interdisziplinäres Forschungsgebiet von Systemen, Theorien, Modellen und Verfahren hinsichtlich biologischer Neuronen und Neuronenverbände. „The field of neural networks is now being investigated by … biologists, psychologists, cognitive scientists, computer scientists, mathematicians, engineers, physicists, philosophers, psychiatrists and psychotherapists, and social scientists” [Levine 2000, S. xi].

Über Autor(innen)

Dr. Sven F. Crone promovierte bei Prof. Dr. Dr. h. c. Preßmar am Institut für Wirtschaftsinformatik der Universität Hamburg und ist aktuell Assistant Professor in Management Science an der Lancaster University und Deputy Director des Lancaster Centre for Forecasting in England.