Vorwort. 5r
Abkürzungsverzeichnis 13r
Abbildungs- und Tabellenverzeichnis 15r
Formelverzeichnis 22r
1 Einleitung 25r
2 Nutzen und Limits von Prognosen 27r
2.1 Weshalb benötigt man Prognosen?. 27r
2.2 Entwicklungsrichtungen bezüglich Prognosen. 27r
2.3 Vor- und Nachteile der beiden Richtungen von Prognosemethoden. 28r
3 Prognoseprozess im Griff haben 31r
4 Qualitative Anforderungen an Prognosedaten 33r
5 Qualitative bzw. meinungsorientierte Prognosemethoden. 35r
5.1 Zusammenfassung der Ansichten der Verkäufer. 35r
5.2 Kunden- und Bevölkerungsumfragen. 36r
5.3 Expertenmeinung. 37r
5.4 Delphi-Methode. 37r
5.5 Szenarienabfassung 38r
6 Übersicht der statistischen Grundkonzepte. 39r
6.1 Häufigkeitsverteilung 39r
6.2 Datenbeschreibende Kennzahlen. 42r
6.2.1 Kennzahlen der Zentralen Tendenz [Kennzahl des 1. Moments]. 42r
6.2.2 Kennzahlen der Streuung [Kennzahl des 2. Moments] 44r
6.2.3 Freiheitsgrad 48r
6.2.4 Schiefe [Kennzahl des 3. Moments]. 48r
6.2.5 Kurtosis [Kennzahl des 4. Moments] 49r
6.2.6 Beispieldatensatz zu datenbeschreibenden Kennzahlen 50r
6.3 Stetige Zufallsverteilungen. 51r
6.3.1 Normalverteilung 51r
6.3.2 t-Verteilung. 57r
6.4 Konfidenz- bzw. Vertrauensintervalle 58r
6.5 Hypothesentest 61r
6.5.1 Vorgehensweise. 62r
6.5.2 Ein- und zweiseitiger Signifikanztest 67r
6.5.3 Fehler des Typs I und des Typs II. 68r
6.5.4 Bedeutung des p-Werts 72r
6.6 Korrelationsanalyse. 73r
6.6.1 Überblick. 73r
6.6.2 Kennzahlen der Korrelation 75r
7 Wahrscheinlichkeitsrechnung. 79r
7.1 Einleitung zur Wahrscheinlichkeitsrechnung. 79r
7.2 Ergebnistabelle und Erwartungswert 81r
7.3 Perfekte Information und ihr «Wert». 86r
7.4 Bayes-Theorem. 88r
8 Datenmuster untersuchen und Prognosemethode wählen 91r
8.1 Zeitreihenmodelle und ihre Komponenten 91r
8.2 Fallbeispiel anhand einer Zeitreihe bezogen auf den Umsatz 94r
8.3 Untersuchung des Datenmusters anhand der Autokorrelationsanalyse 94r
8.4 Autokorrelations-t-Statistik und Ljung-Box-Pierce-Q-Statistik (LBQ). 100r
8.5 Messmethoden des Prognosefehlers. 106r
8.6 Übersicht der zur Auswahl stehenden üblichen Prognosemethoden. 110r
9 Naive Prognosemethoden. 113r
9.1 Mögliche Methoden der Naiven Prognose 113r
9.2 Fallbeispiel zu Naiven Prognosemethoden. 114r
10 Prognosemethoden der Gleitenden Durchschnitte. 117r
10.1 Einfacher Durchschnitt 117r
10.2 Gleitender Durchschnitt. 117r
10.3 Doppelter Gleitender Durchschnitt. 119r
10.4 Fallbeispiel zu Prognosemethoden des Gleitenden Durchschnitts. 120r
11 Prognosemethoden Exponentielles Glätten. 123r
11.1 Einleitung zu Exponentiellem Glätten. 123r
11.2 Unterschiedliche Methoden des Exponentiellen Glättens. 125r
11.3 Fallbeispiel zu Prognosemethoden des Exponentiellen Glättens. 127r
12 Klassische Zeitreihenanalyse. 129r
12.1 Zentrierter Gleitender Durchschnitt 129r
12.2 Vorgehensweise bei der Berechnung der Zeitreihenkomponenten 131r
12.3 Fallbeispiel zu Klassischer Zeitreihenanalyse (multiplikatives Modell) 133r
12.4 Methodenunterschiede bei der Komponentenermittlung 140r
12.5 Vor- und Nachteile der Klassischen Zeitreihenanalyse 142r
12.6 Umsetzungskonsistente «Basis» für die Budgetierung 144r
13 Regression. 149r
13.1 Einfache lineare kausale Prognose. 149r
13.1.1 Vertrauensintervall der Parameter der Regressionsgeradenr
und der Einzelprognose. 149r
13.1.2 Hypothesentest bezüglich des «wahren» Achsenabschnitts bzw.r
der «wahren» Steigung (der Grundgesamtheit) 153r
13.1.3 Schematische Vorgehensweise bei einfacher linearer Regression 155r
13.1.4 Fallbeispiel zu einfacher linearer kausaler Prognose 155r
13.2 Multiple lineare kausale Prognose. 160r
13.2.1 Adjustierter Determinationskoeffizient. 161r
13.2.2 Varianzanalyse und F-Statistik 162r
13.2.3 Schematische Vorgehensweise bei multipler linearer Regression 164r
13.2.4 Fallbeispiel zu multipler linearer Regression 164r
13.3 Multiple lineare Regression bei Zeitreihendaten. 171r
13.3.1 Additives Modell der multiplen Regression bei Zeitreihen 172r
13.3.2 Multiplikatives Modell der multiplen Regression bei Zeitreihen 173r
13.3.3 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten (additives Modell) 174r
13.3.4 Fallbeispiel zu multipler linearer Regression bei Zeitreihendatenr
(multiplikatives Modell) 180r
14 ARIMA-Box-Jenkins-Ansatz. 183r
14.1 Gegenüberstellung der Regressionsanalyse mit dem ARIMA-Box-Jenkins-Ansatz 184r
14.2 Theoretische Umschreibung des ARIMA-Modells. 185r
14.3 Einige Grundbegriffe zum ARIMA-Modell. 187r
14.3.1 Stationäre Zeitreihenwerte 188r
14.3.2 Weißes Rauschen. 190r
14.3.3 Autokorrelationsfunktion (ACF) und Partielle Autokorrelationsfunktion (PACF) 191r
14.4 Festlegung der Spezifizierung des ARIMA-Modells 192r
14.5 Schematische Vorgehensweise bei der Bestimmung der ARIMA-Komponenten 193r
14.6 Fallbeispiel zum ARIMA-Box-Jenkins-Ansatz 194r
14.7 Neutrale Benchmarkprognose. 199r
14.7.1 Begründung der Neutralen Benchmarkprognose 199r
14.7.2 Fallbeispiel zur Neutralen Benchmarkprognose. 200r
15 Entscheidungen bei Unsicherheit (Monte-Carlo-Simulation) 207r
15.1 Einleitung zur Monte-Carlo-Simulation 207r
15.2 Worum geht es bei der Simulation?. 207r
15.3 Voraussetzung: Rechenschema mit Input-Output-Beziehungen 208r
15.4 Monte-Carlo-Simulation als Erweiterung desr
Was-wäre-wenn-Ansatzes bzw. der Sensitivitätsanalyse. 209r
15.5 Fallbeispiel zur Monte-Carlo-Simulation 210r
16 Real- bzw. Sachoptionen. 217r
16.1 Gegenüberstellung DCF-Methode und Realoptionenansatz 217r
16.2 Nettobarwert, ohne und mit Realoption. 217r
16.3 Moderner, mathematischer Ansatz 224r
16.3.1 Binomialgitter-Ansatz 224r
16.3.2 Auf-und-ab-Verästelungen 225r
16.3.3 Schaffung einer risikoneutralen «Umgebung» 226r
16.3.4 Fallbeispiel zu Realoptionen 228r
17 ANHANG. 231r
17.1 Parameterschätzung 231r
17.1.1 Einleitung. 231r
17.1.2 Zentraler Grenzwertsatz als Hilfsmittel zur Parameterschätzung. 233r
17.1.2.1 Einleitung zum Zentralen Grenzwertsatz 233r
17.1.2.2 Umsetzung des Zentralen Grenzwertsatzes in der Praxis 237r
17.1.3 Eigenschaften einer guten Parameterschätzung 238r
17.2 Prognoseschätzung. 239r
17.2.1 Methode-der-kleinsten-Quadrate. 239r
17.2.1.1 Einleitung. 239r
17.2.1.2 Lineare Regressionsfunktionen. 241r
17.2.1.3 Standardfehler der Schätzung (SEE) 244r
17.2.1.4 Modellannahmen der Methode-der-kleinsten-Quadrate 245r
17.2.1.5 Überprüfung der Modellannahmen. 246r
17.2.2 Maximum-Likelihood-Methode 261r
17.3 Standardnormalverteilung 264r
17.4 t-Verteilung. 265r
17.5 Chiquadratverteilung 266r
17.6 F-Verteilung 267r
17.7 Durbin-Watson-Statistik. 269r
17.8 Wichtige standardisierte Prüfgrößen bzw. Teststatistiken. 270r
17.9 Theoretische ARIMA-Modelle und deren ACF- und PACF-Kurvenverläufe. 272r
17.10 Nettoerlösentwicklung der Inditex-Gruppe 274r
17.11 Nettoerlösentwicklung der Gap-Gruppe. 277r
17.12 Nettoerlösentwicklung der Handels-AG. 280r
Literatur-, Software-, Dokumenten- & Internetquellenverzeichnis. 285r
Stichwortverzeichnis. 290