Strategic forecasting in theory and practice - Exam

Aufgabe 1)

Strategische Prognose im Unternehmensmanagement: Ein fiktives Unternehmen, die ABC AG, plant eine langfristige Marktexpansion und nutzt strategische Prognosemethoden, um zukünftige Marktentwicklungen und notwendige strategische Maßnahmen zu identifizieren. Unter Berücksichtigung von Markt-, Technologie- und Wettbewerbsannahmen wendet das Unternehmen verschiedene Modelle und Methoden an, um verlässliche Vorhersagen zu treffen.

a)

Erkläre die Bedeutung der Zeitreihenanalyse für die strategische Prognose und wie diese Methode der ABC AG helfen könnte, zukünftige Markttrends zu erkennen. Diskutiere dabei die Vor- und Nachteile dieser Methode.

Lösung:

Zeitreihenanalyse für strategische Prognose: Die Zeitreihenanalyse ist eine Methode zur Untersuchung von Datenpunkten, die in regelmäßigen Zeitabständen über einen bestimmten Zeitraum hinweg gesammelt wurden. Die Bedeutung dieser Methode für die strategische Prognose liegt in ihrer Fähigkeit, Muster und Trends in historischen Daten zu erkennen und zukünftige Entwicklungen vorherzusagen. Wie die Methode der ABC AG helfen kann, zukünftige Markttrends zu erkennen:

• Erkennung von Trends: Die Zeitreihenanalyse kann verwendet werden, um langfristige Trends in den Verkaufszahlen, dem Kundenverhalten oder der Marktdynamik zu identifizieren. Dies hilft der ABC AG, Vorhersagen über zukünftige Marktentwicklungen zu treffen.
• Saisonale Muster: Mit der Zeitreihenanalyse lassen sich auch saisonale Schwankungen untersuchen. Für die ABC AG könnte das bedeuten, dass sie saisonale Spitzenzeiten identifizieren und entsprechend planen kann.
• Prognosegenauigkeit: Durch den Einsatz von Zeitreihenmodellen wie der gleitenden Durchschnitte oder der exponentiellen Glättung kann die ABC AG präzisere Prognosen erstellen.
Vorteile der Zeitreihenanalyse:
• Datenbasiertes Entscheidungsmanagement: Entscheidungen werden auf der Grundlage von Daten und Fakten getroffen, was die objektive Entscheidungsfindung erleichtert.
• Identifizierung von Mustern: Zeitreihenanalyse kann sowohl kurzfristige als auch langfristige Muster aufdecken, die andernfalls möglicherweise übersehen würden.
• Anpassungsfähigkeit: Die Methode ist flexibel und kann an verschiedene Arten von Daten und Branchen angepasst werden.
Nachteile der Zeitreihenanalyse:
• Komplexität der Daten: Zeitreihenanalysen erfordern oft komplexe und umfangreiche Daten, was die Analyse aufwendig machen kann.
• Voraussetzungen: Die Genauigkeit der Prognose hängt stark von der Qualität der historischen Daten ab. Wenn die Daten inkonsistent oder unvollständig sind, können die Ergebnisse unzuverlässig sein.
• Unvorhersehbare Ereignisse: Zeitreihenanalysen basieren auf historischen Daten und können unvorhersehbare zukünftige Ereignisse nicht berücksichtigen.
Zusammenfassend lässt sich sagen, dass die Zeitreihenanalyse der ABC AG wertvolle Einblicke in zukünftige Markttrends bieten kann, sie sollte jedoch mit Vorsicht und in Kombination mit anderen Prognosemethoden verwendet werden.

Aufgabe 2)

Betrachte die monatlichen Verkaufszahlen von Klimaanlagen eines Unternehmens für die letzten fünf Jahre. Du hast die Zeitreihe analysiert und festgestellt, dass die Daten starke saisonale Effekte und einen langfristigen Aufwärtstrend aufweisen. Um die zukünftigen Verkäufe vorherzusagen, möchtest Du ein Modell aufstellen, das sowohl die Trends als auch die saisonalen Effekte berücksichtigt.

a)

(a) Modellwahl und Datenvorbereitung:Wähle ein geeignetes Modell zur Analyse der Zeitreihe und erkläre, warum dieses Modell geeignet ist. Stelle sicher, dass die Daten stationär sind, bevor du das Modell anwendest. Beschreibe die Schritte, die notwendig sind, um die Stationarität zu überprüfen und gegebenenfalls herzustellen.

Lösung:

(a) Modellwahl und Datenvorbereitung:

Um die monatlichen Verkaufszahlen von Klimaanlagen korrekt zu analysieren und vorherzusagen, ist es sinnvoll, ein SARIMA-Modell (Seasonal Autoregressive Integrated Moving Average) zu verwenden. Dieses Modell ist besonders geeignet, weil es sowohl saisonale Muster als auch langfristige Trends berücksichtigen kann.

Warum ist das SARIMA-Modell geeignet?

• Das SARIMA-Modell erweitert das ARIMA-Modell durch die Einbeziehung saisonaler Komponenten, was ideal ist, um regelmäßige Muster zu modellieren.
• Es kann sowohl regelmäßige saisonale Effekte als auch Trends in den Daten erfassen und modellieren.
• Das Modell ist flexibel und kann an verschiedene Arten von Daten angepasst werden.

Datenvorbereitung und Überprüfung der Stationarität:

Bevor das SARIMA-Modell angewendet wird, müssen die Daten stationär sein. Stationarität bedeutet, dass die statistischen Eigenschaften der Zeitreihe wie Mittelwert und Varianz im Zeitverlauf konstant sind. Hier sind die Schritte, die Du befolgen solltest:

• 1. Datenvisualisierung:
• Erstelle ein Zeitreihendiagramm der monatlichen Verkaufszahlen, um visuell saisonale Muster und Trends zu erkennen.
• 2. Überprüfung der Stationarität:
• Verwende den Dickey-Fuller-Test, um zu prüfen, ob die Zeitreihe stationär ist.
• Die Nullhypothese (\(H_0\)) des Dickey-Fuller-Tests besagt, dass die Zeitreihe eine Einheitswurzel hat (also nicht stationär ist).
• Ein p-Wert kleiner als 0,05 deutet darauf hin, dass die Nullhypothese abgelehnt werden kann, und somit ist die Zeitreihe stationär.
• 3. Differenzierung zur Herstellung der Stationarität:
• Trend entfernen: Falls die Zeitreihe einen Trend aufweist, kann eine Differenzierung vorgenommen werden: \(y_t - y_{t-1}\).
• Saisonale Differenzierung: Entferne saisonale Effekte durch saisonale Differenzierung: \(y_t - y_{t-s}\), wobei \(s\) die Saisonalität (z.B., 12 Monate) darstellt.
• 4. Stationarität erneut prüfen:
• Wende erneut den Dickey-Fuller-Test auf die differenzierten Daten an, um sicherzustellen, dass die Zeitreihe nun stationär ist.

Nachdem die Zeitreihe stationär gemacht wurde, kann das SARIMA-Modell kalibriert werden:

• SARIMA(p,d,q)(P,D,Q)[s]
• (p, d, q): Parameter der nicht-saisonalen ARIMA-Komponente.
• (P, D, Q): Parameter der saisonalen ARIMA-Komponente.
• s: Saisonalitätsperiode (z.B., 12 für monatliche Daten).

Durch die umfassende Anwendung des SARIMA-Modells auf die vorbereiteten stationären Daten können die zukünftigen monatlichen Verkaufszahlen mit Berücksichtigung der vorhandenen saisonalen Effekte und Trends vorhergesagt werden.

b)

(b) Modellschätzung und Interpretation:Schätze die Parameter des gewählten Modells und interpretiere die Ergebnisse. Welche Parameter sind besonders wichtig für die Vorhersage und warum? Erkläre, wie du die Signifikanz der Parameter überprüfst.

Lösung:

(b) Modellschätzung und Interpretation:

Nachdem Du das SARIMA-Modell (Seasonal Autoregressive Integrated Moving Average) zur Vorhersage der monatlichen Verkaufszahlen von Klimaanlagen ausgewählt hast, ist der nächste Schritt die Schätzung der Modellparameter und die Interpretation dieser Parameter.

Schätzung der Modellparameter:

Die Modellparameter für das SARIMA-Modell beinhalten:

• (p, d, q): Nicht-saisonale ARIMA-Komponenten
• (P, D, Q): Saisonale ARIMA-Komponenten
• s: Saisonalitätsperiode (hier wahrscheinlich 12 für monatliche Daten)

Zur Schätzung der Parameter verwendest Du normalerweise statistische Software oder spezifische Python-Bibliotheken wie statsmodels. Diese Werkzeuge verwenden Methoden wie das Maximum-Likelihood-Verfahren zur Bestimmung der optimalen Parameterwerte.

Wichtige Parameter für die Vorhersage und ihre Interpretation:

• AR (Auto-Regressive)-Parameter (p, P): Diese Parameter geben an, wie stark vergangene Werte der Zeitreihe die aktuellen Werte beeinflussen. Höhere Werte können auf eine starke Autokorrelation hinweisen.
• MA (Moving Average)-Parameter (q, Q): Diese Parameter modellieren den Einfluss von Zufallsstörungen (Fehlern) auf die Zeitreihe. Sie können kurzfristige Korrelationen in den Fehlertermen erfassen.
• d, D (Differenzierungskomponenten): Diese Parameter geben an, wie oft die Daten differenziert wurden, um Stationarität zu erreichen. Sie bestehen aus der nötigen Differenzierung zur Entfernung von Trends (d) und saisonalen Effekten (D).

Überprüfung der Signifikanz der Parameter:

Um die Signifikanz der geschätzten Parameter zu überprüfen, kannst Du die folgenden Schritte ausführen:

• Statistische Signifikanztests:
• Prüfe die p-Werte der geschätzten Parameter. Parameter mit p-Werten kleiner als 0,05 werden typischerweise als signifikant angesehen.
• Konfidenzintervalle:
• Schätze die Konfidenzintervalle für die Parameter. Wenn ein Intervall den Wert 0 nicht enthält, wird der Parameter als signifikant angesehen.
• Modelldiagnostik:
• Analysiere die Restfehler des Modells, um sicherzustellen, dass sie zufällig verteilt sind und keine signifikanten Autokorrelationen aufweisen. Dies kann mithilfe von ACF- (Autokorrelationsfunktion) und PACF- (Partielle Autokorrelationsfunktion) Plots erfolgen.

Interpretation der Ergebnisse:

Nach der Schätzung der Parameter und Überprüfung ihrer Signifikanz interpretierst Du die Ergebnisse wie folgt:

• Die bedeutendsten AR- und MA-Parameter zeigen an, wie stark vergangene Werte und Fehler die zukünftigen Verkaufszahlen beeinflussen.
• Die Differenzierungsparameter (d und D) zeigen, wie oft die Daten differenziert wurden, um Trends und saisonale Effekte zu beseitigen, was auf die Struktur der ursprünglichen Daten hinweist.
• Ein gut angepasster Modellindikator sind niedrige AIC- (Akaike-Informationskriterium) und BIC- (Bayes-Informationskriterium) Werte, die anzeigen, dass das Modell eine gute Balance zwischen Komplexität und Anpassung an die Daten erreicht hat.

Durch diese Schritte kannst Du sicherstellen, dass Dein SARIMA-Modell gut kalibriert ist und genaue Prognosen für die zukünftigen monatlichen Verkaufszahlen liefern kann, indem sowohl saisonale Effekte als auch langfristige Trends berücksichtigt werden.

c)

(c) Prognose und Validierung:Erstelle eine Prognose für die Verkaufszahlen der nächsten zwölf Monate. Vergleiche die Prognose mit den tatsächlichen Daten und bespreche die Genauigkeit des Modells. Welche Methoden könntest du verwenden, um die Genauigkeit der Vorhersage zu verbessern?

Lösung:

(c) Prognose und Validierung:

Nachdem Du das SARIMA-Modell (Seasonal Autoregressive Integrated Moving Average) geschätzt und interpretiert hast, besteht der nächste Schritt darin, eine Prognose für die monatlichen Verkaufszahlen der nächsten zwölf Monate zu erstellen und die Genauigkeit der Prognose zu validieren.

Schritte zur Erstellung der Prognose:

• Prognose erstellen: Verwende die geschätzten Parameter des SARIMA-Modells, um die Verkaufszahlen der nächsten zwölf Monate zu prognostizieren. Dies kann mit Hilfe spezialisierter Software oder Python-Bibliotheken wie statsmodels erfolgen.
• Visualisierung: Erstelle ein Zeitreihendiagramm, das die tatsächlichen Verkaufszahlen und die prognostizierten Werte darstellt. Dies hilft dabei, visuell zu überprüfen, ob die Prognose den beobachteten Daten folgt.

Vergleich der Prognose mit den tatsächlichen Daten:

Nachdem die Prognose erstellt ist, vergleiche sie mit den tatsächlichen Verkaufszahlen, sobald diese verfügbar sind. Dies kann anhand der folgenden Fehlermaße erfolgen:

• Mittlere absolute Abweichung (MAD): Diese berechnet sich als der Durchschnitt der absoluten Fehler:
• \[\text{MAD} = \frac{1}{N}\sum_{t=1}^{N} |\text{tatsächlicher Wert}_t - \text{prognostizierter Wert}_t|\]
• Mittlere quadratische Abweichung (MSE): Diese berechnet sich als der Durchschnitt der quadrierten Fehler:
• \[\text{MSE} = \frac{1}{N}\sum_{t=1}^{N} (\text{tatsächlicher Wert}_t - \text{prognostizierter Wert}_t)^2\]
• Wurzel der mittleren quadratischen Abweichung (RMSE): Diese ist die Quadratwurzel der MSE:
• \[\text{RMSE} = \sqrt{\frac{1}{N}\sum_{t=1}^{N} (\text{tatsächlicher Wert}_t - \text{prognostizierter Wert}_t)^2}\]
• Mittlere absolute prozentuale Fehler (MAPE): Diese berechnet sich als der Durchschnitt der absoluten prozentualen Fehler:
• \[\text{MAPE} = \frac{100}{N}\sum_{t=1}^{N} \left|\frac{\text{tatsächlicher Wert}_t - \text{prognostizierter Wert}_t}{\text{tatsächlicher Wert}_t}\right|\]
• Diese Metriken geben Dir eine quantitative Einschätzung der Genauigkeit Deiner Vorhersagen.

Verbesserung der Vorhersagegenauigkeit:

• Kreuzvalidierung: Teile die Daten in Trainings- und Testdatensätze auf, um die Modellleistung auf verschiedenen Datensätzen zu bewerten.
• Hyperparameter-Tuning: Optimiere die (p, d, q) und (P, D, Q)-Parameter des Modells, um die beste Anpassung an die Daten zu finden.
• Exogene Variablen (SARIMAX): Füge zusätzliche erklärende Variablen hinzu, wie z.B. Wetterdaten oder wirtschaftliche Indikatoren, um die Vorhersagegenauigkeit zu verbessern.
• Modellkombination (Ensemble-Methoden): Kombiniere mehrere Modelle, um eine robustere Vorhersage zu erzielen. Dadurch können individuelle Schwächen einzelner Modelle kompensiert werden.
• Regelmäßige Aktualisierung: Aktualisiere das Modell regelmäßig mit neuen Daten, um sicherzustellen, dass es an aktuelle Trends und saisonale Muster angepasst bleibt.
• Residualanalyse: Analysiere die Restfehler, um sicherzustellen, dass keine strukturierten Muster in den Fehlern verbleiben, die durch das Modell nicht erfasst werden.

Durch diese Methoden kannst Du die Genauigkeit Deiner Prognosen verbessern und sicherstellen, dass Dein Modell sowohl saisonale Effekte als auch langfristige Trends zuverlässig erfasst und zukünftige Verkaufszahlen präzise vorhersagen kann.

Aufgabe 3)

Du bist ein strategischer Planer eines mittelgroßen Unternehmens in der Konsumgüterindustrie. Deine Aufgabe ist es, die Szenariotechnik anzuwenden, um die zukünftigen Marktbedingungen zu prognostizieren und darauf basierend strategische Entscheidungen zu treffen. Beachte, dass wichtige Schritte bei der Anwendung der Szenariotechnik die Identifizierung kritischer Einflussfaktoren, die Entwicklung von Schlüsselszenarien, und die Bewertung der Szenarien auf Basis ihrer Wahrscheinlichkeit und Auswirkung umfassen.

a)

Beschreibe detailliert den Prozess, wie Du die kritischen Einflussfaktoren identifizieren würdest. Welche Quellen würdest Du nutzen, und welche Methoden würdest Du anwenden, um relevante Einflussfaktoren zu bestimmen? Begründe Deine Herangehensweise.

Lösung:

• Definition des Untersuchungsrahmens: Zu Beginn musst Du den genauen Untersuchungsrahmen definieren. Dabei gilt es, zu klären, welche Aspekte des Marktes besonders relevant für Dein Unternehmen sind. Beispiele hierfür sind technologische Trends, Verbraucherpräferenzen, rechtliche Rahmenbedingungen und wirtschaftliche Entwicklungen.
• Literatur- und Datenrecherche: Nutze vielfältige Quellen, um Informationen zu sammeln:
  • Fachzeitschriften und wissenschaftliche Publikationen: Diese bieten oft tiefgehende Analysen und Studien über aktuelle Markttrends.
  • Marktforschungsberichte: Unternehmen wie Nielsen oder Gartner veröffentlichen regelmäßig Berichte über Markttrends und Konsumentenverhalten.
  • Statistische Datenbanken: Organisationen wie das Statistische Bundesamt oder Eurostat bieten umfangreiche statistische Daten zu wirtschaftlichen Entwicklungen.
  • Branchenspezifische Nachrichtenportale und Blogs: Hier findest Du oft aktuelle und praxisnahe Informationen zu Entwicklungen in Deiner Branche.
• Expertengespräche und Workshops: Durch Interviews und Workshops mit internen und externen Experten kannst Du wertvolle qualitative Informationen gewinnen. Dabei können Experten aus verschiedenen Bereichen Deiner Firma (z.B. Vertrieb, Marketing, F&E) sowie externe Spezialisten befragt werden.
• SWOT-Analyse: Führe eine SWOT-Analyse durch, um interne Stärken und Schwächen sowie externe Chancen und Risiken zu identifizieren. Dies hilft Dir, ein umfassendes Bild der aktuellen Situation und der möglichen Einflussfaktoren zu erhalten.
• Delphi-Methode: Nutze die Delphi-Methode, bei der Experten in mehreren Runden befragt werden, um eine konsensbasierte Einschätzung der zukünftigen Entwicklungen zu erhalten. Diese Methode eignet sich besonders, um Unsicherheiten zu reduzieren und fundierte Prognosen zu machen.
• Szenarioplanung: Entwickle auf Basis der gesammelten Einflussfaktoren mehrere Szenarien. Diese Szenarien sollten unterschiedliche zukünftige Entwicklungen aufzeigen, die für Dein Unternehmen relevant sein könnten.
• Bewertung und Auswahl der Schlüssel-Einflussfaktoren: Ordne die identifizierten Einflussfaktoren hinsichtlich ihrer möglichen Auswirkungen und ihrer Wahrscheinlichkeit ein. Verwende dabei eine Bewertungsskala, um die wichtigsten Einflussfaktoren herauszufiltern, die in den entwickelten Szenarien berücksichtigt werden sollten.
Begründung der Herangehensweise:
• Die Kombination aus quantitativen (Datenanalyse) und qualitativen (Expertenmeinungen) Methoden bietet einen umfassenden und fundierten Überblick über potenzielle Einflussfaktoren.
• Die Delphi-Methode hilft, Unsicherheiten zu reduzieren und fundierte Entscheidungen zu treffen, da mehrere Experten ihre Einschätzungen abgeben und eine Konsensbildung stattfindet.
• Szenarioplanung ermöglicht es, verschiedene Zukunftsbilder zu entwickeln und so eine flexible und adaptive Strategiegestaltung zu fördern.

b)

Entwickle drei Schlüsselszenarien für die Zukunft Deines Unternehmens unter Berücksichtigung der zuvor identifizierten Einflussfaktoren. Achte darauf, dass die Szenarien plausibel und voneinander unterscheidbar sind. Gib jedem Szenario einen Namen und beschreibe es in mindestens einem Absatz.

Lösung:

• Szenario 1: Technologische Dominanz

In diesem Szenario erlebt die Branche einen rasanten technologischen Fortschritt. Neue und verbesserte digitale Technologien sowie Automatisierung werden von Konsumenten und Unternehmen schnell übernommen. Augmented Reality (AR) und Virtual Reality (VR) revolutionieren das Einkaufserlebnis, während künstliche Intelligenz (KI) und Big Data die Personalisierung und Effizienz in Verkaufs- und Marketingstrategien drastisch verbessern. Für Dein Unternehmen bedeutet dies erhebliche Investitionen in Technologie und Digitalisierung, um wettbewerbsfähig zu bleiben und die Kundenzufriedenheit zu erhöhen. Mitarbeiterschulungen und die Einbindung externer IT-Spezialisten werden ebenfalls unerlässlich sein, um diese Transformation erfolgreich zu bewältigen.

• Szenario 2: Nachhaltigkeit im Vordergrund

In diesem Szenario werden Nachhaltigkeit und Umweltschutz zu den dominierenden Kräften im Markt. Regierungen erlassen strengere Umweltvorschriften, und Konsumenten bevorzugen zunehmend umweltfreundliche Produkte und Unternehmen. Dein Unternehmen muss sich auf nachhaltige Produktionsprozesse und Materialien konzentrieren und transparente und umweltfreundliche Lieferketten etablieren. Gleichzeitig müssen Marketingstrategien angepasst werden, um das wachsende Bewusstsein der Konsumenten für Nachhaltigkeit zu berücksichtigen. Kooperationen mit NGOs und Nachhaltigkeitsexperten könnten erforderlich sein, um den ökologischen Fußabdruck des Unternehmens zu minimieren und die Marktwahrnehmung zu verbessern.

• Szenario 3: Wirtschaftliche Herausforderungen

Dieses Szenario beschreibt eine Zukunft, in der die Weltwirtschaft instabil bleibt, geprägt von Rezessionen und wirtschaftlichen Unsicherheiten. Schutzmaßnahmen und Handelsbarrieren werden verstärkt, und das Vertrauen der Konsumenten in die Wirtschaft ist niedrig. Für Dein Unternehmen bedeutet dies, dass Kosten rationalisiert und Effizienz gesteigert werden müssen, um wettbewerbsfähig zu bleiben. Preisstrategien müssen angepasst werden, um preisbewusste Konsumenten anzusprechen, während gleichzeitig die Produktqualität aufrechterhalten wird. Flexible Geschäftsmodelle und Diversifikation in verschiedene Märkte könnten notwendig sein, um das Risiko zu streuen und Chancen in weniger betroffenen Regionen zu nutzen.

c)

Bewerte die entwickelten Schlüsselszenarien hinsichtlich ihrer Wahrscheinlichkeit und Auswirkungen auf Dein Unternehmen. Verwende hierzu eine Matrix, in der die Szenarien auf einer Skala von 1 bis 10 bezüglich ihrer Wahrscheinlichkeit und Auswirkung eingestuft werden. Erkläre die Bewertung und begründe die Einstufungen. Zudem, formuliere eine strategische Handlungsempfehlung für jedes Szenario.

Lösung:

• Bewertung der Schlüsselszenarien

Szenario	Wahrscheinlichkeit (1-10)	Auswirkung (1-10)
Technologische Dominanz	8	9
Nachhaltigkeit im Vordergrund	7	8
Wirtschaftliche Herausforderungen	6	7

• Erklärung der Bewertungen
• Technologische Dominanz:

Die Wahrscheinlichkeit dieses Szenarios wird mit 8 bewertet, da technologische Fortschritte stetig voranschreiten und immer mehr Bereiche unseres Lebens und der Geschäftswelt dominieren. Die Auswirkung auf Dein Unternehmen wird mit 9 bewertet, weil die Implementierung neuer Technologien umfassende Veränderungen und Investitionen erfordert, aber auch große Chancen bietet.

• Nachhaltigkeit im Vordergrund:

Die Wahrscheinlichkeit dieses Szenarios wird mit 7 bewertet, da das Bewusstsein der Konsumenten und die regulatorischen Anforderungen in Richtung Nachhaltigkeit weiterhin stark zunehmen. Die Auswirkung wird mit 8 bewertet, weil es erhebliche Anpassungen in den Produktionsprozessen und in der Lieferkette erfordert, gleichzeitig jedoch auch neue Marktchancen eröffnet.

• Wirtschaftliche Herausforderungen:

Die Wahrscheinlichkeit dieses Szenarios wird mit 6 bewertet, da die wirtschaftlichen Bedingungen zwar schwanken, aber nicht immer in eine Richtung einer Krise tendieren. Die Auswirkung wird mit 7 bewertet, da wirtschaftliche Unsicherheiten die Kaufkraft und das Konsumentenverhalten erheblich beeinflussen können, was wiederum flexible und angepasste Strategien notwendig macht.

• Strategische Handlungsempfehlungen
• Technologische Dominanz:

  Investiere in Forschung und Entwicklung, um neue Technologien frühzeitig zu adaptieren und Wettbewerbsvorteile zu sichern. Schulen Deine Mitarbeiter kontinuierlich in neuen Technologiebereichen und arbeite eng mit Technologiepartnern zusammen, um innovative Lösungen schnell umsetzen zu können. Entwickle zudem digitale Verkaufs- und Marketingstrategien, um auf die veränderten Konsumentenerwartungen einzugehen.

• Nachhaltigkeit im Vordergrund:

  Setze auf nachhaltige Produktionsmethoden und -materialien und implementiere eine transparente Lieferkette. Entwickle Produkte, die umweltfreundlich und wiederverwendbar sind. Kommuniziere Deine Nachhaltigkeitsbemühungen klar und transparent an die Konsumenten, um deren Vertrauen und Loyalität zu gewinnen. Kooperiere mit Umweltorganisationen und anderen Unternehmen, um gemeinsame Nachhaltigkeitsziele zu erreichen.

• Wirtschaftliche Herausforderungen:

  Optimiere Deine Kostenstruktur und erhöhe die betriebliche Effizienz, um die Rentabilität auch in wirtschaftlich schwierigen Zeiten zu sichern. Diversifiziere Deine Produktpalette und erschließe neue Märkte, um das Risiko zu verteilen. Entwickle flexible Preisstrategien, um bei Bedarf schnell auf veränderte wirtschaftliche Bedingungen reagieren zu können. Setze auf starke Kundenbeziehungen und biete Mehrwertdienste an, um die Kundenbindung auch in Zeiten wirtschaftlicher Unsicherheit zu stärken.

Aufgabe 4)

Du bist der Leiter der Abteilung für strategisches Management in einem großen Technologieunternehmen. Deine Aufgabe ist es, eine profitable zukünftige Strategie für das Unternehmen zu entwickeln. Dabei möchtest Du den Einsatz von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) zur Vorhersage von Geschäftstrends und zur Unterstützung strategischer Entscheidungen implementieren. Erläutere, wie Du KI und ML in diesem Zusammenhang anwenden würdest und welche Vorteile dies für das Unternehmen haben könnte.

a)

Beschreibe detailliert, wie Du große Datenmengen zur Mustererkennung mittels KI und ML analysieren wirst. Erkläre dabei auch den Lerneffekt dieser Systeme und wie dieser die Prognosegenauigkeit verbessert.

Lösung:

• Datenaggregation und -erfassung: Zuerst würde ich eine umfassende Datenaggregationsstrategie implementieren. Hierbei müssen Daten aus unterschiedlichen Quellen wie Verkaufsdaten, Marktforschung, Benutzerinteraktionen, Produktionsdaten und sogar externe Daten wie soziale Medien und Wirtschaftsberichte gesammelt werden.
• Datenbereinigung und -vorbereitung: Die gesammelten Daten müssen bereinigt und vorverarbeitet werden, um sicherzustellen, dass sie von hoher Qualität und konsistent sind. Dies umfasst das Entfernen von Duplikaten, das Füllen von fehlenden Werten, sowie das Normalisieren und Standardisieren der Daten.
• Datenanalyse und Mustererkennung: Mit Hilfe von KI und ML können die Daten dann analysiert werden. Hierbei werden Algorithmen wie Neuronale Netze, Entscheidungsbäume und Random Forests eingesetzt, um Muster und Korrelationen in den Daten zu erkennen. Diese Muster helfen dabei, Vorhersagen über zukünftige Geschäftstrends zu treffen.
• Trainings- und Testdatensätze: Um den Lerneffekt der Systeme zu maximieren, werden die Daten in Trainings- und Testdatensätze aufgeteilt. Die Trainingsdaten werden genutzt, um die ML-Modelle zu trainieren, während die Testdaten dazu dienen, die Modelle zu validieren und deren Genauigkeit zu überprüfen.
• Kontinuierliches Lernen und Modelloptimierung: Ein wesentlicher Vorteil von ML-Modellen ist ihre Fähigkeit zum kontinuierlichen Lernen. Das bedeutet, dass die Modelle regelmäßig mit neuen Daten aktualisiert und neu trainiert werden können, um ihre Prognosegenauigkeit zu verbessern. Dabei kommen auch Techniken wie Cross-Validation und Hyperparameter-Tuning zum Einsatz, um die Modelle zu optimieren.
• Auswirkungen und Vorteile: Durch den Einsatz von KI und ML kann das Unternehmen nicht nur genaue Vorhersagen über zukünftige Trends machen, sondern auch schneller und effizienter auf Marktveränderungen reagieren. Dies kann zu einer besseren Entscheidungsfindung, einer höheren Rentabilität und einer stärkeren Wettbewerbsposition führen.

b)

Entwickle ein einfaches Vorhersagemodell mithilfe einer Regressionsanalyse. Gegeben sei der Datensatz mit den monatlichen Verkaufszahlen der letzten 24 Monate. Formuliere die Regressionsgleichung und erkläre, wie Du sie zur Vorhersage der nächsten 6 Monate verwenden würdest. Gehe auf mögliche Herausforderungen und deren Lösungen ein.

Lösung:

• Einführung in die Regressionsanalyse: Eine Regressionsanalyse hilft uns, die Beziehung zwischen einer abhängigen Variable (in diesem Fall den monatlichen Verkaufszahlen) und einer unabhängigen Variable (Zeit) zu modellieren. In unserem Fall verwenden wir eine einfache lineare Regression.
• Datensammlung und Vorverarbeitung: Der Datensatz umfasst die monatlichen Verkaufszahlen der letzten 24 Monate. Wir kennzeichnen die Monate als \( x = 1\) bis \( x = 24\) und die entsprechenden Verkaufszahlen als \( y \).
• Formulierung der Regressionsgleichung: Die Gleichung der einfachen linearen Regression lautet:\[ y = mx + c \]wobei \( y \) die Verkaufszahlen darstellt, \( x \) die Zeit (Monat), \( m \) die Steigung und \( c \) der Achsenabschnitt ist.
• Berechnung der Parameter: Die Parameter \( m \) und \( c \) werden mittels der Methode der kleinsten Quadrate berechnet. Die Formeln für die Bestimmung dieser Parameter sind:\[ m = \frac{n(\sum xy) - (\sum x)(\sum y)}{n(\sum x^2) - (\sum x)^2} \]\[ c = \frac{(\sum y)(\sum x^2) - (\sum x)(\sum xy)}{n(\sum x^2) - (\sum x)^2} \]Hierbei ist \( n \) die Anzahl der Datenpunkte (in diesem Fall 24), \( \sum xy \) die Summe der Produkte aus den Zeit- und Verkaufswerten und \( \sum x^2 \) die Summe der quadrierten Zeitwerte.
• Vorhersage der nächsten 6 Monate: Nachdem die Parameter \( m \) und \( c \) berechnet wurden, verwenden wir die Regressionsgleichung zur Vorhersage der Verkaufszahlen für die nächsten 6 Monate, d.h. für \( x = 25 \) bis \( x = 30 \). Die Vorhersage erfolgt durch Einsetzen der jeweiligen \( x \)-Werte in die Gleichung \( y = mx + c \).
• Mögliche Herausforderungen und Lösungen:
  • Genauigkeit: Eine einfache lineare Regression berücksichtigt nur die Zeit als Faktor. Verkaufszahlen könnten jedoch saisonalen Schwankungen oder wirtschaftlichen Veränderungen unterliegen. Eine multiple Regression, bei der zusätzliche Faktoren berücksichtigt werden, kann genauer sein.
  • Overfitting: Ein Modell, das die Trainingsdaten zu gut beschreibt, könnte bei neuen Daten schlecht performen. Cross-Validation hilft dabei, Overfitting zu erkennen und zu vermeiden.
  • Technologische Unterstützung: Werkzeuge wie Python-Bibliotheken (NumPy, Pandas, scikit-learn) können die Berechnung und Modellierung effizient gestalten. Sie bieten Funktionen zur Datenvorbereitung, Modellbildung und Evaluierung.