Technische Universitt Mnchen Marktforschung in der Forstwissenschaft und

  • Slides: 44
Download presentation
Technische Universität München Marktforschung in der Forstwissenschaft und Holzwirtschaft

Technische Universität München Marktforschung in der Forstwissenschaft und Holzwirtschaft

Technische Universität München Literatur • C. Fantapié Altobelli; S. Hoffmann (2011): Grundlagen der Marktforschung.

Technische Universität München Literatur • C. Fantapié Altobelli; S. Hoffmann (2011): Grundlagen der Marktforschung. UVK Verlag, Konstanz. • G. Grunwald; B. Hempelmann (2013): Übungen zur angewandten Marktforschung. Oldenbourg Verlag, München. 12. 05. 2011 Endrik Lengwenat

Technische Universität München Gliederung • Grundlagen der Marktforschung • Marktdaten eruieren und analysieren •

Technische Universität München Gliederung • Grundlagen der Marktforschung • Marktdaten eruieren und analysieren • Prognoseverfahren – Excel-Beispiel • Preisforschung – Conjoint-Analyse • Übung 07. 05. 2012 Endrik Lengwenat

Technische Universität München Definition und Relevanz • Marktforschung ist die systematische Sammlung, Aufbereitung, Analyse

Technische Universität München Definition und Relevanz • Marktforschung ist die systematische Sammlung, Aufbereitung, Analyse und Interpretation von Daten über Märkte und Marktbeeinflussungsmöglichkeiten zum Zweck der Informationsgewinnung für Marketing. Entscheidungen. (Böhler 2004, S. 19) 12. 05. 2011 Endrik Lengwenat

Technische Universität München Definition und Relevanz • Praktische Relevanz: Marktforschung als Grundlage von Entscheidungsprozessen.

Technische Universität München Definition und Relevanz • Praktische Relevanz: Marktforschung als Grundlage von Entscheidungsprozessen. – Kunden– Markt– Konkurrenzanalysen • Wissenschaftliche Relevanz: Untersuchungen von Konsumentenverhalten 12. 05. 2011 Endrik Lengwenat

Technische Universität München Marketing-Dreieck Nachfrager Markt Anbieter 12. 05. 2011 Endrik Lengwenat Konkurrenz

Technische Universität München Marketing-Dreieck Nachfrager Markt Anbieter 12. 05. 2011 Endrik Lengwenat Konkurrenz

Technische Universität München Marktdaten eruieren und analysieren • 12. 05. 2011 Endrik Lengwenat

Technische Universität München Marktdaten eruieren und analysieren • 12. 05. 2011 Endrik Lengwenat

Technische Universität München Marktdaten eruieren und analysieren • Daten eruieren Befragungsmethodik – Reliabilität (Zuverlässigkeit).

Technische Universität München Marktdaten eruieren und analysieren • Daten eruieren Befragungsmethodik – Reliabilität (Zuverlässigkeit). Die Reliabilität ist ein Maß für die Reproduzierbarkeit von Messergebnissen – Objektivität (Wiederholungsgenauigkeit) – Validität „das Maß in dem das Messinstrument tatsächlich das misst, was es messen sollte • Datenanalyse Hypothesentests – Deskriptiv – Zusammenhänge • Dokumentation 12. 05. 2011 Endrik Lengwenat

Technische Universität München Die Prognose als Zeitreihenanalyse Prognosewerte werden durch die Verarbeitung von Vergangenheitswerten

Technische Universität München Die Prognose als Zeitreihenanalyse Prognosewerte werden durch die Verarbeitung von Vergangenheitswerten und Gegenwartswerten gewonnen. „Der Traum, die Zukunft hervorzusagen, ist so alt wie die Menschheit selbst“ (A. Einstein) „Prognosen sind schwierig, besonders, wenn sie die Zukunft betreffen“ (W. Churchill) 12. 05. 2011 Endrik Lengwenat

Technische Universität München Definition und Fragen • • Was ist eine Prognose, was ein

Technische Universität München Definition und Fragen • • Was ist eine Prognose, was ein Trend Wo werden sie angewandt und zu welchem Zweck Relevanz für den Forstsektor Welche Probleme können bei Prognosen auftreten

Technische Universität München Prognose als Teil der „Planung“ • Planung: ein auf die Zukunft

Technische Universität München Prognose als Teil der „Planung“ • Planung: ein auf die Zukunft gerichteter geistiger Prozess, in dem künftiges Geschehen antizipiert und überschaubar gemacht werden soll • Teilprozesse der Planung: Zielanalyse, Problemanalyse, Prognose, Bewertung, Entscheidung • Prognose ist im Planungsprozess ein methodischer Teil Aus möglichst realitätsnaher Darstellung der Vergangenheit Aussagen für die Zukunft treffen „Exakte“ Gesetzmäßigkeiten verdeutlichen

Technische Universität München Anforderungen an Prognosen • 1. Modelle sollen vereinfachende Abbilder realer Tatbestände

Technische Universität München Anforderungen an Prognosen • 1. Modelle sollen vereinfachende Abbilder realer Tatbestände liefern (Isolation und Abstraktion). • 2. Trotz aller Vereinfachung soll eine Strukturgleichheit bzw. Strukturähnlichkeit zwischen dem Modellsystem und dem Realsystem gewahrt bleiben. • 3. Sie müssen logisch sein - also in sich widerspruchsfrei sein. (objektives Kriterium)

Technische Universität München Anwendungsgebiete • Wettervorhersage/ -prognose • Arbeitslosenzahlen • BWL: – – –

Technische Universität München Anwendungsgebiete • Wettervorhersage/ -prognose • Arbeitslosenzahlen • BWL: – – – Forschung und Entwicklung Investitionen Produktion - Bedarfsermittlung Absatz Gesamtplanung

Technische Universität München Beispiel einer Prognose „Die Grenzen des Wachstums“ Meadows 1972 • Studie

Technische Universität München Beispiel einer Prognose „Die Grenzen des Wachstums“ Meadows 1972 • Studie zur globalen Entwicklung bis 2100 auf den Sektoren Bevölkerungswachstum, Industrieoutput, Nahrungsmittelproduktion, Rohstoffverbrauch und Umweltverschmutzung • Auftraggeber: Club of Rome; • Bearbeiter: MIT (Dennis und Donella Meadows, Jorgen Randers), Jay W. Forresters Institut für Systemdynamik

Technische Universität München Beispiel einer Prognosen aus „Die Grenzen des Wachstums“ Meadows, 1972

Technische Universität München Beispiel einer Prognosen aus „Die Grenzen des Wachstums“ Meadows, 1972

Technische Universität München Beispiel einer Prognose • 20 Jahre nach der ersten Prognose im

Technische Universität München Beispiel einer Prognose • 20 Jahre nach der ersten Prognose im Auftrag des Club of Rome erstellte Meadows eine Wiederholung der Simulation auf Grundlagen neuer Erkenntnisse sowie neuer Annahmen. Diese wurden 1992 in „Die neuen Grenzen des Wachstums“ („beyond the limits“) veröffentlicht.

Technische Universität München Beispiel einer Prognose Modifizierte Verläufe aus „Die neuen Grenzen des Wachstums“

Technische Universität München Beispiel einer Prognose Modifizierte Verläufe aus „Die neuen Grenzen des Wachstums“ Meadows, 1992/Szenario 5 Unter Änderung der Annahmen: • • Verdoppelung der Ressourcen Emissionsbekämpfung Ertragsförderung Erosionsschutz

Technische Universität München Beispiel einer Prognose Weitere Szenarien mit verschiedenen Maßnahmen/ Einschränkungen Szenario 10

Technische Universität München Beispiel einer Prognose Weitere Szenarien mit verschiedenen Maßnahmen/ Einschränkungen Szenario 10 Szenario 12

Technische Universität München Einteilung der Prognoseverfahren Nach Dr. ing. Elske Linß

Technische Universität München Einteilung der Prognoseverfahren Nach Dr. ing. Elske Linß

Technische Universität München Qualitative/ Subjektive Verfahren • Keine mathematisch-statistische Verfahren werden angewandt. • Menschliche

Technische Universität München Qualitative/ Subjektive Verfahren • Keine mathematisch-statistische Verfahren werden angewandt. • Menschliche Erfahrungen/ Intuition sind Grundlage der „Prognose“ • Einzel- oder Gruppenurteile (unabhängig/ abhängig) Beispiel: • Gruppenurteil abhängig: Ermittlung von Planzahlen in Gruppendiskussionen/Brainstorming • unabhängig: Ermittlung von Planzahlen durch strukturierte Gruppenbefragung (Bsp. Delphi-Methode)

Technische Universität München Qualitative/ Subjektive Verfahren Methoden der Datenerhebung bei subjektiven Verfahren: Delphi-Methode: 1.

Technische Universität München Qualitative/ Subjektive Verfahren Methoden der Datenerhebung bei subjektiven Verfahren: Delphi-Methode: 1. Verwendung eines formalen Fragebogens 2. anonyme Einzelantworten 3. Ermittlung einer statistischen Gruppenantwort 4. Information der Teilnehmer über die Gruppenantwort 5. Wiederholung der Befragung Informationen: Michael Häder; Delphi-Befragungen: Ein Arbeitsbuch. VS Verlag für Sozialwissenschaften, Wiesbaden 2009

Technische Universität München Extrapolierende Verfahren Zeitreihenanalyse • Analyse einer bestimmten Größe mit mathematischstatistischen Methoden

Technische Universität München Extrapolierende Verfahren Zeitreihenanalyse • Analyse einer bestimmten Größe mit mathematischstatistischen Methoden – Untersuchung hinsichtlich Gesetzmäßigkeiten aus der Vergangenheit – Übertrag dieser Gesetzmäßigkeiten in die Zukunft • Betrachtung der untersuchten Größen = zeitabhängig Ursachenforschung bleibt außen vor!

Technische Universität München Zeitreihen Die Zeitreihe (yt) setzt sich zusammen aus: yt= f (ut,

Technische Universität München Zeitreihen Die Zeitreihe (yt) setzt sich zusammen aus: yt= f (ut, zt, st, rt) – der Trendkomponente (ut) = gibt die grundsätzliche Entwicklungsrichtung an (Zeitreihe kann mit fallenden, steigenden oder ohne Trend verlaufen) – der zyklischen Komponente (zt) = langfristige Schwankung um den Trend (Konjunktur) – Der Saisonkomponente (st) = kurzfristige Bewegung um den Trend und Zyklus (Umsatzschwankungen) – Und der irregulären Komponente (rt) = zufällig auftretende Störgröße Informationen: Vorlesungsunterlagen Mike Hüftle; „Modelle und Methoden der Zeitreihenanalyse“. 2006

Technische Universität München Zeitreihen • Es sollen zeitlich regelmäßig anfallende Bewegungen einer Zeitreihe aufgezeigt

Technische Universität München Zeitreihen • Es sollen zeitlich regelmäßig anfallende Bewegungen einer Zeitreihe aufgezeigt werden, um so ein Fortschreiben in der Zukunft für Prognose- und Planungszwecke zu ermöglichen. • Voraussetzung = eine ausreichend lange Zeitreihe • Treten alle Komponenten gleichzeitig auf, so ist die Analyse einer Komponente sehr erschwert. • Zeitreihe mit saisonalen Schwankungen müssen auf rechnerische Weise von der saisonalen Komponente bereinigt werden.

Technische Universität München Zeitraum von Prognosen • Je länger eine Prognose in die Zukunft

Technische Universität München Zeitraum von Prognosen • Je länger eine Prognose in die Zukunft geht, desto ungenauer/ ungewisser wird sie • Die Eintrittswahrscheinlichkeit der Prognose verringert sich, je länger der Planungszeitraum in der Zukunft liegt • Bezogen auf Unternehmen: – Je größer ein Unternehmen, desto langfristiger oftmals die Prognosen. – Je konsumnäher, desto kürzer der Planungszeitraum. zielorientierte Datenquellen und Zeiträume wählen

Technische Universität München Graphische Verdeutlichung Ungewissheit der Prognose t = 0 Zurückliegende Daten Zukünftige,

Technische Universität München Graphische Verdeutlichung Ungewissheit der Prognose t = 0 Zurückliegende Daten Zukünftige, prognostizierte Daten

Technische Universität München Verfahren der Trendanalysen 1. Einfache Mittelwertbildung 2. Verfahren der gleitenden Durchschnitte

Technische Universität München Verfahren der Trendanalysen 1. Einfache Mittelwertbildung 2. Verfahren der gleitenden Durchschnitte 3. Methode der kleinsten quadratischen Abweichungen 4. Exponentielle Glättung erster Ordnung 5. Exponentielle Glättung höherer Ordnungen

Technische Universität München Einfache Mittelwertbildung •

Technische Universität München Einfache Mittelwertbildung •

Technische Universität München Verfahren der gleitenden Durchschnitte •

Technische Universität München Verfahren der gleitenden Durchschnitte •

Technische Universität München Verfahren der gleitenden Durchschnitte Beispielrechnung 1. Berechnung der gleitenden Durchschnitte: M

Technische Universität München Verfahren der gleitenden Durchschnitte Beispielrechnung 1. Berechnung der gleitenden Durchschnitte: M 3 (g=3) ? xi Mt für g=3 Mt für g=5 1 2 3 4 5 6 7 8 9 165 173 170 168 176 184 198 209 169 176 186 197 169, 3 170, 3 171, 3 169 170, 4 174, 2 179, 2 M 3 (g=3) = 1/3 * (169 + 165 + 173) = 169 187

Technische Universität München Verfahren der gleitenden Durchschnitte Beispielrechnung 2. Ableitung der Prognosewerte: x 12

Technische Universität München Verfahren der gleitenden Durchschnitte Beispielrechnung 2. Ableitung der Prognosewerte: x 12 (g=3) ? xi xt (k) für g=3 xt (k) für g=5 5 6 7 8 9 10 168 176 184 198 209 197 201, 3 202, 4 200, 3 187 192, 8 197, 9 201, 6 x 12 (g=3) = 1/3 * (209 + 197 + 201, 3) = 202, 4 11 12 13

Technische Universität München Verfahren der gleitenden Durchschnitte • Gleitende Durchschnitte eignen sich zur Glättung

Technische Universität München Verfahren der gleitenden Durchschnitte • Gleitende Durchschnitte eignen sich zur Glättung von Zeitreihen. • Als Prognoseverfahren sollten sie nur bei Zeitreihen ohne Trend zur Anwendung kommen.

Technische Universität München Methode der kleinsten quadratischen Abweichungen Unter der Annahme der linearen Zeitabhängigkeit

Technische Universität München Methode der kleinsten quadratischen Abweichungen Unter der Annahme der linearen Zeitabhängigkeit einer Größe, wird der Trend durch eine Gerade beschrieben: y = ax + b mit oder hier xt = a + b*t a: Achsenabschnitt b: Steigungskoeffizient t: Periode Dabei werden a und b so bestimmt, dass die Summe der Abweichungsquadrate von der Trendlinie minimiert werden.

Technische Universität München Methode der kleinsten quadratischen Abweichungen x t Die Summe der Quadrate

Technische Universität München Methode der kleinsten quadratischen Abweichungen x t Die Summe der Quadrate minimieren: •

Technische Universität München Methode der kleinsten quadratischen Abweichungen • Mathematische Lösung über partielle Differenziale.

Technische Universität München Methode der kleinsten quadratischen Abweichungen • Mathematische Lösung über partielle Differenziale. • Einfacher: Graphische Lösung in Excel mit Ausgabe der Geradengleichung • Das Verfahren wir häufig bei der Bestimmung eines Trends von Zeitreihen eingesetzt. • Das Verfahren reagiert auf anhaltende Trendänderungen nur sehr langsam.

Technische Universität München Exponentielle Glättung erster Ordnung Lösung des Problems, dass die Methode der

Technische Universität München Exponentielle Glättung erster Ordnung Lösung des Problems, dass die Methode der kleinsten quadratischen Abweichungen auf Trendänderungen nur sehr langsam reagiert: • Anpassung der Trendbewegungen durch exponentielle Glättung. • Ein Glättungsfaktor (0>α>1) gewichtet die Werte der zurück liegenden Perioden • Je kleiner α, umso stärker werden die Perioden der Vergangenheit gewichtet und Zufallsschwankungen geglättet.

Technische Universität München Exponentielle Glättung erster Ordnung •

Technische Universität München Exponentielle Glättung erster Ordnung •

Technische Universität München Exponentielle Glättung erster Ordnung Beispielrechnung: Der Vorhersagewert für den Erlös aus

Technische Universität München Exponentielle Glättung erster Ordnung Beispielrechnung: Der Vorhersagewert für den Erlös aus Holzverkäufen für 2011 lag im Jahre 2010 bei 200. 000, -€. In 2011 ist jedoch ein wirklicher Erlös von 250. 000, - € erzielt worden. • Errechnen Sie bei einem Glättungsfaktor von 0, 2 den Vorhersagewert für 2012. • Wie sind die zurückliegenden Werte gewichtet? V 2012: 200. ‘ + 0, 2 (250. ‘ – 200. ‘) = 210. 000, - €

Technische Universität München Kausale Prognosen • Kausale Prognosen stellen eine Größe in Abhängigkeit von

Technische Universität München Kausale Prognosen • Kausale Prognosen stellen eine Größe in Abhängigkeit von einer anderen dar. • Für zwei Größen y, x gilt allgemein: y = f (x) • Für die Prognose von y aus x sind zwei Konstellationen denkbar: • 1) Wurde x beobachtet, kann nach k Perioden regelmäßig mit der Beobachtung von y gerechnet werden (Time lag): y (t + k) = f (x (t)) • 2) y und x treten regelmäßig gleichmäßig auf, wobei x durch ein extrapolierendes Verfahren prognostiziert werden kann: y (t + k) = f (x (t + k))

Technische Universität München Kausale Prognosen • Deterministische Prognosen: y und x stehen in Ursache-Wirkungs-Zusammenhang.

Technische Universität München Kausale Prognosen • Deterministische Prognosen: y und x stehen in Ursache-Wirkungs-Zusammenhang. Prognose unter sicherer Erwartung eindeutige Prognose • Stochastische Prognosen: Zusammenhänge zwischen Größen nicht eindeutig determiniert Prognose unter Unsicherheit

Technische Universität München Kausale Prognosen Verwendung von einfachen Regressionsansätzen • Lineare Einfachregression: zwei Größen

Technische Universität München Kausale Prognosen Verwendung von einfachen Regressionsansätzen • Lineare Einfachregression: zwei Größen (x und y) stehen in folgendem linearen Zusammenhang: y = a + b * x x = erklärende Größe y = erklärte Größe y

Technische Universität München Kausale Prognosen Verwendung von multiplen Regressionsansätzen • Bei allen einfachen Regressionsansätzen

Technische Universität München Kausale Prognosen Verwendung von multiplen Regressionsansätzen • Bei allen einfachen Regressionsansätzen wird die Größe y aus nur einem x erklärt. Deshalb wurde die Einfachregression zur multiplen Regression erweitert, bei der die erklärte Größe aus mehreren Größen erklärbar wird.

Technische Universität München Diskussion • Größte Problematik: • Einfache Prognosen basieren auf Fortschreibung zurückliegender

Technische Universität München Diskussion • Größte Problematik: • Einfache Prognosen basieren auf Fortschreibung zurückliegender Daten. • Bei kausale Prognosen können die beschreibenden und die abhängige Variablen in der Vergangenheit enge korreliert haben. Aber Vorhersage berücksichtigt auch da keine Änderungen. • Lebensdauer eines Gutes muss bekannt sein: Unterscheidung zwischen Erst-und Ersatzbedarf • Notwendig: autonome Schätzung der Sättigungsgrenze (die sich langfristig ändern kann)

Technische Universität München Übungsaufgabe Lösen Sie die Excel-Aufgabe mit 1. Der einfachen Mittelwert-Berechnung 2.

Technische Universität München Übungsaufgabe Lösen Sie die Excel-Aufgabe mit 1. Der einfachen Mittelwert-Berechnung 2. Der Methode der gleitenden Durchschnitte 3. Der Methode der kleinsten quad. Abweichungen 4. mit einer exponentiellen Glättung 1. Ordnung Lösen Sie die Aufgabe mathematisch und stellen Sie die Lösungen graphisch da.