In immer dynamischeren Umfeldern bedürfen Produktion und Absatz von Produkten einer genauen Planung. Integraler Bestandteil der Planung in Marketing, Produktion oder Logistik ist die Absatzprognose von Produkten. Produkte oder Dienstleistungen werden häufig auf der untersten Ebene, so genannten SKUs (stock keeping units), geplant. Diese oftmals hierarchisch angeordneten Produkte besitzen in der Regel gemeinsame Merkmale wie Verpackung, Farbe oder Vertriebsregionen. So bestehen häufig mehrere Hundert Produkte, deren Produktion und Absatz geplant werden müssen. Die Absätze solcher SKUs zeigen aufgrund der gemeinsamen Produktspezifika oftmals Ähnlichkeiten, wie gemeinsame Saisonzyklen, gemeinsame Trends und gemeinsame Einflüsse von Wetter und Feiertagen.
Diese Arbeit stellt die in der Literatur beschriebenen Verfahren zur Prognose von Produkthierarchien vor und evaluiert sie. In ihnen können jedoch gemeinsame, zeitreihenübergreifende Komponenten nicht berücksichtigt werden. Diese Lücke wird in der vorliegenden Arbeit durch die multivariate exponentielle Glättung geschlossen. Die Modelle werden ausführlich vorgestellt und es wird gezeigt, wie in ihnen Komponenten auch zeitreihenübergreifend modelliert werden können. Somit können auch schwer schätzbare Effekte, wie Saisonzyklen, Trends und Regressoren für Kalender-, Wetter- und Sondereffekte, als gemeinsame Komponenten modelliert werden. Aufgrund einer größeren Datenbasis können so genauere Prognosen unter gleichzeitiger Verringerung der Prognoseunsicherheit getroffen werden.
Diese Arbeit stellt die in der Literatur beschriebenen Verfahren zur Prognose von Produkthierarchien vor und evaluiert sie. In ihnen können jedoch gemeinsame, zeitreihenübergreifende Komponenten nicht berücksichtigt werden. Diese Lücke wird in der vorliegenden Arbeit durch die multivariate exponentielle Glättung geschlossen. Die Modelle werden ausführlich vorgestellt und es wird gezeigt, wie in ihnen Komponenten auch zeitreihenübergreifend modelliert werden können. Somit können auch schwer schätzbare Effekte, wie Saisonzyklen, Trends und Regressoren für Kalender-, Wetter- und Sondereffekte, als gemeinsame Komponenten modelliert werden. Aufgrund einer größeren Datenbasis können so genauere Prognosen unter gleichzeitiger Verringerung der Prognoseunsicherheit getroffen werden.