Andere Kunden interessierten sich auch für
![Analyse und Prognose des Modellzyklusses in der Automobilbranche mit künstlichen neuronalen Netzen]( "Analyse und Prognose des Modellzyklusses in der Automobilbranche mit künstlichen neuronalen Netzen")
Analyse und Prognose des Modellzyklusses in der Automobilbranche mit künstlichen neuronalen Netzen38,00 €![Prozessoptimierung mit künstlichen neuronalen Netzen]( "Prozessoptimierung mit künstlichen neuronalen Netzen")
Prozessoptimierung mit künstlichen neuronalen Netzen54,95 €![Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen]( "Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen")
Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen38,00 €![Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose]( "Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose")
Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose39,99 €![Benutzerauthentisierung durch Analyse des Tippverhaltens mit Hilfe einer Kombination aus statistischen und neuronalen Ve]( "Benutzerauthentisierung durch Analyse des Tippverhaltens mit Hilfe einer Kombination aus statistischen und neuronalen Ve")
Benutzerauthentisierung durch Analyse des Tippverhaltens mit Hilfe einer Kombination aus statistischen und neuronalen Ve59,98 €![Vergleich von Finanzbuchhaltungssoftware (Schwerpunkt Klein- und Mittelunternehmen)]( "Vergleich von Finanzbuchhaltungssoftware (Schwerpunkt Klein- und Mittelunternehmen)")
Vergleich von Finanzbuchhaltungssoftware (Schwerpunkt Klein- und Mittelunternehmen)58,00 €![OLAP vs. Data Mining - experimentelle Untersuchung auf der Basis eines Ausschnittes von MicroStrategy´s VMall für die Wissensgewinnung mit Skyon]( "OLAP vs. Data Mining - experimentelle Untersuchung auf der Basis eines Ausschnittes von MicroStrategy´s VMall für die Wissensgewinnung mit Skyon")
OLAP vs. Data Mining - experimentelle Untersuchung auf der Basis eines Ausschnittes von MicroStrategy´s VMall für die Wissensgewinnung mit Skyon27,95 €
Diplomarbeit aus dem Jahr 1999 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, Hochschule für Technik und Wirtschaft Berlin (Wirtschaftswissenschaften), Sprache: Deutsch, Abstract: Inhaltsangabe:Einleitung:
In den letzten Jahren wurde innerhalb des zyklischen Berichtswesens für die Geschäftsleitung der INBITEC GmbH wiederholt festgestellt, daß die Lagerbestände durchschnittlich viel zur hoch waren. Diese hätten jährlich 20 - 25 % geringer sein können. Das betraf das Verkaufslager und auch das Ersatzteillager.
Auf der anderen Seite gab es jedoch immer wieder Zeiten, in denen die Verkaufsnachfrage plötzlich so groß war, daß die Lagerbestände nicht nur unter den sogenannten Minimalbestand fielen, sondern komplett erschöpft waren. Verbunden war dieser Zustand dann mit erheblichen Beschaffungsproblemen. Das bezieht sich sowohl auf den zeitlichen Aspekt als auch darauf, daß günstige Einkaufsquellen und Rabatte nicht genutzt werden konnten. Hinzu kommen noch eine Reihe anderer Probleme:
Auf Grund der personellen Engpässe im Verkauf und im Service mußten Mitarbeiter aus anderen Bereichen eingesetzt werden. Auch ist in diesem Zusammenhang der Aspekt der Kundenunzufriedenheit und des Kundenverlustes nicht zu unterschätzen. Alles in allem waren dies stets Situationen, die von kurzfristiger operativer "Schadensbekämpfung" gekennzeichnet waren.
Auffällig ist auch noch der Umstand, daß solche Abverkaufsspitzen über die vergangenen Jahre mit mehr oder weniger Regelmäßigkeit eintraten.
Es stellt sich somit an dieser Stelle die Frage, ob auf der Grundlage einer verbesserten Prognoseerstellung eine längerfristige strategische Absatzplanung, und damit verbundene Lager- und auch Personalplanung, möglich ist.
Das Instrument der Prognose scheint in Klein- und Mittelbetrieben (KMU) bisher kaum genutzt oder wenig bekannt zu sein. Eine vom Autor telefonisch durchgeführte Befragung von weiteren neun Unternehmen der gleichen Größe zum Einsatz von Prognosemethoden für den Absatz ergab folgendes Ergebnis: Sechs Unternehmen wenden keinerlei Prognosen an, drei Unternehmen wenden Freihand- oder einfache Methoden der Zeitreihenfortschreibung an, ein Unternehmen machte keine Angaben.
Dies unterstreicht noch einmal die Notwendigkeit der Untersuchung dieser Problematik gerade für Klein- und Mittelbetriebe, denn im Unterschied zu Großunternehmen kommen für Kleinunternehmen noch typische im folgenden Kapitel 2 beschriebene Gesichtspunkte hinzu.
Inhaltsverzeichnis:Inhaltsverzeichnis:
AbbildungsverzeichnisIV
TabellenverzeichnisV
AbkürzungsverzeichnisVI
FormelverzeichnisVII
1.Ausgangssituation8
2.Spezifikation und Bedeutung der Problematik10
3.Prognose und Prognosemethoden13
3.1Qualitative Prognosemethoden13
3.2Quantitative Prognosemethoden14
3.2.1Klassisches Komponentenmodell, von Zeitreihen14
3.2.2Prognoseverfahren16
3.2.2.1Freihandverfahren16
3.2.2.2Verfahren der gleitenden Durchschnitte16
3.2.2.3Exponentielle Glättung18
3.2.2.4Trendextrapolation20
3.2.2.5Verfahren zur Saisonbestimmung22
3.2.3Bewertung24
4.Moderne Prognosemethode - Künstliches Neuronales Netz26
4.1Historischer Überblick26
4.2Eigenschaften und Vorteile27
4.3Funktionsprinzip28
4.3.1Biologisches Vorbild28
4.3.2Aufbau30
4.3.2.1Künstliches Neuron30
4.3.2.2Topologie32
4.3.3Lernverfahren33
5.Datenanalyse und Prognoseerstellung mit einem Künstlichen Neuronalen Netz35
5.1Vorbetrachtung37
5.2Netzentwicklung38
5.2.1Datenaufbereitung38
5.2.1.1Datenvorverarbeitung38
5.2.1.2Dateienvorbereitung41
5.2.2Architektur42
5.2.2.1Anzahl zier verdeckten Schichten42
5.2.2.2Anzahl der Neuronen43
5.2.2.3Transferfunktion46
5.2.3Parametrierung47
5.2.3.1Lernrate47
5.2.3.2Lernverfahren...
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
In den letzten Jahren wurde innerhalb des zyklischen Berichtswesens für die Geschäftsleitung der INBITEC GmbH wiederholt festgestellt, daß die Lagerbestände durchschnittlich viel zur hoch waren. Diese hätten jährlich 20 - 25 % geringer sein können. Das betraf das Verkaufslager und auch das Ersatzteillager.
Auf der anderen Seite gab es jedoch immer wieder Zeiten, in denen die Verkaufsnachfrage plötzlich so groß war, daß die Lagerbestände nicht nur unter den sogenannten Minimalbestand fielen, sondern komplett erschöpft waren. Verbunden war dieser Zustand dann mit erheblichen Beschaffungsproblemen. Das bezieht sich sowohl auf den zeitlichen Aspekt als auch darauf, daß günstige Einkaufsquellen und Rabatte nicht genutzt werden konnten. Hinzu kommen noch eine Reihe anderer Probleme:
Auf Grund der personellen Engpässe im Verkauf und im Service mußten Mitarbeiter aus anderen Bereichen eingesetzt werden. Auch ist in diesem Zusammenhang der Aspekt der Kundenunzufriedenheit und des Kundenverlustes nicht zu unterschätzen. Alles in allem waren dies stets Situationen, die von kurzfristiger operativer "Schadensbekämpfung" gekennzeichnet waren.
Auffällig ist auch noch der Umstand, daß solche Abverkaufsspitzen über die vergangenen Jahre mit mehr oder weniger Regelmäßigkeit eintraten.
Es stellt sich somit an dieser Stelle die Frage, ob auf der Grundlage einer verbesserten Prognoseerstellung eine längerfristige strategische Absatzplanung, und damit verbundene Lager- und auch Personalplanung, möglich ist.
Das Instrument der Prognose scheint in Klein- und Mittelbetrieben (KMU) bisher kaum genutzt oder wenig bekannt zu sein. Eine vom Autor telefonisch durchgeführte Befragung von weiteren neun Unternehmen der gleichen Größe zum Einsatz von Prognosemethoden für den Absatz ergab folgendes Ergebnis: Sechs Unternehmen wenden keinerlei Prognosen an, drei Unternehmen wenden Freihand- oder einfache Methoden der Zeitreihenfortschreibung an, ein Unternehmen machte keine Angaben.
Dies unterstreicht noch einmal die Notwendigkeit der Untersuchung dieser Problematik gerade für Klein- und Mittelbetriebe, denn im Unterschied zu Großunternehmen kommen für Kleinunternehmen noch typische im folgenden Kapitel 2 beschriebene Gesichtspunkte hinzu.
Inhaltsverzeichnis:Inhaltsverzeichnis:
AbbildungsverzeichnisIV
TabellenverzeichnisV
AbkürzungsverzeichnisVI
FormelverzeichnisVII
1.Ausgangssituation8
2.Spezifikation und Bedeutung der Problematik10
3.Prognose und Prognosemethoden13
3.1Qualitative Prognosemethoden13
3.2Quantitative Prognosemethoden14
3.2.1Klassisches Komponentenmodell, von Zeitreihen14
3.2.2Prognoseverfahren16
3.2.2.1Freihandverfahren16
3.2.2.2Verfahren der gleitenden Durchschnitte16
3.2.2.3Exponentielle Glättung18
3.2.2.4Trendextrapolation20
3.2.2.5Verfahren zur Saisonbestimmung22
3.2.3Bewertung24
4.Moderne Prognosemethode - Künstliches Neuronales Netz26
4.1Historischer Überblick26
4.2Eigenschaften und Vorteile27
4.3Funktionsprinzip28
4.3.1Biologisches Vorbild28
4.3.2Aufbau30
4.3.2.1Künstliches Neuron30
4.3.2.2Topologie32
4.3.3Lernverfahren33
5.Datenanalyse und Prognoseerstellung mit einem Künstlichen Neuronalen Netz35
5.1Vorbetrachtung37
5.2Netzentwicklung38
5.2.1Datenaufbereitung38
5.2.1.1Datenvorverarbeitung38
5.2.1.2Dateienvorbereitung41
5.2.2Architektur42
5.2.2.1Anzahl zier verdeckten Schichten42
5.2.2.2Anzahl der Neuronen43
5.2.2.3Transferfunktion46
5.2.3Parametrierung47
5.2.3.1Lernrate47
5.2.3.2Lernverfahren...
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.