Forecasting-Playground
Über diese App
Interaktives Demand-Forecasting-Labor: 52 Wochen Nachfrage nach fünf Trendtypen (horizontal, saisonal, sporadisch, linear-saisonal, nichtlinear) mit einstellbarem Rauschen. Vier Prognosemethoden (Naiv, gleitender Durchschnitt, exponentielle und saisonale Glättung) prognostizieren live über den Testbereich; MAPE/MAD-Ranking zeigt sofort, welche Methode zu welchem Muster passt.
Worum es geht
Beim Demand Forecasting wird aus vergangener Nachfrage eine Prognose für die kommenden Perioden abgeleitet. Welche Methode passt, hängt vom Verlaufsmuster ab. Die naive Prognose übernimmt den letzten Wert, der gleitende Durchschnitt mittelt die letzten n Perioden, die exponentielle Glättung gewichtet neuere Werte stärker: L_t = α·y_t + (1 − α)·L_t−1. Diese drei liefern eine flache Prognose und folgen weder Trend noch Saison. Holt-Winters ergänzt Trend- und Saisonkomponente. Gemessen wird die Güte etwa mit MAD (mittlere absolute Abweichung) und MAPE (mittlerer absoluter prozentualer Fehler).
Was die App zeigt
Ein Diagramm zeigt 52 Wochen Nachfrage: Woche 1 bis 40 dienen als Historie zum Anpassen, Woche 41 bis 52 als Testbereich. Wählbar sind fünf Muster, horizontal, saisonal, sporadisch, linear-saisonal und nichtlinear mit Lebenszyklus, sowie die Stärke des Rauschens. Vier Methoden lassen sich gleichzeitig zuschalten: naiv, gleitender Durchschnitt mit Fenster von 2 bis 12 Wochen, exponentielle Glättung mit einstellbarem α und eine vereinfachte additive Holt-Winters-Variante mit Saisonlänge 13 Wochen. Das Güte-Panel rechnet MAPE und MAD über die Testwochen und markiert die beste Methode.
Selbst ausprobieren
Wähle „Saisonal“ und vergleiche: Die flachen Verfahren treffen die Schwingung nicht, Holt-Winters folgt ihr. Bei „Linear-saisonal“ fallen naive Verfahren hinter den Trend zurück. Erhöhe das Rauschen und beobachte, wie alle Fehler steigen; ein längeres Fenster oder ein kleineres α glättet stärker. Bei sporadischer Nachfrage gibt es Wochen ohne Bedarf, dort ist die MAPE nicht definiert, und die App weist auf die MAD hin. Für solche Reihen braucht es Spezialverfahren wie Croston. „Neu würfeln“ erzeugt eine neue Zufallsreihe mit demselben Muster.
Häufige Fragen
- Welche Prognosemethode eignet sich für saisonale Nachfrage?
- Für saisonale Nachfrage eignen sich Verfahren mit Saisonkomponente, etwa das Holt-Winters-Verfahren (dreifache exponentielle Glättung). Naive Prognose, gleitender Durchschnitt und einfache exponentielle Glättung liefern einen flachen Wert und bilden Saisonschwankungen nicht ab.
- Was ist der Unterschied zwischen MAPE und MAD?
- Die MAD (mittlere absolute Abweichung) ist der Durchschnitt der absoluten Prognosefehler in Mengeneinheiten. Die MAPE (mittlerer absoluter prozentualer Fehler) setzt jeden Fehler ins Verhältnis zum Istwert und mittelt die Prozente. Bei Perioden ohne Nachfrage ist die MAPE nicht definiert, dann ist die MAD aussagekräftiger.
- Wie wählt man den Glättungsfaktor α bei der exponentiellen Glättung?
- Ein großes α gewichtet die jüngsten Werte stark und reagiert schnell auf Änderungen, folgt aber auch dem Rauschen. Ein kleines α glättet stärker und reagiert träger. In der Praxis wird α oft so gewählt, dass der Prognosefehler auf historischen Daten minimal ist.
- Mit welchen Daten arbeitet die App?
- Die App erzeugt synthetische Nachfragereihen über 52 Wochen nach dem gewählten Muster plus Zufallsrauschen. Alle Methoden lernen nur aus den Wochen 1 bis 40, verglichen wird über die Wochen 41 bis 52.
Fach: Logistik & Supply Chain
Mehr aus Logistik & Supply Chain
- AAS & Digitaler Produktpass
- Autonome Verkehre in logistischen Systemen (3D)
- Bestand & Servicegrad
- Blockchain-Traceability
- Bullwhip-Effekt
- Circular Economy — R-Strategien
- Digital Twin Stufenmodell
- Engpass & Durchsatz (3D)
Eine VisuApp von heyprof: interaktiv, kostenlos im Browser, ohne Anmeldung. Was ist eine VisuApp? · Alle Apps