Ekaterina Nieberle (geb. Kokotchikova), geboren 1984 in Russland, absolvierte von 2002 bis 2007 das Studium der Wirtschaftsmathematik an der Staatl. Univ. Chelyabinsk (Russland) und von 2007 bis 2011 das Studium Internationales Handelsmanagement an der TH Ingolstadt. Ab 2012 war sie als wissenschaftliche Mitarbeiterin am Lehrstuhl für Statistik und Quantitative Methoden (Prof. Dr. Ulrich Küsters) an der Kath. Univ. Eichstätt tätig. In dieser Zeit übernahm sie Lehraufträge in Statistik und Data Mining an den TH Ingolstadt und Deggendorf sowie beim Europäischen Hochschulverband. Zu ihren Forschungsschwerpunkten zählen diverse Aspekte der güterwirtschaftlichen Prognostik und Data Mining. Die Promotion zum Dr. rer. pol. erfolgte im Februar 2016.

Klappentext

Prognosen in der Güterwirtschaft dienen der Unterstützung von Entscheidungen über eine akkurate Lagerbevorratung und Disposition auf jeder Stufe der Lieferkette. Eine durch einen hohen Nullanteil ausgezeichnete Zeitreihe liefert wesentlich weniger Information über ihre Verlaufsmuster als eine glatte Zeitreihe mit quasi-stetigem Wertebereich, so dass Identifikation und akkurate Schätzung der Strukturen sporadischer Zeitreihen auf der Item-Ebene nicht möglich sind. Häufig lassen sich keine strukturellen Unterschiede zwischen einzelnen sporadischen Zeitreihen erkennen. Betrachtet man dagegen eine Gruppe von Zeitreihen mit ähnlichen Strukturverläufen, so sind die gemeinsamen Strukturen visuell erkennbar. Die Identifikation der für mehrere Zeitreihen gemeinsamen Strukturen und deren Schätzung mit Hilfe multivariater Paneldatenmodelle für Langsamdreher stellen den Schwerpunkt dieser Arbeit dar. In diesem Zusammenhang wird ein Konzept zur Evaluation der Prognosegüte sporadischer Zeitreihen im multivariaten Fall aufgestellt, in welchem zum einen die Auswahl geeigneter multivariater Modelle erfolgt. Zum anderen wird eine Methodik zur Gruppierung von Langsamdreherzeitreihen mit gemeinsamen zeitlichen Verlaufsstrukturen zum Zweck der Prognose beschrieben. Im Rahmen einer Prognoseevaluation wird die Güte multivariater und konkurrierender univariater Prognoseverfahren sowohl statistisch als auch kostenorientiert in einem einfachen Lagerhaltungssystem bewertet. Die Ergebnisse der Untersuchung (sowohl die Erkenntnisse der empirischern Untersuchung als auch die Beschreibung einzelner Algorithmen und Prognoseverfahren) stellen einen Mehrwert für Unternehmen der Güterwirtschaft dar, in welchen der Großteil des Sortiments durch Langsamdreherprodukte vertreten ist.

Inhalt

Einleitung 2. Univariate Prognoseverfahren für Langsamdreher: Ein Überblick 2.1. Exponentielle Glättung 2.2. Verfahren von Croston und dessen Modifikationen 2.3. Bootstrap von Willemain 2.4. Univariate Verteilungen für Langsamdreher 2.5. Weitere univariate Ansätze 3. Multivariate Prognoseverfahren für Langsamdreher 3.1. Hierarchischer Ansatz für Prognosen 3.2. Paneldatenregressionen in Gruppen sporadischer Zeitreihen 3.3. Maximum-Likelihood Schätzung und statistische Inferenz 4. Prognose und Evaluation in Aggregaten der Langsamdreher 4.1. Berechnung von Prognosen 4.2. Prognoseevaluation in sporadischen Aggregaten 5. Aufstellen von Produkthierarchien 5.1. Datengrundlage 5.2. Gruppierung sporadischer Zeitreihen: Begriffserläuterung 5.3. Klassifikation sporadischer Zeitreihen 5.4. Segmentationsmethoden für sporadische Zeitreihen 6. Empirische Studie 6.1. Datenbasis 6.2. Gruppierung 6.3. Prognose und Evaluation 6.4. Prognoseevaluation multivariater Verfahren für Basiskonfigurationen 6.5. Prognoseevaluation univariater Verfahren für Basiskonfigurationen 6.6. Prognosegüte uni- und multivariater Verfahren für Basiskonfigurationen 6.7. Einfluss der Rahmenbedingungen auf die Prognosegüte 6.8. Hinweise zu Software und Rechenanforderungen der Fallstudie 7. Fazit und Ausblick