Zusammenfassung
Grundlage aller planerischen Entscheidungen muss die möglichst genaue Antizipation der Kundennachfrage und die Ableitung des realisierbaren Absatzes sein, um einen hohen Umsatz, hohen Lieferservice, niedrige Kapitalbindung und optimale Kapazitätsauslastung zu erreichen. Die Aufgabe der Absatzplanung ist die Analyse der Absatzmärkte, die Prognose und Planung zukünftiger Absatzmengen und Verdichtung dieser in Absatzpläne, die als Ausgangspunkt der nachfolgenden Planungsprozesse dienen. Die Absatzprognose nutzt dazu qualitative und quantitative Prognosemethoden. Während qualitative Prognosemethoden i. d. R. auf subjektiven Einschätzungen von Experten basieren, wird der Absatz bei quantitativen Prognosemethoden mittels mathematischer, statistischer oder Machine Learning Verfahren prognostiziert. Ausschlaggebend für die Bewertung von Absatzprognosen sind Prognosegütemaße, die eine Abweichung zwischen prognostizierten und realisierten Absätzen messbar machen. Herausforderungen in der Absatzplanung liegen in deren organisatorischen Verankerung sowie im Aufbau der Kompetenz, um die vielfach versprochenen Vorteile der komplexen Verfahren der künstlichen Intelligenz zu heben.
This is a preview of subscription content, log in via an institution to check access.
Literatur
Backhaus K, Erichson B, Gensler S, Weiber R, Weiber T (2023) Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 17. Aufl. Springer Fachmedien, Wiesbaden. https://doi.org/10.1007/978-3-658-40465-9
Basson LM, Kilbourn PJ, Walters J (2019) Forecast accuracy in demand planning: a fast-moving consumer goods case study. J Transp Supply Chain Manag 13:58–66. https://doi.org/10.4102/jtscm.v13i0.427
Cadavid JPU, Lamouri S, Grabot B (2018) Trends in machine learning applied to demand & sales forecasting: a review. In: International conference on information systems, logistics and supply chain, Lyon
Daugherty PJ, Bolumole Y, Grawe S (2018) The new age of customer impatience – an agenda for reawakening logistics customer service research. Int J Phys Distrib Logist Manag 49(1):4–32. https://doi.org/10.1108/IJPDLM-03-2018-0143
Davydenko A, Fildes R (2013) Measuring forecasting accuracy. The case of judgmental adjustments to SKU-level demand forecasts. Int J Forecast 29(3):510–522. https://doi.org/10.1016/j.ijforecast.2012.09.002
Draenert P (2001) Kooperative Absatzplanung – Einführungsstrategie für den Prognosedatenaustausch. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-322-99293-2
Eberl M, Arndt F (2015) Simulation und Prognose in der Marktforschung: Nutzungsmöglichkeiten von Behaviour Forecasting und agentenbasierter Modellierung. In: Gansser O, Krol B (Hrsg) Markt- und Absatzprognosen. Springer, Wiesbaden, S 333–346. https://doi.org/10.1007/978-3-658-04492-3_17
Fleischmann B, Meyr H, Wagner M (2015) Advanced planning. In: Stadtler H, Kilger C, Meyr H (Hrsg) Supply chain management and advanced planning, 5. Aufl. Springer Fachmedien, Berlin, S 71–95. https://doi.org/10.1007/978-3-642-55309-7_4
Green KC, Armstrong JC (2015) Simple versus complex forecasting: the evidence. J Bus Res 68:1678–1685. https://doi.org/10.1016/j.jbusres.2015.03.026
Hastie T, Tibshirani R, Friedmann J (2009) The elements of statistical learning – data mining, inference, and prediction, 2. Aufl. Springer, New York. https://doi.org/10.1007/978-0-387-84858-7
Huber J, Grossmann A, Stuckenschmidt H (2017) Cluster-based hierarchical demand forecasting for perishable goods. Expert Syst Appl 76:140–151. https://doi.org/10.1016/j.eswa.2017.01.022
Hyndman RJ, Athanasopoulos G (2018) Forecasting: principles and practice, 2. Aufl. OTexts, Melbourne
Hyndman RJ, Koehler AB (2006) Another look at measures of forecast accuracy. Int J Forecast 22(4):679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
Kilger C, Wagner M (2015) Demand planning. In: Stadtler H, Kilger C, Meyr H (Hrsg) Supply chain management and advanced planning, 5. Aufl. Springer Fachmedien, Berlin, S 125–154. https://doi.org/10.1007/978-3-642-55309-7_7
Liebler KM (2013) Eine prozess- und IT-gestützte Methode für die Produktionsplanung in der Automobilindustrie. Praxiswissen, Dortmund
Makridakis S, Evangelos S, Vassilios A (2020) The M4 Competition: 100,000 time series and 61 forecasting methods. Int J Forecast 36(1):54–74. https://doi.org/10.1016/j.ijforecast.2019.04.014
Makridakis S, Evangelos S, Vassilios A (2022) M5 accuracy competition: results, findings, and conclusions. Int J Forecast 38(4):1346–1364. https://doi.org/10.1016/j.ijforecast.2021.11.013
Mentzer JT, Moon MA (2005) Sales forecasting management: a demand management approach, 2. Aufl. Sage, Thousand Oaks
Mohamed-Iliasse M, Loubna B, Abdelaziz B (2020) Is machine learning revolutionizing supply chain? In: 5th international conference on logistics operations management (GOL). https://doi.org/10.1109/GOL49479.2020.9314713
Montgomery DC, Jennings CL, Kulahci M (2015) Introduction to time series analysis and forecasting. Wiley, Hoboken
Müller AC, Guido S (2016) Introduction to machine learning with Python. O’Reilly Media, Sebastopol
Ni D, **ao Z, Lim MK (2020) A systematic review of the research trends of machine learning in supply chain management. Int J Mach Learn Cybern 11:1463–1482. https://doi.org/10.1007/s13042-019-01050-0
Norvig P, Russel S (2021) Artificial intelligence, 4. Aufl. Harlow Pearson Educations, London
Petropoulos F, Apiletti D, Assimakopolos V et al (2022) Forecasting: theory and practice. Int J Forecast 38:705–871. https://doi.org/10.1016/j.ijforecast.2021.11.001
Rushton A, Croucher P, Baker P (2022) The handbook of logistics and distribution management: understanding the supply chain, 7. Aufl. Kogan Page Publishers, London
Sanders NR (2016) Forecasting fundamentals. Business Expert Press, New York
Schmidt M (2018) Beeinflussung logistischer Zielgrößen in der unternehmensinternen Lieferkette durch die Produktionsplanung und -steuerung und das Produktionscontrolling. PHZ Verlag, Hannover
Schmidt M, Nyhuis P (2021) Produktionsplanung und -steuerung im Hannoveraner Lieferkettenmodell. Springer Vieweg, Heidelberg. https://doi.org/10.1007/978-3-662-63897-2
Schuh G, Stich V (2012) Produktionsplanung und -steuerung – 1. In: Grundlagen der PPS, 4. Aufl. Springer, Berlin/Heidelberg
Seyedan M, Mafakheri F (2020) Predictive big data analytics for supply chain demand forecasting: methods, applications and research opportunities. J Big Data 7:53. https://doi.org/10.1186/s40537-020-00329-2
Simmons R, Culkin N, Davies V (2022) Crisis resilient supply chain design – post pandemic, post Ukraine conflict challenges and opportunities. SSRN Electron J. https://doi.org/10.2139/ssrn.4099642
Sohrabpour V, Oghazi P, Toorajipour R, Nazarpour A (2021) Export sales forecasting using artificial intelligence. Technol Forecast Soc Chang 163:120480
Syntetos AA, Babaei Z, Boylan JE, Kolassa S, Nikolopoulos K (2016) Supply chain forecasting: theory, practice, their gap and the future. Eur J Oper Res 252(1):1–26. https://doi.org/10.1016/j.ejor.2015.11.010
Tempelmeier H (Hrsg) (2018) Begriff der Logistik, logistische Systeme und Prozesse. Springer Vieweg (Fachwissen Logistik), Berlin. https://doi.org/10.1007/978-3-662-57769-1
Thommen JP, Achleitner AK, Gilbert DU, Jarchow S (2020) Allgemeine Betriebswirtschaftslehre, 9. Aufl. Springer, Wiesbaden. https://doi.org/10.1007/978-3-658-27246-3
Vogel J (2015) Prognose von Zeitreihen: Eine Einführung für Wirtschaftswissenschaftler. Springer Fachmedien, Wiesbaden. https://doi.org/10.1007/978-3-658-06837-0
Hinweis zu Petropoulos
Petropoulos, F.; Apiletti, D.; Assimakopoulos, V.; Babai, M. Z.; Barrow, D. K.; Ben Taieb, S.; Bergmeir, C.; Bessa, R. J.; Bijak, J.; Boylan, J. E.; Browell, J.; Carnevale, C.; Castle, J. L.; Cirillo, P.; Clements, M. P.; Cordeiro, C.; Cyrino Oliveira, F. L.; Baets, S. de; Dokumentov, A.; Ellison, J.; Fiszeder, P.; Franses, P. H.; Frazier, D. T.; Gilliland, M.; Gönül, M. S.; Goodwin, P.; Grossi, L.; Grushka-Cockayne, Y.; Guidolin, M.; Guidolin, M.; Gunter, U.; Guo, X.; Guseo, R.; Harvey, N.; Hendry, D. F.; Hollyman, R.; Januschowski, T.; Jeon, J.; Jose, V. R.; Kang, Y.; Koehler, A. B.; Kolassa, S.; Kourentzes, N.; Leva, S.; Li, F.; Litsiou, K.; Makridakis, S. G.; Martin, G. M.; Martinez, A. B.; Meeran, S.; Modis, T.; Nikolopoulos, K.; Önkal, D.; Paccagnini, A.; Panagiotelis, A.; Panapakidis, I.; Pavía, J. M.; Pedio, M.; Pedregal, D. J.; Pinson, P.; Ramos, P.; Rapach, D. E.; Reade, J. J.; Rostami-Tabar, B.; Rubaszek, M.; Sermpinis, G.; Shang, H. L.; Spiliotis, E.; Syntetos, A. A.; Talagala, P. D.; Talagala, T. S.; Tashman, L.; Thomakos, D.; Thorarinsdottir, T.; Todini, E.; Trapero Arenas, J. R.; Wang, X.; Winkler, R. L.; Yusupova, A.; Ziel, F.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2024 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this entry
Cite this entry
Klingebiel, K., Fleißner, F. (2024). Absatz- und Allokationsplanung. In: Furmans, K., Henke, M., Tempelmeier, H., ten Hompel, M., Schmidt, T. (eds) Handbuch Logistik. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-54476-7_54-1
Download citation
DOI: https://doi.org/10.1007/978-3-642-54476-7_54-1
Received:
Accepted:
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-642-54476-7
Online ISBN: 978-3-642-54476-7
eBook Packages: Springer Referenz Technik und Informatik