Die wirtschaftliche Beschaffung und Bereitstellung von Waren zur Bedarfsbefriedigung der Kunden ist ein konstituierendes Merkmal aller Handelsbetriebe. Aufgrund der abweichenden zeitlichen, räumlichen und mengenmäßigen Struktur von Bedarf und Warenangebot ist eine effiziente Planung der Beschaffungsmengen und -zeitpunkte durch die Entscheidungen der Warendisposition erforderlich. Zu hohe Warenbestände führen zu einer Bereitstellung überflüssiger Güter, die als Überbestände Kapital binden, wertvollen Raum in Verkaufsflächen und Lagern belegen und aufgrund des Risikos von Beschädigungen, Diebstahl und Verderb zusätzliche Kosten verursachen. Sind die Bestände dagegen zu niedrig, entstehen Fehlmengen durch ausverkaufte Produkte, die zu Opportunitätskosten in Form von entgangenem Umsatz und Ertrag führen. Bei wiederholt auftretenden Fehlmengen führt die unbefriedigte Kundennachfrage ferner zu einer Beeinträchtigung der Kundenzufriedenheit, bis hin zu einer Verringerung der Einkaufsstättenloyalität und der strategischen Wettbewerbsfähigkeit. Das Treffen korrekter Dispositionsentscheidungen ist somit von besonderer Bedeutung für den wirtschaftlichen Erfolg im Handel.
Im Folgenden wird zunächst der Begriff der Warendisposition in den Betrachtungsgegenstand des Handels eingeordnet und gegenüber anderen Verwendungen abgegrenzt. Bei der Betrachtung der Kernprozesse, der Lagerstrukturen und des Funktionsmodells der Warendisposition wird die besondere Bedeutung der Bedarfs- und Bestellmengenrechnung im Handel verdeutlicht.
Die Erstellung von Prognosen in den verschiedensten Bereichen ökonomischer Forschung und Anwendung hat vielfältige Modelle, Verfahren und Methodologien hervorgebracht, um aus der „Analyse vergangener Ereignisse Gesetzmäßigkeiten zu entwickeln, die einen Schluss auf zukünftige Ereignisse ermöglichen“ [Hansmann 1979, S. 7]. Die Diskussion von Neuronalen Netzen zur Bedarfsprognose im Zuge der Warendisposition verlangt ihre Einordnung in die Erkenntnisse betrieblicher Prognoseverfahren und eine Erörterung im Kontext der methodischen Grundlagen der Modelle und Verfahren.
In Kapitel 4 werden die Prognoseverfahren der künstlichen Neuronalen Netze (NN) als Klasse ämathematisch-statistischer Verfahren vorgestellt. In den Hauptgliederungspunkten werden zu diesem Zweck die methodischen Grundlagen und die Prinzipien der Informationsverarbeitung in den Phasen der Modellbildung, der Parametrisierung und der Anwendung analysiert.
Wie in Abschnitt 4.3.2 gezeigt wurde, minimiert ein Lernalgorithmus implizit eine spezifische Zielfunktion, die das Lernziel des Neuronalen Netzes definiert und unabhängig von dem Lernalgorithmus bestimmt werden kann. Die quadratische Fehlerfunktion nimmt im Training von Neuronalen Netzen eine zentrale Rolle ein, wird aber in wissenschaftlichen Untersuchungen bisher weitgehend vernachlässigt. Sie wird nachfolgend genauer analysiert, um ihre besondere Bedeutung im Lernprozess und in der Anwendung von NN hervorzuheben und die Freiheitsgrade ihrer Modellierung aufzuzeigen. Ferner wird die Nutzung weitere Zielfunktionen zum Training Neuronaler Netze in der wissenschaftlichen Literatur untersucht.
Im Anschluss an die theoretische Überprüfung der Einsatzfähigkeit und Güte von NN zur Warendisposition auf synthetischen Zeitreihen erfolgt ihre Überprüfung auf empirischen Zeitreihen des Handels. Als empirische Problemstellung wird die Disposition an Warenautomaten als vereinfachte Betriebsform des Handels gewählt.
Die vorliegende Arbeit untersucht die Verfahrensklasse der künstlichen Neuronalen Netze zur Prognose und erweitert sie durch die Verwendung asymmetrischer Kostenfunktionen zur simultanen Bedarfsprognose und Bestellmengenrechnung im Sinne einer integrierten Warendisposition. Die Fähigkeit der Neuronalen Netze wird in einer Vergleichsstudie auf synthetischen Zeitreihen ermittelt und anschließend in einem objektiven empirischen Verfahrensvergleich mit etablierten Verfahren der Bedarfsprognose bestätigt.
Sven F. Crone
Backmatter
Metadaten
Titel
Neuronale Netze zur Prognose und Disposition im Handel
