Ein Prognosemodell ist eine Methode zur Vorhersage zukünftiger Datenpunkte in einer Zeitreihe, indem verschiedene Komponenten der Daten addiert werden.
In einer Zeitreihe können wir im Allgemeinen vier Komponenten unterscheiden:
1. Basisniveau: Dies ist der durchschnittliche Wert der Zeitreihe.
2. Trend: Dies ist die allgemeine Richtung, in die sich die Daten bewegen. Es könnte aufwärts, abwärts oder flach sein.
3. Saisonalität: Dies sind Muster, die sich in regelmäßigen Abständen in den Daten wiederholen, wie z.B. höhere Verkäufe während der Ferienzeit.
4. Zufällige Variationen: Dies sind unvorhersehbare Schwankungen in den Daten, die sich nicht wiederholen und nicht auf einen Trend oder saisonale Muster zurückzuführen sind.
In einem additiven Prognosemodell nehmen wir an, dass die zukünftigen Datenpunkte die Summe dieser vier Komponenten sind. Das bedeutet, wir beginnen mit dem Basisniveau, fügen den Trend hinzu, fügen die saisonale Komponente hinzu und berücksichtigen schließlich auch die zufälligen Variationen. Dieses Modell ist besonders nützlich, wenn die Schwankungen in den Daten im Laufe der Zeit ziemlich konstant bleiben.
In einer Zeitreihe können wir im Allgemeinen vier Komponenten unterscheiden:
1. Basisniveau: Dies ist der durchschnittliche Wert der Zeitreihe.
2. Trend: Dies ist die allgemeine Richtung, in die sich die Daten bewegen. Es könnte aufwärts, abwärts oder flach sein.
3. Saisonalität: Dies sind Muster, die sich in regelmäßigen Abständen in den Daten wiederholen, wie z.B. höhere Verkäufe während der Ferienzeit.
4. Zufällige Variationen: Dies sind unvorhersehbare Schwankungen in den Daten, die sich nicht wiederholen und nicht auf einen Trend oder saisonale Muster zurückzuführen sind.
In einem additiven Prognosemodell nehmen wir an, dass die zukünftigen Datenpunkte die Summe dieser vier Komponenten sind. Das bedeutet, wir beginnen mit dem Basisniveau, fügen den Trend hinzu, fügen die saisonale Komponente hinzu und berücksichtigen schließlich auch die zufälligen Variationen. Dieses Modell ist besonders nützlich, wenn die Schwankungen in den Daten im Laufe der Zeit ziemlich konstant bleiben.
Wenn die Schwankungen jedoch mit der Zeit zunehmen oder abnehmen, könnte ein multiplikatives Prognosemodell besser geeignet sein. In einem multiplikativen Prognosemodell nehmen wir an, dass die zukünftigen Datenpunkte das Produkt der vier Komponenten sind. Dieses Modell ist wiederum nützlich wenn Schwankungen in den Daten im Laufe der Zeit proportional zunehmen oder abnehmen.
Da in der aktuellen Marktlage über die letzten 3 Jahre keine eindeutige proportionale Zu- bzw. Abnahme des Datentrends vorherrscht, wendet das Dashboard ein additive Prognosemodell an. Darüber hinaus müssen im multiplikativen Datenmodell immer Verkäufe pro Zeitpunkt vorhanden sein, da ein Multiplikation der Komponenten mit 0 die Prognose aufhebt. Damit eine Prognose erzeugt werden kann, muss es mindesten 9 Datenpunkte (sprich Quartale) in der Zeitreihe geben. Die Zeitspanne kann in den Filtereinstellungen unter Zeit festgelegt werden.
Detaillierte Informationen zum Prognosemodell in Tableau können Sie hier nachlesen.