Zeitreihenanalyse: Sichere Prognosen für maximalen Erfolg

Wie hoch ist der Unternehmensumsatz im dritten Quartal? Mit wie vielen Kunden ist in der kommenden Hauptsaison zu rechnen? Welche Höhe hat der Cash Flow im nächsten Geschäftsjahr? Mithilfe von Zeitreihenanalysen lassen sich solche Fragen valide beantworten. verovis erklärt die Grundlagen.

Schätzen Unternehmen Zeitreihen falsch ein, investieren sie in falsche Wachstumsmärkte, verschenken Umsätze und sehen hohe Auftragslagen nicht kommen. Im schlimmsten Fall bedeutet das: Sie verpassen Gelegenheiten und werden von der Konkurrenz abgehängt. Deshalb ist eine professionell durchgeführte Zeitreihenanalyse ein entscheidender Erfolgsfaktor für jedes Unternehmen. Was genau darunter zu verstehen ist, veranschaulicht ein einfaches Beispiel.

Erklärung von Zeitreihen – Das Eisverkäufer-Beispiel

Man stelle sich Eisverkäufer Paul in einem kleinen Dorf vor: Es gibt Tage, da reißen ihm die Kunden das Eis aus der Hand. An anderen ist es ruhiger. Auf einem Zettel notiert Paul täglich, wie viele Eiskugeln er verkauft hat. Was er auf dem Papier nun vor sich hat, ist eine Sammlung von Werten, die er in einer zeitlichen Folge beobachtet hat. So etwas bezeichnet man auch als Zeitreihe.

Der Eisverkäufer kommt schließlich auf die Idee, sich die gesammelten Daten näher anzuschauen. Hier kommt die Zeitreihenanalyse ins Spiel: Er will herausfinden, an welchen Tagen er sehr viel und wann er eher wenig Eis verkauft. Ziel ist es, in Zukunft immer die passende Menge vorrätig zu haben. Einerseits, weil möglichst wenig der teuren Lebensmittel im Müll landen sollen. Andererseits, weil Paul an Tagen, an denen viele Kunden kommen, genug Kugeln verkaufen möchte, um möglichst viel Umsatz zu machen.

Darüber hinaus denkt Paul auch an die Mitarbeiterkosten: Für Tage, an denen der Ansturm hoch ist, braucht er eine Aushilfskraft, damit die Kunden nicht lange warten müssen und im schlimmsten Fall wütend zum Konkurrenten gehen. Wenn aber kaum Leute im Laden sind und der Eisverkäufer die Arbeit auch allein schaffen würde, langweilt sich der Mitarbeiter und Paul bezahlt ihn quasi fürs Nichtstun.

Warum lohnt sich die Zeitreihenanalyse für Unternehmen?

Das Beispiel des Eisverkäufers lässt sich auf alle Unternehmen übertragen: Von Autokonzernen über Energieunternehmen bis hin zur Lebensmittelindustrie.

Auch Sie können mithilfe der Analyse von Zeitreihen Entscheidungen treffen, um für die Zukunft optimal vorbereitet zu sein. Denn schauen Sie sich um, begegnen Ihnen Zeitreihen überall: Umsätze können eine Zeitreihe darstellen, ebenso EBIT, Free-Cash-Flow, die Kundenanzahl oder eben die Eiskugeln.

Viele Vorteile ergeben sich durch die Analyse der Zeitreihen: Sie identifizieren und erkennen Wachstums- und Zukunftsmärkte rechtzeitig und können schneller in diese investieren, wodurch Sie sich einen Zeitvorsprung gegenüber Ihren Konkurrenten verschaffen.  Der Materialeinsatz kann besser geplant, die Lagerhaltungskosten minimiert und so effizienter gewirtschaftet werden. Personalengpässe bzw. -überschüsse lassen sich voraussagen. Sie sind auf Nachfrageschwankungen vorbereitet und können dank termingerechter Lieferung Ihren Kundenstamm sichern und ausbauen.

In der Praxis: Unterschied zwischen univariaten und multivariaten Zeitreihenmodellen

Doch wie analysiert man Zeitreihen richtig? Zwecks der Analyse lassen sich zwei Arten der Zeitreihenmodelle unterscheiden. Bei univariaten Modellen betrachtet man nur eine Zeitreihe. Um es erneut am Beispiel der Eisverkäufe zu erklären: Paul schaut sich lediglich die Anzahl der verkauften Eiskugeln an und benutzt diese als Input, um die zukünftige Anzahl der verkauften Eiskugeln zu prognostizieren.

Bei multivariaten Modellen hingegen werden noch andere Inputfaktoren berücksichtigt. Die Anzahl der verkauften Eiskugeln könnte beispielsweise durch die Variable „Temperatur“ oder durch die binäre Variable (gemeint ist eine Variable mit zwei Ausprägungen) „Feiertag/Kein-Feiertag“ vorhergesagt werden. Ist es beispielsweise heiß, kaufen die Leute mehr Eis als an kalten Tagen. An Feiertagen haben sie zudem mehr Zeit, um Eis essen zu gehen als an Werktagen. Dementsprechend werden an solchen Tagen auch mehr Kugeln verkauft.

Wann sollte welches Zeitreihenmodell verwendet werden?

Univariate Modelle sind einfacher zu verstehen und somit einfacher durchführbar. Im besten Fall besitzt die univariate Zeitreihe ein eindeutiges Muster. Dieses Muster kann durch verschiedene Charakteristika bzw. Komponenten beschrieben werden. Um also das Muster sichtbar zu machen und zu erlernen, ist es notwendig, die Zeitreihe in diese Komponenten zu zerlegen. Führt man sie weiter in die Zukunft fort, ergibt sich daraus eine Prognose. Folgende Komponenten sind zu unterscheiden:

  • Trendkomponente

Der Trend zeigt die langfristige Entwicklung der Zeitreihe. Er kann steigend sein; beispielsweise, wenn Paul von Jahr zu Jahr mehr und mehr Eis verkauft. Er kann aber auch negativ sein. Die wäre der Fall, wenn über Jahre hinweg der Eisumsatz schmilzt.

  • Zyklische Komponente

Ein Muster, das um den gegebenen Trend größere systematische Auf- und Abwärtsbewegungen zeigt, nennt sich zyklische Komponente. Über mehrere Jahrzehnte stellt Paul z. B. fest, dass die Eisverkäufe im Sommer während einer guten Konjunkturlage höher sind als im Sommer während einer schlechten Konjunkturlage. Die zyklische Komponente nennt sich deshalb auch Konjunkturkomponente.

  • Saisonkomponente

Besitzt eine Zeitreihe wiederkehrende Schwankungen innerhalb eines Tages, einer Woche, eines Monats, Quartals oder eines Jahres, spricht man von der Saisonkomponente. Schaut man sich die Eisverkäufe an, sieht man sich in der Vermutung bestätigt: Im Winter wird weniger Eis gegessen als im Sommer.

  • Irreguläre Komponente

Die irreguläre Komponente, auch Zufallsschwankung oder unerklärter Rest genannt, ist nicht erklär- bzw. prognostizierbar. Die Eisverkäufe weißen einen klaren Trend auf, Zyklen und sogar eine Saisonalität ist erkennbar, doch überall in der Zeitreihe gibt es kleine Abweichungen, die sich nicht erklären lassen. Daher wird die irreguläre Komponente auch gerne Störvariable genannt.

 

Eine Variable reicht aber oftmals nicht, um genaue Prognosen zu erstellen. Dann ist das multivariate Modell vorzuziehen. Schaut man sich beispielsweise den Umsatz eines Konzerns an, wird schnell deutlich, dass dieser von vielen Faktoren abhängt.

Erschwerend kommt hinzu, dass die Inputfaktoren oftmals in einer nicht-linearen Beziehung zueinander stehen. Das bedeutet, dass sie sich gegenseitig mal stärker, mal schwächer beeinflussen können. Beispiel Umsatz: Dieser kann vom Wachstum des BIP sowie dem Ölpreis abhängen. Ist das Wachstum hoch, steigt der Ölpreis und anders herum. Steigt jedoch der Ölpreis zu stark, sinkt wiederum das Wachstum.

Hohe Anzahl von Einflussvariablen meistern

Oftmals sind es nicht nur zehn, sondern zwanzig, manchmal sogar hunderte Faktoren, die sich auf den Umsatz auswirken – und nicht nur auf ihn, sondern auch auf andere Variablen. Für Unternehmen wird es also schwierig, alle Faktoren und ihre Beziehungen zueinander nachzuvollziehen und eine korrekte Prognose zu erstellen.

Will ein Unternehmen z. B. seinen Umsatz oder Gewinn vorhersagen, analysieren die erfahrenen Dataanalysten von verovis die dementsprechende Zielvariable mithilfe  mathematischer Methoden wie Zeitreihenzerlegungsverfahren und entscheiden dann, mit welcher Art von Modell eine möglichst genaue und kostengünstige Prognose möglich ist.

Rechtzeitig in Wachstumsmärkte investieren, Personalengpässe vermeiden – Unternehmen können von all den oben genannten Vorteilen profitieren. Dank verovis Expertise im Themenfeld der Zeitreihenanalyse holen Sie das Beste aus Ihrer Zukunft heraus.