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.

 

Weitere News
  • Augmented Analytics –Tech­no­logie statt Data Scientist?

    Von Team #verovis

  • 3. Sep – Power BI Dashboard in a Day Training

    Von Jochen Jülke

  • 20. Aug – Power BI Dashboard in a Day Training

    Von Jochen Jülke