Diese Aktivität dient zum Erstellen, Entfernen, Auswählen und Anzeigen einer grafischen und tabellarischen Darstellung von ursächlichen Variablen. Zur Auswahl der im Diagramm anzuzeigenden ursächlichen Variable muss der Tabellencursor in eine Zelle der Spalte der gewünschten ursächlichen Variable gesetzt werden. Daraufhin wird diese ursächliche Variable in Diagrammen angezeigt. Es gibt zwei Diagrammregisterkarten: die Registerkarte Grafik ursächliche Variablen und die Registerkarte Korrelationsdiagramm. Die ursächlichen Variablen werden mit dem Multiple Regression Forecast Model verwendet.
Beim Hinzufügen einer neuen ursächlichen Variablen ist es möglich, die Variable auf einen bestehenden Prognoseartikel zu stützen. Dieser angepasste Nachfrage- und Prognoseartikel bestimmt dann die Zahlen der ursächlichen Variablen im historischen Bereich und im Prognosebereich. Sie können auch die Zugriffsebene der ursächlichen Variable festlegen, z. B. dass die ursächliche Variable nur für den aktuellen Flow oder nur für den Prognoseartikel/-flow sichtbar ist. Standardmäßig sind alle ursächlichen Variablen global.
Die Einheit der x-Achse ist Zeit (Perioden). Für das aktuelle Element werden die Perioden von der ersten Periode der Historiendaten bis zur letzten Periode des Prognosehorizonts dargestellt. Die Periodeneinheit (Woche, Monat oder Quartal) wird einmalig und für alle Perioden auf der Registerkarte „Version“ im Server-Setup – Bedarfsplan ausgewählt. Die linke y-Achse zeigt die historischen Daten und die Prognose für den ausgewählten Prognoseartikel. Die rechte y-Achse ist für die ausgewählte ursächliche Variable. Die Skalierung der y-Achse wird automatisch an die darzustellenden Daten angepasst. Wenn das Fenster zu klein ist, um alle Daten auf der x-Achse abzubilden, werden in der linken und rechten unteren Fensterecke Scroll-Schaltflächen aktiviert.
Anpassungen des Diagramms
Die Daten im Diagramm der ursächlichen Variablen können direkt im Diagramm durch Ziehen der Diagrammelemente geändert werden. Das System zeigt beim Ziehen den Online-Wert der periodischen Elemente an, wenn die Funktion "Notizen" aktiviert wurde.
| Schlüssel | Name | Bezeichnung |
| - | Einzelne Periode | Ein einzelnes Prognoseelement direkt im Diagramm nach oben oder unten ziehen, während die linke Maustaste gedrückt gehalten wird, um den Prognosewert zu erhöhen oder reduzieren. |
| Schicht | Linear | Ziehen Sie einen Indexwert bei gedrückter Umschalttaste nach rechts, um die Element von der Anfangsposition der Periode bis zum Ablegepunkt auf einer Geraden anzuordnen. |
| Strg | Stufe | Ein beliebiges Prognoseelement nach oben oder unten ziehen, während die Strg-Taste gedrückt gehalten wird, um alle Elemente dieses Typs gleichmäßig zu erhöhen oder zu reduzieren. |
| Umschalt+Strg | Freie Zeichnung | Halten Sie Umschalt+Strg gedrückt, während Sie ein beliebiges Prognoseelement nach oben oder unten ziehen, um eine Freihandlinie für Prognosen zu ziehen. |
Dies ist ein Streudiagramm. Die Einheit der x-Achse ist der historische Bedarf des aktuell ausgewählten Artikels oder der Gruppe; die Einheit ist die Standardeinheit für die Artikelnummer. Die linke y-Achse wird in der Einheit der ursächlichen Variable dargestellt. Jeder Kreis steht für einen angepassten Datenpunkt der Bedarfs-/ursächlichen Variablen. Die dünne schwarze Linie, die durch die Punkte der Wolke führt, ist die Regressionslinie. Eine positive Neigung zeigt eine positive Korrelation zwischen Artikel/Gruppe und der ursächlichen Variable an, während eine negative Korrelation eine negative Neigung der Regressionslinie ergibt. Der Abstand der Punkte von der Korrelationslinie gibt an, wie stark die Korrelation ist. Je näher die Punkte an der Korrelationslinie liegen, desto stärker ist die Korrelation (hoher Korrelationsfaktor).
Dies ist eine Tabelle, in der die angepasste Prognose und die Systemprognose des Prognoseartikels sowie der angepasste Bedarf und alle mit dem ausgewählten Prognoseartikel verknüpften ursächlichen Variablen angezeigt werden. Die ursächlichen Variablen können sowohl in dieser Tabelle als auch im Diagramm der ursächlichen Variablen geändert werden.
| Zeilen: | Zusätzlich zur aufgerufenen oberen Reihe können in dieser Reihe die im Modell der Mehrfachregression für diesen Artikel/diese Gruppe zu verwendenden ursächlichen Variablen hinzugefügt/entfernt werden. Neben dieser oberen Reihe gibt es eine Reihe für jeden Periodenwert der Datenelemente. Das Zeitintervall erstreckt sich von der ersten Periode, für die Daten für den aktuellen Artikel/die aktuelle Gruppe vorliegen, bis zur letzten Periode des Prognosehorizonts. Die Bezeichnungen haben folgendes Format: JJJJ-PP (wobei J=Jahr und P=Periode). |
| Spalten: | Eine Spalte für jede vorhandene ursächliche Variable, und eine Zeile mit dem angepassten Bedarf, der Systemprognose und der angepassten Prognose. |
Diese Tabelle zeigt den Korrelationsfaktor zwischen dem angepassten Bedarf des ausgewählten Prognoseartikels und den ursächlichen Variablen sowie zwischen den verschiedenen ursächlichen Variablen. Die Matrix ist eine quadratische Matrix, und die Diagonale dieser Matrix ist 1,0, da der Korrelationsfaktor eines Vektors mit sich selbst 1,0 ist. Jede Zelle in dieser Matrix zeigt die Korrelation zwischen den entsprechenden X- und Y-Vektoren. Ein Korrelationsfaktor ist eine Zahl zwischen -1 und 1, die die Stärke und Richtung einer Beziehung zwischen zwei Variablen angibt.
Die Korrelationsmatrix stellt die Korrelation zwischen den unterschiedlichen ursächlichen Variablen und den anderen ursächlichen Variablen sowie dem angepassten Bedarf des aktivierten Artikels/der aktivierten Gruppe dar. Hier zeigen die Zeilenbezeichnungen die ursächlichen Variablen an, die Spaltenwerte in dieser Zeile sind Korrelationskoeffizienten für die ursächliche Variable mit den anderen ursächlichen Variablen. Als Faustregel gilt, dass ein Korrelationskoeffizient (Zellzahl) von über 0,7 auf Multikollinearität hinweist.
Auf gewisse Weise enthalten die kollinearen Variablen dieselben Informationen zu der abhängigen Variable. Wenn somit "verschiedene" Maße tatsächlich das gleiche Phänomen quantifizieren, sind sie redundant. Wenn die Variablen also unterschiedliche Namen erhalten und ggf. unterschiedliche numerische Messungsskalen verwenden, aber hoch miteinander korrelieren, dann unterliegen sie Redundanz. Zum Beispiel haben die zwei ursächlichen Variablen „Anzahl der Zuhörer Ihrer Radiowerbung“ und „Menge der für Werbung ausgegebenen Gelder“ einen Korrelationskoeffizienten von 0,85. Somit beziehen sich diese beiden Variablen auf die gleichen Daten und nur eine von ihnen wird benötigt.
Folgen der Multikollinearität
In einigen Fällen ist es in der Bedarfsplanung nicht möglich, die Regression zu berechnen. Bei Vorliegen einer Multikollinearität ist die Schätzung der Auswirkung einer ursächlichen Variable auf y (die Prognose) bei Kontrolle der anderen ursächlichen Variablen tendenziell weniger genau als bei einer Nichtkorrelation der ursächlichen Variablen. Die übliche Interpretation eines Regressionskoeffizienten ist, dass er eine Schätzung der Auswirkung einer Änderung einer Einheit in einer ursächlichen Variable X1 liefert, die die anderen ursächlichen Variablen konstant hält. Wenn X1 im vorliegenden Datensatz hoch mit einer anderen ursächlichen Variable X2 korreliert, liegen nur Beobachtungen dazu vor, bei denen X1 und X2 in einem bestimmten Verhältnis zueinander stehen (positiv oder negativ). Es liegen keine Beobachtungen für den Fall vor, dass X1 sich unabhängig von X2 ändert, und somit ist die Schätzung zum Einfluss der unabhängigen Änderungen von X1 ungenau.
Eine ursächliche Variable wurde gelöscht, geändert oder eine neue ursächliche Variable wurde erstellt.