Entscheidungstheorie Teil 4: Prognosemodelle Prof. Dr. Steffen Fleßa Lst. für Allgemeine Betriebswirtschaftslehre und Gesundheitsmanagement Universität Greifswald 1 Gliederung 1 Grundlagen 2 Werte- und Zielsystem 3 Konzepte der Entscheidungstheorie 4 Prognosemodelle 4.1 Statistische Prognosemodelle 4.1.1 Gleitende Durchschnitte 4.1.2 Exponentielle Glättung 4.1.3 Ökonometrische Modelle 4.1.4 Neuronale Netze 4.2 Prognostizierende Modelle 4.2.1 Netzplantechnik 4.2.2 Markov-Modelle 4.2.3 System Dynamics 4.3.4 Simulation 4.3 Expertenprognosen 2 Prognose-Dilemma • „Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen.“ (zugeschrieben Karl Valentin, Mark Twain, Winston Churchill u.a.) • „Ein Prognostiker ist ein Mann, der in lichten Momenten düstere Ahnungen hat“. (Tennessee Williams) 3 4 Prognosemodelle • Einordnung – Grundproblem: Unsicherheit der Zukunft • Entwicklung von Umweltzuständen • Wirkungszusammenhänge – Folge: Modelle sind wirkungsdefekt – Gegenmaßnahme: Prognose • Definition: Modelle zur Ermittlung bzw. Vorhersage von Informationen über unsichere, zukünftige Sachverhalte. Prognosen liefern Planungsinformationen 4 Prognosen: Typologie • Umweltprognosen: Prognosen über zukünftige Entwicklungen von Problemdaten • Entwicklungsprognose: Teilmenge der Umweltprognosen: Prognose eines Umweltzustandes, der vom Entscheider nicht beeinflusst werden kann • Wirkungsprognosen: Prognose von Wirkungszusammenhängen zwischen Parametern und Handlungsalternativen 5 Prognosen: Typologie (Forts.) • Ergebnisprognosen: Prognose über den Endzustand eines Systems bei Wahl einer bestimmten Handlungsalternative. Oftmals werden für das Ergebnis bestimmte Wahrscheinlichkeiten angegeben. • Prognosen über zukünftige Handlungsalternativen: Vorhersage der technischen, sozialen, politischen oder kulturellen Entwicklung, die neue Handlungsalternativen entstehen oder alte unmöglich werden lässt • Prognosen über zukünftig zu verfolgende Ziele: Prognose über Veränderungen des Zielsystems 6 Prognosen: Typologie (Forts.) • Prognosen im engeren Sinne: Umwelt-, Wirkungs- und Ergebnisprognosen • Zeithorizont von Prognosen: Kurzfristige, mittelfristige und langfristige Prognosen 7 Wahl der Prognosemethoden • Grundsätzliche Eignung der Methode für die Vorhersage – z. B. linearer Ansatz bei zyklischen Verläufen • Prognosefehler – Genauigkeit der Methode • Prognosekosten – „Ökonomie der Modellbildung“ – Grundsatz: So genau wie nötig bei vertretbarem Aufwand 8 4.1.1 Gleitende Durchschnitte • Grundproblem: Zeitreihenanalyse – Zeitreihe: Zeitlich geordnete Folge von Beobachtungswerten y1,..yt, …, yn – Normalfall: Äquidistante Beobachtungszeitpunkte, d.h. Zeiträume zwischen zwei Beobachtungen sind konstant – Methoden: • • • • Gleitende Durchschnitte Glättung Ökonometrie Komponentenanalyse,… 9 Beispiel x y x y 1 9 6 16 2 13 7 22 3 17 8 16 4 14 9 15 5 11 10 17 x 11 12 13 14 15 y 22 20 17 20 26 10 Beispiel 30 25 y 20 15 10 Aufgabe: Wie kann man eine Prognose für den Zeitpunkt t=16 erstellen? 5 0 0 2 4 6 8 x [Zeit in Monate] 10 12 14 16 11 Lösung 1: yˆ t 1 yt • Prinzip: Fortschreibung des letzten Wertes • Syn.: Gleitender Durchschnitt der Länge h=1 • z. B. „Das Wetter wird morgen so wie heute!“ (In Bayern meistens richtig!) • Anwendung: oftmals bei Budgetierung 12 Lösung 1 30 25 y 20 15 10 y16=y15=26 y17=y16=26 5 0 0 2 4 6 8 10 x [Zeit in Monate] 12 14 16 18 13 0,5 y+ y yt)1 Lösung 2: yyˆt+1 t 1 =0,5*(y t t t-1 • Prinzip: Fortschreibung des Durchschnitts der letzten beiden Werte • Syn.: Gleitender Durchschnitt der Länge h=2 • z. B. „Das Wetter wird morgen so wie der Durchschnitt von gestern und heute!“ • Anwendung: fängt kleine Schwankungen auf 14 Lösung 2 30 25 y 20 15 10 y16=1/2*y15+1/2*y14=13+10=23 y17=1/2*y16+1/2*y15=0,5*(23+26)=24,5 5 0 0 2 4 6 8 10 x [Zeit in Monate] 12 14 16 18 15 Lösung 3: Gleitender Durchschnitt der Länge h h yˆ t 1 1h yt i 1 i 1 Alle Werte gehen gleichmäßig in die Bewertung ein, d.h. Werte, die lange zurück liegen, sind nicht „abgeschwächt“. Saisonale Schwankungen werden nicht berücksichtigt Nur für kurzfristige Trendaussagen geeignet, nicht für die exakte Punktlandung oder für strategische Aussagen 16 Lösung 3:h=5 30 25 y 20 15 10 5 0 0 Deutlich glatter Verlauf. Aber: Unterschätzung der Entwicklung bei steigendem Verlauf (Überbetonung der alten, nicht mehr relevanten Werte); bei8 fallendem Verlauf! 2 Überschätzung 4 6 10 12 14 x [Zeit in Monate] y 16 Glättung 18 17 Berechnung in Excel 18 4.1.2 Exponentielle Glättung • Prognosewert für Periode t+1 ergibt sich als alter Prognosewert, der um den Schätzfehler bereinigt wird. yˆ t 1 yt 1 yˆ t yt yˆ t yˆ t yˆ t yt yˆ t Glättungsparameter λ (0,1) λ=1: Schätzwert für t+1 = Messwert für t λ=0: Schätzwert für t+1 = Schätzwert für t λ=0,5: Schätzwert für t+1 = Schätzwert für t korrigiert um die Hälfte des Schätzfehlers des letzten Wertes 19 Was ist hier „exponentiell“? yˆ t 1 yt 1 yˆ t yt 1 yt 1 1 yˆ t 1 yt 1 yt 1 1 2 yˆ t 1 yt 1 yt 1 1 2 yt 2 1 yˆ t 2 yt 1 yt 1 1 2 yt 2 1 3 yˆ t 2 ... yt 1 yt 1 1 2 yt 2 1 3 yt 3 ... 1 yt i 1 yˆ t i i i 1 (1-λ)i ist je geringer, je größer i ist, d.h. je weiter wir uns vom Prognosezeitpunkt entfernen, desto geringer ist das Gewicht des alten Wertes. 20 Beispiel (λ=0,3) x 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 y 9 13 17 14 11 16 22 16 15 17 22 20 17 20 26 21 21 Schätzung 9,00 10,20 12,24 12,77 12,24 13,37 15,96 15,97 15,68 16,08 17,85 18,50 18,05 18,63 20,84 20,89 Schätzfehler 4,00 6,80 1,76 -1,77 3,76 8,63 0,04 -0,97 1,32 5,92 2,15 -1,50 1,95 7,37 0,16 0,11 0,3*Fehler 1,20 2,04 0,53 -0,53 1,13 2,59 0,01 -0,29 0,40 1,78 0,64 -0,45 0,59 2,21 0,05 21 0,03 Beispiel (λ=0,3) 30 25 y 20 15 10 5 0 0 2 4 6 8 10 12 14 16 18 x [Zeit in Monate] y Exponentielle Glättung 5 Per. Gleitender Durcschnitt (y) 22 4.1.3 Ökonometrische Modelle • Grundlage: Statistisches Verfahren zur Analyse der Abhängigkeiten von endogenen und exogenen Variablen. Ökonometrische Modelle können für Prognosen verwendet werden (müssen es aber nicht, da die Bestimmung von Einflussfaktoren bereits ein wichtiger Wissenszuwachs jenseits der Prognose ist). 23 Grundmodell • Gegeben ist eine exogene Variable x und eine endogene Variable y. Gesucht ist der Zusammenhang zwischen x und y. • Ansätze – Korrelation – Methode der kleinsten Quadrate – Goal Programming 24 Beispiel x 2 4 3 1 2 6 8 3 1 11 3 11 14 11 15 y 3 5 3 3 1 6 5 6 1 15 4 9 13 14 17 25 18 Beispiel 16 14 12 y 10 8 6 4 2 0 0 2 4 6 8 x 10 12 14 16 26 Korrelationskoeffizient (ρ) • Inhalt: Ein Maß für den Zusammenhang zwischen zwei Variablen • Hinweis: Oftmals Berechnung mit 1/(n-1) • Berechnungsbeispiel: Regression.xls • -1≤ρ≤1 x n 1 n x i 1 Var ( x) i 2 n 1 n x x i i 1 x Var ( x) Cov( x, y ) n 1 n x x y i 1 i Cov( x, y ) ( x, y ) x y i y 27 Beispiele y Positive Korrelation Negative Korrelation y x y x keine (geringe) Korrelation 28 x New evidence for the Theory of the Stork • Zusammenhang zwischen Zahl der Störche und Geburtenrate beim Menschen? • Hofer et al. (2004) in: Paediatric and Perinatal Epidemiology 18, S. 88-92. • Analyse für Niedersachsen, Berlin und Brandenburg 29 New evidence for the Theory of the Stork • Ergebnisse: – Korrelation für Niedersachsen: Reduktion beider Größen 1970-85; Konstanz 1985-95 – Berlin: keine Störche; jedoch Anstieg der Geburten 1990-2000 – Erklärung: Zunahme der Störche in Brandenburg 30 Geburtenrate und Störche in Europa Land Fläche (km2) Störche (Paare) Menschen (106) Geburtenrate (103/ Jahr) Albanien 28.750 100 3.2 83 Belgien 30.520 1 9.9 87 Bulgarien 111.000 5.000 9.0 117 Dänemark 43.100 9 5.1 59 Deutschland 357.000 3.300 78 901 Frankreich 544.000 140 56 774 Griechenland 132.000 2.500 10 106 Holland 41.900 4 15 188 Italien 301.280 5 57 551 Österreich 83.860 300 7.6 87 Polen 312.680 30.000 38 610 Portugal 92.390 1.500 10 120 Rumänien 237.500 5.000 23 23 Spanien 504.750 8.000 39 439 Schweiz 41.290 150 6.7 82 Türkei 779.450 25.000 56 Ungarn 93.000 5.000 11 1.576 31 124 Korrelation und Kausalität • Korrelation Kausalität (Ursache-Wirkungs-Beziehung) • Scheinkorrelation: „dritte Variable“ beeinflusst beide Merkmale systematisch • Beispiel: Zunehmende Verstädterung vernichtet Nistplätze und fördert Kleinstfamilien 32 Nachteil der Korrelation • Eine Prognose ist auf Grundlage der Korrelation nicht möglich. • Zusammenhänge lassen sich nur sehr bedingt darstellen. 33 Methode der Kleinsten Quadrate • Prinzip: Lege eine Kurve so durch die Punktmenge, dass die Summe der quadrierten vertikalen Abweichungen von dieser Kurve zu den gegebenen Werten minimal ist. 34 Prinzip: Kleinste Quadrate u3 y (x1, y1) (x3, y3) u2 u1 (x2, y2) x 35 Prinzip: Kleinste Quadrate y (x1, y1) (x3, y3) (x2, y2) x 36 Alternative Gerade y (x1, y1) (x3, y3) (x2, y2) x 37 Berechnung der kleinsten Quadratesumme ui yi yˆ i , wobei yˆ ˆ ˆ x i 0 1 i n n Z u i 1 2 i i 1 yi ˆ0 ˆ1 xi Lösung: Min! 2 Cov( x, y ) ˆ 1 2 x ˆ0 y ˆ1 x Gerade geht immer durch den Mittelwert von x und y 38 Analyse in Excel • Einfache Regression möglich • Analyse-Funktion „Regression“ liefert Angaben zur Regressions-Statistik (Interpretation!) - Korrelationskoeffizient - Bestimmtheitsmaß - Koeffizienten - t-Statistik 39 18 Vorgehen in Excel: Anklicken eines Punktes, „Trendlinie hinzufügen“ – „Linear“ Beispiel 16 14 y = 1,005x + 0,6352 12 Δy; ß1= Δy/ Δx y 10 Δx 8 6 4 2 ß0 0 0 2 4 6 8 x 10 12 14 16 40 Verwendung • Punktprognose: • Bestimmtheitsmaß: yˆi ˆ0 ˆ1 x1 R 2 = Anteil der Varianz von y, der durch die Regression erklärt wird = Maß der Güte der Regression s s 2 yˆ 2 y 41 18 Vorgehen in Excel: Anklicken eines Punktes, „Trendlinie hinzufügen“ – „Linear“ - „Bestimmtheitsmaß anzeigen“ Beispiel 16 14 y = 1,005x + 0,6352 12 10 y R2 = 0,864 8 6 4 2 0 0 2 4 6 8 x 10 12 14 16 42 Erweiterungen • • • • Mehrere Exogene Nichtlineare Funktionen Intervallprognosen Hypothesentest 43 Mehrere Exogene • Multiples lineares Regressionsmodell yˆ t ˆ0 ˆ1 x1t ˆ2 x2t ... ˆn xnt , t 1..T ˆ1 y1 y ; ˆ ; ˆ y n n 1 x11 xn1 X 1 x xnT 1T 1 ˆ X X X y 44 Nicht-lineare Regression • Vorsicht: Viele Anschlussrechnungen sind nicht mehr möglich – z. B.: Bestimmtheitsmaß nur bedingt zu gebrauchen – z. B. Intervallschätzer nur bedingt möglich 45 25 Beispiel 20 y = 1,8771e0,1577x R2 = 0,7514 15 y y = 1,005x + 0,6352 R2 = 0,864 y = 4,98Ln(x) - 0,4635 R2 = 0,7525 10 5 0 0 2 4 6 8 -5 10 12 14 16 46 x Intervallprognose • Prinzip: es wird nicht ein Punkt angegeben, sondern ein bestimmtes Intervall, innerhalb dessen der „wahre“ Wert mit einer Wahrscheinlichkeit von mindestens X % liegt • Beispiel: für 95 % aller Stichproben erhält man ein Intervall, in dem der wahre Wert liegt. • Je weiter wir uns vom Durchschnitt der exogenen Variablen entfernen, desto größer wird das anzugebende Konfidenz(=Vertrauens)intervall. 47 Intervallprognose y yoben 95% Konfidenzintervall yunten y 48 x xi x Hyothesentest • Häufig: Hypothese H0: ß1=0 d.h. hat keinen Einfluss auf y f ( ˆ1 ) E ( ˆ1 ) ̂1 49 95 % aller möglichen Werte von ˆ1 Signifikanzniveau • Fehler vom Typ 1: eine Nullhypothese wird als falsch abgelehnt, obwohl sie wahr ist • Fehler vom Typ 2: eine Hypothese wird als wahr angenommen, obwohl sie falsch ist. • P-Wert: – Für die aktuelle Stichprobe wird H0 ablehnt. – P: Die Wahrscheinlichkeit, einen Fehler vom Typ 1 zu begehen – je kleiner der p-Wert, desto signifikanter ist der Zusammenhang • p=0,05: hohes Risiko, dass keine Signifikanz besteht • p=0,01: mittleres Risiko, dass keine Signifikanz besteht • p=0,001: geringes Risiko, dass keine Signifikanz besteht 50 Voraussetzungen der OLS-Schätzung 1. Lineares Modell, jeweils eine endogene und exogene Variable (reelle Zahlen) 2. Die Residuen haben einen Erwartungswert von null 3. Homoskedastizität: Die Residuen haben eine konstante Varianz 4. Die Residuen sind nicht autokorreliert 5. Spezifikation: Die Exogene ist richtig gewählt 51 Erweiterungen des Modells 1. Lineares Modell, jeweils eine endogene und exogene Variable (reelle Zahlen) 2. Die Residuen haben einen Erwartungswert von null 3. Homoskedastizität: Die Residuen haben eine Erweiterungen: konstante Varianz Mehrere Exogene: Multiple Lineare Regression Endogene: von Regressionsgleichungen 4. Die Mehrere Residuen sindSysteme nicht autokorreliert Unabhängige Regressionsgleichungen Regressionsgleichungen 5. Spezifikation:Abhängige Die Exogene ist richtig gewählt Exogene ist natürliche Zahl oder binär (z. B. Mann=0; Frau=1): Dummy Variablen Endogene ist natürliche Zahl oder binär (z. B. Gesund=0; Krank=1): LOGIT- und PROBIT-Modelle 52 Erweiterungen des Modells 1. Lineares Modell, jeweils eine endogene und exogene Variable (reelle Zahlen) 2. Die Residuen haben einen Erwartungswert von null 3. Homoskedastizität: Die Residuen haben eine konstante Varianz 4. Die Residuen sind nicht autokorreliert Problem: 5. Spezifikation: Diesein, Exogene ist richtig Es könnte durchaus dass das Residuum bei gewählt großen Werten der Exogenen stärker / mehr streut als bei kleinen Werten (Heteroskedastizität) Lösung: Generalized Least Square (GLS) 53 Erweiterungen des Modells Problem: Es könnte durchaus sein, dass ein Zusammenhang zwischen den 1. Lineares Modell, jeweils endogene und aufeinander folgenden Residueneine besteht (Autokorrelation) LösungZahlen) exogene Variable (reelle Generalized Least Square (GLS) 2. Die Residuen haben einen Erwartungswert von null 3. Homoskedastizität: Die Residuen haben eine konstante Varianz 4. Die Residuen sind nicht autokorreliert 5. Spezifikation: Die Exogene ist richtig gewählt 54 Erweiterungen des Modells 1. Lineares Modell, jeweils eine endogene und exogene Variable (reelle Zahlen) Fehlspezifikation 2. Die Residuen haben einen Erwartungswert von z. B. Prognose des Konsums verwendet nur Altersstufe und Kinderzahl, null aber nicht Familieneinkommen 3. Homoskedastizität: Die Residuen haben eine konstante Varianz 4. Die Residuen sind nicht autokorreliert 5. Spezifikation: Die Exogene ist richtig gewählt 55 Qualitative Endogene • Normalerweise: Quantitative Endogene, z. B. y= Absatz • Ausnahme: Qualitative Endogene, z. B. „Kunde kauft das Produkt“ 1 Kunde kauft yi • Übertragung der Qualitativen: sonst 0 • Lösung: – Annahme: Nutzen eines Gutes hängt linear von verschiedenen Exogenen ab – Die Wahrscheinlichkeit, dass der Nutzen zum Wert „1“ führt, kann durch eine Verteilungsfunktion angegeben werden • y‘ ist die Wahrscheinlichkeit, dass y den Wert „1“ annimmt (damit zwischen 0 und 1 verteilt) • Problem: Welche Wahrscheinlichkeitsverteilung hat y? 56 Lösungen • Wahrscheinlichkeit, dass y=1, wird durch eine Standardnormalverteilung angegeben: PROBITModell • Wahrscheinlichkeit, dass y=1, wird durch eine Logistische Funktion angegeben: LOGIT-Modell • Software: Enthält entsprechende Tools • VORSICHT: Kombination von LOGIT, GLS und Systeme von Gleichungen ist extrem schwierig, z. B. Full-Information-Maximum-Likelihood Schätzer (FIML) • Erweiterungen: Multi-nominale Endogene (z. B. y=0, 1,2,3) 57 Goal-Programming • Prinzip: Abstände werden minimiert, nicht quadrierte Abstände • Lösung: LP • Problem: Anschlussrechnungen schwierig, z. B. Intervallschätzung nur über Monte-Carlo-Simulation a : Höhenparam eter b : Steigungsp arameter ui : Residuum; nicht vorz eichenbesc hränkt ui yi -a-bxi für i 1..n u i : Positivtei l des Residuums; u i 0 ui ui 0 u i : Negativtei l des Residuums; u i 0 x i : Konstante : Exogene x, i 1..n y i : Konstante : Exogene y, i 1..n ui ui ui für i 1..n für i 1..n n Z ui ui Min! i 1 58 4.1.4 Neuronale Netze • Analogie zum menschlichen Gehirn: – Neuronen (Knoten) – Netze: Verbindungen zwischen Knoten – Neuronen haben üblicherweise mehrere Eingangsverbindungen sowie eine Ausgangsverbindung. • Aktionspotential: Wenn die Summe der Eingangsreize einen gewissen Schwellenwert überschreitet, sendet das Neuron ein Ausgangssignal 59 Neuronales Netz Neuron Reiz Ausgangssignal 60 Neuronales Lernen • Eigenschaft neuronaler Netze: Erlernen („Trainieren“) von komplexen Mustern ohne vorherige Festlegung der Regeln; Neue Verknüpfungen und Reizschwellenwerte entstehen. – Je häufiger ein Neuron A gleichzeitig mit Neuron B aktiv ist, umso bevorzugter werden die beiden Neuronen aufeinander reagieren ("what fires together, wires together"). – Verbindungen bauen sich selbständig auf, ohne dass dies ein bewusster Programmierschritt wäre 61 Künstliches neuronales Netz • Forschungsgegenstand der Neuroinformatik, Künstliche Intelligenz • Versuch der Nachkonstruktion des Lernverhaltens von Neuronalen Netzen • Beispiele: Vorhersage der Aktienkursentwicklung • Vorteile: – Lernfähigkeit, wenn Kausalzusammenhänge nicht bekannt sind – Toleranz gegenüber fehlerhaften, ja sogar unbekannten Inputs • Nachteile – Intensives Training, zeitintensiv – Neuronales Netz ist „Black Box“ – kein „optimales“ Ergebnis 62 4.2 Prognostizierende Modelle 4.2.1 Netzplantechnik • Definition: Ein Netzplan ist ein Graph, der mit Hilfe von Knoten und Kanten (größere) Projekte visualisiert und Anschlussrechnungen ermöglicht • Arten – Tätigkeitsgraph und Ereignisgraph – Stochastische und deterministische NPT • Teilprobleme – – – – Strukturplanung Zeitplanung Kostenplanung Ressourcenplanung 63 Praxis der NPT • wahrscheinlich häufigstes OR-Verfahren, jedoch meist „versteckt“ in ProjektmanagementSoftware (z. B. MS-Project) • Arten: – CPM (Critical Path Method, 1956): Theorie – MPM (Metra Potential Method, 1957): Praxis – PERT (Program Evaluation and Review Technique, 1956): Theorie 64 Strukturplanung • Strukturliste Nr. Tätigkeit Vorgänger Nachfolger A Vorbereiten des Grundstückes - B B Aushub der Fundamente A C C Rohbau B D, F D Innenausbau C E E Inbetriebnahme D, F, G - F Außenanlagen/Zuwege Bereiten C E G Mitarbeiterschulung - E 65 Tätigkeitsgraph • Inhalt: – Knoten = Tätigkeit – Kante = Anordnungsbeziehung – Metra-Potential-Methode (MPM) F BEGINN A B C D E END ENDE G 66 Ereignisgraph • Inhalt: – Knoten = Ereignis (z. B. Anfang/Ende einer Tätigkeit) – Kante = Tätigkeit – Critical Path Method (CPM), Program Evaluation and Review Technique (PERT) F A B C S D E G 67 Zeitplanung im Ganttdiagramm Nr. Tätigkeit Zeitbedarf [Tage] Nachfolger A Vorbereiten des Grundstücks 20 B B Aushub der Fundamente 60 C C Rohbau 150 D, F D Innenausbau 120 E E Inbetriebnahme 10 - F Außenanlagen/Zuwege Bereiten 20 E G Mitarbeiterschulung 30 E 68 Zeitplanung im Ganttdiagramm Tätigkeit Ende: 360 G F E D C B A 100 200 300 Zeit 69 Erweiterung: Puffer Tätigkeit Puffer Ende: 360 G F E D C B A 100 200 300 Tätigkeiten ohne Puffer sind zeitkritisch, d.h. sie bilden den „kritischen Pfad“ Zeit 70 Zeitplanung im MPM Knotennummer Vorgangsdauer Zuständigkeit Nr . Zu . Name der Tätigkeit i Di FZi . Frühester Anfangszeitpunkt SZi . FEi . Spätester Anfangszeitpunkt SEi . Frühester Endzeitpunkt Spätester Endzeitpunkt 71 Zeitplanung im MPM i Di j Dj Zu . Name der Tätigkeit i FZi . SZi FEi SEi . . . dij = Zeitlicher Mindestabstand zwischen Beginn von Tätigkeit i und Beginn von Tätigkeit j Zu . Name der Tätigkeit j FZj SZj FEj SEj . 72 Zeitplanung im MPM A . B Vorbereiten des Grundstücks 20 . C . . 60 20 Rohbau Aufhub der Fundamente 150 60 . . 150 F . D . . Innenausbau Außenanlagen u. Zuwege Bereiten Mitarbeiterschulung 20 . . 120 . 20 30 . 150 0 G . 120 E . Inbetriebnahme 73 10 . Hinrechnung A . B Vorbereiten des Grundstücks 0 20 . C . . 60 20 Rohbau Aufhub der Fundamente 60 150 20. 80. 150 150 0 G F . . Innenausbau Außenanlagen u. Zuwege Bereiten Mitarbeiterschulung 30 D . 20 0 230 . 30 120 20 E FZj = Max{FZi+dij} für alle Vorgängerknoten FZ1=0 für den Beginnknoten 230 . . . 120 . Inbetriebnahme 74 10 350 . Rückrechnung A . B Vorbereiten des Grundstücks 0 20 0. . . C . . 60 20 Rohbau Aufhub der Fundamente 60 20. 150 20. 80. 80. 150 150 0 G F . 0 . Innenausbau Außenanlagen u. Zuwege Bereiten Mitarbeiterschulung 30 D . 20 320 . 230 . 330 . 30 120 20 E SZi = Min{SZj-dij} für alle Nachfolgerknoten SZn=FZn für den Endknoten 230 . 230 . . 120 . Inbetriebnahme 75 10 350 . 350 . Endzeitpunkte A . B 0 20 0. 20. 20. . 60 20 Vorbereiten des Grundstücks C . Rohbau Aufhub der Fundamente 60 20. 20. 80. 150 80 80. 80. 150 F . 30 0 320 . 30. D . . Innenausbau Außenanlagen u. Zuwege Bereiten Mitarbeiterschulung 20 350 . 30 FEi = FZi+Di SEi=SZi+Di 230 . 330 . 250 . 350 . 230 . 150 0 G 230 . 120 20 E 230 . 230 . 350 . 120 350 . . Inbetriebnahme 76 10 350 . 350 . 360 . 360 . Puffer • Puffer I: Gesamtpuffer – Alle Vorgänger fangen frühest möglich an, alle Nachfolger spätest möglich – P_Ii=SZi-FZi • Puffer II: freier Puffer – Alle Vorgänger fangen frühest möglich an, alle Nachfolger frühest möglich – P_IIi=Min{FZj-FZi-dij}, wobei P_IIi≥0 • Puffer III: unabhängiger Puffer – Alle Vorgänger fangen spätest möglich an, alle Nachfolger frühest möglich 77 Puffer A . B 0 20 0. 20. 20. . 60 20 Vorbereiten des Grundstücks C . Rohbau Aufhub der Fundamente 60 20. 20. 80. 150 80 80. 80. 150 F . 30 0 320 . 30. D . . Innenausbau Außenanlagen u. Zuwege Bereiten Mitarbeiterschulung 20 350 . 230 . 30 P_I(G) = 320-0=320 P_II(G) = 350-0-30 = 320 P_I(F) = 330-230 = 100 P_II(F) = 350-230-20 = 100 330 . 250 . 350 . 230 . 150 0 G 230 . 120 20 E 230 . 230 . 350 . 120 350 . . Inbetriebnahme 78 10 350 . 350 . 360 . 360 . Kostenplanung Zeitbedarf [Tage] Kosten pro Tag Vorbereiten des Grundstückes 20 100 B Aushub der Fundamente 60 100 C Rohbau 150 200 D Innenausbau 120 200 E Inbetriebnahme 10 100 F Außenanlagen/Zuwege Bereiten 20 200 G Mitarbeiterschulung 30 500 Nr. Tätigkeit A 79 Kostenverlauf bei frühestem Beginn 0-20 A 20-30 30-80 100 100 80-230 230-250 250-350 350-360 100 B C 200 D 200 200 E 100 F G 200 500 500 Kosten 600 / Tag 600 100 200 400 200 100 Tage 20 10 50 150 20 100 10 Summe 12000 6000 5000 30000 8000 20000 1000 80 Kostenverlauf für späteste und früheste Zeitpunkte 90000 80000 70000 Kosten 60000 50000 40000 30000 20000 10000 0 0 50 100 150 200 250 300 350 400 Zeit [Tage] 81 Szi Fzi PERT-COST • Ermittlung von zeitlichen und kostenmäßigen Überschreitungen • Hinweis: Nicht zu verwechseln mit der stochastischen NPT PERT. 82 PERT-COST (Beispiel) Kosten Istkosten zur Istzeit Plankosten zur Planzeit Plankosten zur Istzeit Plankosten zur Istzeit Plankosten zur Planzeit= Zeitliche Überschreitung „jetzt“ Zeit 83 PERT-COST (Beispiel) Plankosten zur Planzeit Kosten Istkosten zur Istzeit Kostenabweichung Plankosten zur Istzeit „jetzt“ Zeit 84 Ressourcenplanung • Bedeutung: falls Ressourcen nicht ausreichend sind, müssen die Tätigkeiten verschoben werden • Varianten – Verschiebung innerhalb der Puffer – Verlängerung des frühesten Endzeitpunktes • Verfahren von Fehler • Optimierung: Konventionalstrafe vs. Kosten für Zusatzaggregate • Praxisbeispiel MS-Project: Bauprojekt ET 4 85 4.2.2 Markov-Modelle • Prozess: Folge von ursächlich verbundenen Ereignissen im Zeitablauf • Stochastischer Prozess: Abfolge ist nicht fest vorgegeben, sondern unterliegt bestimmten (bekannten) Wahrscheinlichkeiten • Markov-Prozess: Die Übergangswahrscheinlichkeit aij von Zustand wi nach wj hängt allein von Zustand wi zum Zeitpunkt t, jedoch nicht vom Zustand wk zum Zeitpunkt t-1 ab („Beschränktes Gedächtnis“). 86 Zustände und Übergänge im Markov-Graph a22 w2 a24 a12 a23 a21 a42 a44 a14 w1 a31 a11 w4 a41 a34 a32 a13 a43 w3 a33 87 Beschreibung von Prozessen • anhand von Ereignissen – z. B. Zahl der Ankünfte (Poissonverteilt) • anhand von Übergängen – z. B. Zwischenankunftszeiten ‚ (Negativ-Exponentiell-Verteilt) • Von besonderer Bedeutung sind hierbei Warteprozesse (Warteschlangentheorie) 88 Markov-Modell w t 1 w t A w1 w t ... ; w n a11 a12 a 21 a 22 A an 1 an 2 w t w 0 A ... a1n ... a 2 n ... ann w t 1 w t A t 89 Prognose mit Markov-Modellen • Vorhersage des Zustandsvektors zum Zeitpunkt t • Berechnung von Kennziffern, z. B. durchschnittliche Aufenthaltsdauer im System, durchschnittliche Wartezeiten etc. w t w 0 A t 90 Spezialfälle • Absorbierende Markovketten – es gibt einen Zustand, der nicht mehr verlassen werden kann, z. B. Totalschaden, Tod • Inhomogene Markovketten – Übergangswahrscheinlichkeiten sind nicht konstant 91 Beispiel: Leihwagen zwischen drei Orten Greifswald Berlin Schrott Hamburg 92 Übergangsmatrix Greifswald Berlin Hamburg Schrott Greifswald 0,7 0,2 0,05 0,05 Berlin 0,05 0,8 0,1 0,05 Hamburg 0,1 0,1 0,7 0,1 Schrott 0 0 0 1 93 Zugänge, Anfangsbestand, Entwicklung Zugang Anfangsbestand t=0 t=1 t=50 Greifswald 1 50 60 19 Berlin 2 100 112 43 Hamburg 2 200 155 25 Schrott 0 0 28 513 94 Zugänge, Anfangsbestand, Entwicklung Zugang Anfangsbestand t=0 Greifswald 1 50 Berlin 2 100 Hamburg 2 200 Schrott 0 0 t=1 Zugang61 zu gering, um die Zahl der Autos 112 zu halten: Simulation – wie viele Zugänge 155wo, brauche ich um Konstanz zu gewährleisten? 28 t=50 19 43 25 513 95 Zugänge, Anfangsbestand, Entwicklung Zugang Anfangsbestand t=0 t=1 t=50 Greifswald 3 50 63 77 Berlin 4 100 114 158 Hamburg 17 200 170 122 Schrott 0 0 28 1193 96 Zugänge, Anfangsbestand, Entwicklung Zugang Pro Periode3 Greifswald zusätzlicher Transport von Greifswald (22/50 Fahrzeuge) und 4von Berlin Berlin (58/50 Fahrzeuge) nach Hamburg nötig,17um Hamburg Konstanz zu halten. Schrott 0 Anfangsbestand t=0 t=1 t=50 50 63 77 114 158 200 170 122 0 28 1193 100 357 97 4.2.3 System Dynamics • Problem der Prognose mit MarkovModellen: Homogenität, d.h. Unveränderlichkeit der Übergangswahrscheinlichkeiten • Populationswachstum: Zuwachs ist abhängig von der bestehenden Population 98 Wachstum (Rate = 0,05) t Anfangsbestand Zuwachs 0 Endbestand 100.000.000 1 100.000.000 5.000.000 105.000.000 2 105.000.000 5.250.000 110.250.000 3 110.250.000 5.512.500 115.762.500 4 115.762.500 5.788.125 121.550.625 5 121.550.625 6.077.531 127.628.156 6 127.628.156 6.381.407 134.009.564 7 … … … 99 Wachstum 2,0E+09 1,8E+09 1,6E+09 Population 1,4E+09 1,2E+09 1,0E+09 8,0E+08 6,0E+08 4,0E+08 2,0E+08 0,0E+00 0 20 40 60 80 100 Zeit [Jahre] 120 140 160 180 100 200 System Dynamics Modell Imaginäre Quelle Zuwachs in t 101 System Dynamics Modell Immaginäre Quelle Zuwachs in t Population 102 System Dynamics Modell Immaginäre Quelle Rate Zuwachst in t Population 103 Gleichungen Pt r Pt , wobei T : Population zum Zeitpunkt t r : Wachstumr ate pro Zeitraum T : Zeiteinhe iten pro Zeitraum Pt 1 Pt r r t P P P e t t 0 Lim T T Pt 1 Pt P t P t r Pt , wobei T 1 Differentialgleichung Differenzengleichung 104 System Dynamics einer Population Jahr Bevölkerung Exponentialgleichung Differenzengleichung t = 1 Tag Differenzengleichung t = 1 Monat 0 100.000 100.000 100.000 1 105.127 105.126 105.116 2 110.517 110.516 110.494 3 116.183 116.182 116.147 4 122.140 122.138 122.089 5 128.402 128.400 128.336 6 134.985 134.983 134.901 7 141.906 141.903 141.803 8 149.182 149.178 149.058 9 156.931 156.826 156.684 10 164.872 164.866 164.701 105 Umsetzung • World Dynamics (Club of Rome; Grenzen des Wachstums) • Industrial bzw. Business Dynamics (Forrester, Sterman) • Disease Dynamics • Software: Dynamo (1960), Stella (1980), etc. 106 Industrial Dynamics • EDV-gestütztes dynamisches Modell der Unternehmung • Technischer Wandel induzierte neues Management-Verständnis • Neue Anforderungen an Methoden der Entscheidungsfindung • Erfassung und Simulation von Informationen zwischen – Abteilungen eines Unternehmens – Unternehmen einer Wertschöpfungskette 107 Beispiel 1 • • • Bedeutung von Werbung und Konsumentenverhalten Konsequenzen für Unternehmen einer Wertschöpfungskette (Produktion und Verteilung) Abstimmungsprobleme als Peitscheneffekt (Bullwhip Effect) Beispiel 1 • Ineffizienz isolierter Prozesse zwischen Hersteller, Groß- und Einzelhandel • Hohe Produktionsschwankungen bei relativ geringen Nachfrageschwankungen aufgrund zeitlicher Verzögerungen zwischen Kundennachfrage, Bestellung und Lieferung • Lösung durch Supply Chain Management: integrative Planung der Aktivitäten innerhalb der Kette zur Minimierung von Informations- und Anpassungsproblemen Beispiel 2 • Darstellung und Analyse von Bestandsveränderungen 4.3.4 Simulation • Prinzip: Experimentiermodell, d.h. „Durchspielen“ unterschiedlicher Alternativen in konstruierten Systemen • Perspektiven – „What-If“? – „How-to-achieve“? 111 Arten • Deterministische Simulation: Eintritt von Ereignissen sicher • Stochastische Simulation: Eintritt von Ereignissen unterliegt Wahrscheinlichkeit • Monte-Carlo-Simulation: – Analyse statischer Probleme mit bekannten Wahrscheinlichkeiten – Ermittlung von Verteilungen: Durch wiederholtes Durchrechnen mit unterschiedlichen Zufallszahlen ergibt sich eine Verteilung der Ergebnisparameter – Beispiel: Boot-Strapping in Netzplänen 112 Arten (Forts.) • Diskrete Simulation (Discrete Event Simulation, DES) – Modellierung von dynamischen Systemen – Erzeugen von Objekten mit bestimmten Eigenschaften – Aufzeichnung der Zustände der Objekte zu bestimmten Zeitpunkten – Subarten: • Ereignisorientierte Simulation: Es wird immer nur der nächste Zeitpunkt betrachtet, an dem sich eine Zustandsänderung ergibt („Ereignisliste“) • Zeitorientierte Simulation: Simulationszeit wird jeweils um denselben Zeittakt weitergestellt, auch wenn kein Ereignis eintritt • Kontinuierliche Simulation – z. B. Chemie 113 Zufallszahlen • Notwendigkeit: stochastische Simulation • Aufgaben – Teil 1: 0-1-Gleichverteilte Zufallszahlen – Teil 2: Zufallszahlen nach bestimmten Verteilungen • • • • • • Normalverteilt Logarithmisch-Normalverteilt Logistischverteilt Poissonverteilt Dreiecksverteilt Betaverteilt 114 Beispiel: standardnormalverteilte Zufallszahl • Schritt 1: Erzeuge 12 0-1-gleichverteilte Zufallszahl – Erwartungswert je Zufallszahl: 0,5 – Varianz je Zufallszahl: 1/12 • Schritt 2: Addiere die 12 Zufallszahlen und ziehe sechs ab – Erwartungswert: 0,5*12-6=0 – Varianz: 12*1/12 = 1 – Ergebnis: annähernd standardnormalverteilte ZZ 115 Beispiele für Simulation • • • • Simulation der Produktionsprozesse Flugsimulator Numerische Integration Prognose epidemiologischer Prozesse 116 Anforderungen an Simulationsprogramme • Generierung von Zufallszahlen • Überwachung des zeitlichen Ablaufs einer Simulation („Simulationsuhr“) • Sammlung, Analyse und statistische Auswertung relevanter Daten/ Ergebnisse • Aufbereitung und Präsentation 117 Simulationssprachen • Programmiersprachen (Fortran, C, Delphi,…) • Simulationssprachen – GASP, GPSS, SIMAN, SIMSCRIPT, SIMULA • Anwendungssoftware – SimFactory; ProModel 118 4.3 Expertenprognosen • Direkte Befragung – verschiedene Techniken, um diskrete oder kontinuierliche Variablen zu erfragen • Delphi-Methode 119 Delphi-Methode 1. Definition des Prognoseproblems 2. Auswahl der Experten, Separierung 3. Schriftliche Befragung der Expertenmeinungen 4. Zusammenstellung der Prognosen 5. Rückführung der Ergebnisse an Experten 6. Erneute schriftliche Befragung der Experten 7. Wiederholung der Schritte 4,5,6, bis die Ergebnisse ausreichend konvertiert sind. evtl. ergeben sich Intervalle 120