DE 
EnglishStandard
Українська
Polski📈 Absatzprognose-Simulator — Trend, Saisonalität & Rauschen
Interaktiver Absatzprognose-Simulator: Bauen Sie eine synthetische Verkaufshistorie aus Trend, Saisonalität und Rauschen auf, und beobachten Sie, wie ein klassisches Zerlegungsmodell sie anpasst und mit einem Konfidenzband in die Zukunft projiziert.
Über den Absatzprognose-Simulator
Echte Absatzdaten sind selten reines Rauschen — sie haben meist einen langfristigen Trend (wachsende oder schrumpfende Nachfrage), ein wiederkehrendes saisonales Muster (Feiertagsspitzen, Sommerflauten, Wochentagseffekte) und darüber hinaus zufällige Schwankungen, die kein Modell vorhersagen kann. Die klassische Zeitreihenzerlegung teilt eine beobachtete Reihe genau in diese drei Teile: y(t) = Trend(t) + Saison(t) + Residuum(t). Sind Trend und Saisonform aus der Historie geschätzt, lassen sie sich in die Zukunft fortschreiben, um eine Prognose zu erstellen, während die Streuung der Residuen zeigt, wie sehr dieser Prognose zu trauen ist.
Diese Simulation erzeugt 104 Wochen (zwei Jahre) synthetischer Absatzdaten aus einem einstellbaren linearen Trend, einem einstellbaren saisonalen Zyklus und gaußschem Rauschen. Sie führt dann clientseitig eine echte Zerlegungs-Pipeline aus: Ein zentrierter gleitender Durchschnitt isoliert den Trend, Phasenmittelung isoliert den Saisonindex, und eine lineare Regression auf den saisonbereinigten Daten liefert die Prognose-Trendlinie. Die Reststandardabweichung der Anpassung innerhalb der Stichprobe treibt ein ±1,96σ-Konfidenzband um die projizierte Prognose. Verstellen Sie die Regler, um zu sehen, wie Trendstärke, saisonale Amplitude und Rauschpegel Anpassungsgüte (MAE, RMSE) verändern und wie eng die Prognose einer frisch simulierten „wahren“ Zukunft folgt.
Häufig gestellte Fragen
Was bedeutet das schattierte Konfidenzband um die Prognose?
Das Band ist ein ±1,96σ-Intervall um die Punktprognose, gebildet aus der Reststandardabweichung der Anpassung innerhalb der Stichprobe (der Lücke zwischen den angepassten Werten des Modells und den tatsächlichen historischen Daten). Sind diese Residuen annähernd normalverteilt und setzt sich derselbe Rauschprozess in die Zukunft fort, sollten etwa 95 % der tatsächlichen Ergebnisse innerhalb des Bands liegen. Es ist keine Garantie — es ist die beste Schätzung des Modells, wie sehr es typischerweise danebenliegt, mit konstanter Breite in die Zukunft projiziert.
Warum verfehlt die Prognose deutlich, wenn das Rauschen σ hoch ist?
Die klassische Zerlegung trennt eine Reihe in Trend, Saisonalität und Restrauschen und geht davon aus, dass sich das Rauschen über die Zeit ausmittelt. Ist σ groß relativ zu Trend- und Saisonsignal, werden einzelne Wochen von Zufälligkeit ohne dauerhafte Struktur dominiert — es gibt nichts im Rauschen, das das Modell lernen könnte, sodass sich das Konfidenzband verbreitert und ein einzelner zukünftiger Punkt wahrscheinlich weit von der zentralen Prognoselinie abweicht, obwohl das Durchschnittsverhalten über viele Wochen noch dem Trend plus Saisonmuster folgt.
Was ist die klassische Zeitreihenzerlegung?
Die Zerlegung teilt eine beobachtete Reihe y(t) in Komponenten: y(t) = Trend(t) + Saison(t) + Residuum(t). Dieser Simulator schätzt den Trend mit einem zentrierten gleitenden Durchschnitt, der den saisonalen Zyklus glättet, zieht ihn ab, um saisonale Effekte zu isolieren, mittelt die trendbereinigten Werte nach Phase (z. B. alle Woche-27en zusammen), um einen wiederkehrenden Saisonindex zu erhalten, und passt dann erneut einen linearen Trend an die saisonbereinigten Daten an. Das Residuum ist, was übrig bleibt — idealerweise nahezu reines Rauschen ohne verbleibendes Muster.
Was ist der Unterschied zwischen MAE und RMSE?
Der mittlere absolute Fehler (MAE) mittelt |tatsächlich − angepasst| über alle Punkte und behandelt jeden Fehler unabhängig von seiner Größe gleich. Die Wurzel des mittleren quadratischen Fehlers (RMSE) mittelt die quadrierten Fehler, bevor sie die Wurzel zieht, was große Fehler weit stärker bestraft als kleine. Ist RMSE merklich größer als MAE, deutet das darauf hin, dass einige Wochen ungewöhnlich große Fehler (Ausreißer) aufweisen, statt dass sich Fehler gleichmäßig verteilen — nützlich, um zu erkennen, ob Ihr Rauschpegel σ oder die saisonale Amplitude gelegentlich große Spitzen erzeugt, die das Trend-plus-Saison-Modell nicht erfassen kann.
Wie wird die saisonale Komponente geschätzt?
Für jede Phase des Jahreszyklus (Woche 0 bis Woche 51 der Periode) mittelt der Simulator das trendbereinigte Residuum über jedes Auftreten dieser Phase in den zwei Jahren Historie. Bei 104 Wochen Daten sind das zwei Beobachtungen pro Phase — genug, um bei niedrigem Rauschen eine saubere Saisonform zu gewinnen, aber ein rauscherer Saisonindex entsteht, wenn σ hoch ist. Die 51 Phasenmittel werden anschließend so zentriert, dass sie sich zu null summieren, damit die saisonale Komponente das gesamte Trendniveau nicht verzerrt.
Warum wiederholt die Prognose einfach jedes Jahr dieselbe saisonale Form?
Die klassische Zerlegung geht davon aus, dass das saisonale Muster von einem Zyklus zum nächsten stabil bleibt — sie hat keinen Mechanismus, mit dem sich die saisonale Form selbst über die Zeit weiterentwickeln könnte (das würde ein fortgeschritteneres Modell wie Holt-Winters mit saisonalem Glättungsparameter oder ein Zustandsraum-/ARIMA-Modell mit saisonaler Differenzierung erfordern). Den festen Saisonindex zu wiederholen ist eine starke, aber einfache Annahme: Sie funktioniert gut, wenn der zugrundeliegende Geschäftszyklus tatsächlich wiederkehrt, und versagt, wenn sich das saisonale Muster verschiebt.
Warum weicht die wahre Zukunftslinie selbst bei niedrigem Rauschen von der Prognose ab?
Die Prognoselinie extrapoliert den angepassten Trend und Saisonindex, die rein aus den 104 Wochen verrauschter Historie geschätzt wurden, während die wahre Zukunftslinie den exakten zugrundeliegenden generativen Prozess mit einer neuen Ziehung von Zufallsrauschen fortsetzt. Selbst bei niedrigem σ sind die angepasste Trendsteigung und der Saisonindex Schätzungen mit etwas Stichprobenfehler, sodass eine kleine Lücke zwischen beiden Linien zu erwarten ist. Mit steigendem σ wächst dieser Schätzfehler — genau deshalb existiert das Konfidenzband.
Warum einen gleitenden Durchschnitt verwenden, um den Trend zu finden, statt direkt eine Gerade anzupassen?
Eine Gerade direkt an Rohdaten anzupassen, die noch einen starken saisonalen Zyklus enthalten, kann die Steigung verzerren, da saisonale Spitzen und Täler nicht gleichmäßig über das Stichprobenfenster verteilt sind. Ein zentrierter gleitender Durchschnitt mit einem Fenster gleich der saisonalen Periode hebt an jedem Punkt genau einen vollen Zyklus auf und liefert eine glatte Trendschätzung, die nicht durch Saisonalität verzerrt ist. Erst nachdem die saisonale Komponente isoliert und entfernt wurde, passt der Simulator eine lineare Regression an — eine Trendschätzung, die nicht mit dem saisonalen Signal vermengt ist.