Regressionsanalysen

Die multiple Regressionsanalyse versucht, eine Näherungskurve durch eine große Menge von Datenpunkten zu legen.
Ein einfaches Beispiel: Ein Restaurantbesitzer möchte seinen Getränkeabsatz besser planen und vorhersagen. Er weiss, dass mit steigender Temperatur sein Absatz steigt, vermutlich exponentiell. Also notiert er sich, wieviel Umsatz er bei welcher Temperatur erzielt hat und legt eine Näherungskurve durch seine Ergebnisse. In primitiven Fällen gelingt das mit wenigen Klicks in MS Excel:

Mit dieser Näherungskurve kann er voraussagen, wie viele Getränke er bei welcher Temperatur in etwa einkaufen muss. Das gilt sogar für Temperaturen, für die er noch keine Erfahrungswerte (= Datenpunkte) hat.
Regressionsanalyse ist auch für viele andere betriebswirtschaftliche Planungen hilfreich, im Prinzip überall dort, wo man optimieren möchte und die Welt näherungsweise in Form eines Modells abbilden kann.

Weil das Leben nur in seltenen Fällen so einfach ist wie im obigen Beispiel.
Der Getränkeabsatz wird von vielen weiteren Faktoren abhängen, z.B. ob gerade Schulferien sind oder wie hoch der Restaurantbesitzer seine Preise ansetzt, ob sich das Monatsende nähert etc. Gerade ein solch realistischeres Modell der Wirklichkeit ist aber häufig betriebswirtschaftlich interessant, z.B. um Umsätze zu optimieren oder vorherzusagen.
Da nun viele Faktoren hier hineinspielen, spricht man von multipler Regressionsanalyse und die ist um Größenordnungen schwieriger zu berechnen. Je mehr Parameter die Näherungskurve des Modells hat und je komplexer sie ist, desto schwieriger wird die mathematisch Ableitung. Und Excel (das z.B. im Excel Solver einfach numerisch durch Trial-and-Error versucht, zu einem Ergebnis zu kommen) versagt bei steigender Komplexität bereits sehr früh.
Ein weiteres Problem ist die Überoptimierung: Mathematisch gesehen wäre die Näherung vielleicht am besten bei einer Kurve, die nicht der Realität entspricht (z.B. in bestimmten Situationen negative Getränkeumsätze ausgibt, aber für andere Daten mathematisch sehr gut passt). Viele Standard-Softwarepakete können jedoch nur unzureichend mit nicht-kontinierlichen Katalogwerten als Eingabe umgehen (z.B. mit einem Hersteller-Faktor).

Durch eine selbstentwickelte, sehr leistungsfähige Programmbibliothek können auch komplexe Näherungsformeln und Zusammenhänge berechnet werden. Da hierfür aber auch viel Erfahrung erforderlich ist, biete ich Ihnen die komplette Datenanalyse an, auf Wunsch auch inklusive Data Warehouse zum Erfassen der Basisdaten und mit fertigem Reporting.

Der BFL-IT-Index ist von Duis Consulting entwickelt, komplett vom Data Warehouse über die Optimierung der Näherungskurven für die Preisbestimmung von IT-Geräten auf Basis ihrer technischen Daten, bis hin zur die Website.
Der BFL-IT-Index hat sich mittlerweile als Schwacke-Liste der PC-Branche etabliert.