DE10319275A1

DE10319275A1 - Vorhersage einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes

Info

Publication number: DE10319275A1
Application number: DE10319275A
Authority: DE
Inventors: Yikang Nmi Li
Original assignee: I2 Technologies Inc
Current assignee: I2 Technologies Inc
Priority date: 2002-05-02
Filing date: 2003-04-29
Publication date: 2003-12-04
Also published as: TW200306484A; TWI225605B; US7251614B1

Abstract

In einer Ausführungsform der vorliegenden Erfindung wird ein Verfahren zum Vorhersagen einer letzmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes bereitgestellt. Das Verfahren weist das Zugreifen auf Eingangsdaten auf, die Folgendes aufweisen: (1) eine Kundendienst-Lebensdauer, die am Ende der Massenproduktion eines dem Kundendienstteil zugeordneten Produkts beginnt; (2) Daten, die wenigstens während eines ersten Zeitabschnitts, der am Ende der Massenproduktion des zugeordneten Produkts beginnt, die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln; und (3) eine Bestelldatenreihe, die frührere Mengen des Kundendienstteils widerspiegelt, die in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem zweiten Zeitabschnitt, der unmittelbar auf den ersten Zeitabschnitt folgt, beginnt und mit einem momentanen Zeitabschnitt endet, bestellt worden sind. Auf wenigstens einen Abschnitt der Bestelldatenreihe wird ein Tiefpassfilter angewendet, um niederfrequente Komponenten zu gewinnen, die eine geglättete Bestelldatenreihe repräsentieren. In der geglätteten Bestelldatenreihe wird ein lokales Maximum gesucht, das vorgegebenen Bedingungen unterliegt. Falls in der geglätteten Bestelldatenreihe ein lokales Maximum ermittelt worden ist, wird gemäß der geglätteten Bestelldatenreihe eine exponentielle Vorhersage ausgeführt, um über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, die auf den ...

Description

Diese Erfindung bezieht sich allgemein auf eine Geschäftsvorhersage und Geschäftsanalyse, und insbesondere auf die Vorhersage einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes.

Die Geschäftsvorhersage und die Geschäftsanalyse von Produkten sind Grundaufgaben für viele Hersteller, Lieferanten, Einzelhändler sowie weitere Unternehmen, die Produkte in Reaktion auf Bedarf von Käufern liefern müssen. Aus Sicht des Verbrauchs haben Produkte in Industriezweigen wie etwa der Kraftfahrzeug-, Hightech-, Elektronik-, Werkzeugindustrie und dergleichen Verbrauchslebenszyklen (z. B. die Zeitdauer zwischen dem Kauf des Produkts und dem Ende seiner Nutzungsdauer). Aus Sicht der Herstellung haben solche Produkte Produktionslebenszyklen (z. B. der gesamte Zeitabschnitt der Massenproduktion des Produkts). Ein Produkt kann eine ganze Zeit nach dem Ende der Massenproduktion in Gebrauch bleiben. Während dieser Zeitdauer (zwischen dem Ende des Produktionslebenszyklus und dem Ende des Verbrauchslebenszyklus) müssen möglicherweise Originalteile in dem Produkt durch Kundendienstteile ersetzt werden, damit die Produkte richtig weiterarbeiten. Allerdings sind Hersteller z. B. gemäß Gesetz, Vorschriften, Unternehmenszielen oder irgendwelchen weiteren Richtlinien, die von dem Produkt abhängen, typischerweise lediglich dafür verantwortlich, solche Kundendienstteile während einer angegebenen Kundendienst-Lebensdauer zu liefern. Als ein Beispiel könnte die Massenproduktion des 1996er Modells des FORD TAURUS im April 1997 beendet worden sein, während der Hersteller des Modells, FORD, immer noch verantwortlich dafür sein könnte, wenigstens während einer angegebenen Anzahl von Jahren nach dem April 1997 erforderliche Kundendienstteile für dieses Modell zu liefern.

Der Begriff Menge des "letztmaligen Kaufs" wird für ein Kundendienstteil allgemein zur Bezugnahme auf die Gesamtmenge des Bedarfs (wie etwa in Form von Bestellungen) an dem Kundendienstteil zwischen einem ausgewählten Zeitpunkt, nachdem die Massenproduktion des zugeordneten Produkts endet, bis zum Ende der Servicelebensdauer für das zugeordnete Produkt verwendet. Ein Kundendienstteil wird üblicherweise als ein Teil für den letztmaligen Kauf bezeichnet, wenn nach dem Ende der Massenproduktion des zugeordneten Produkts mehrere Jahre vergangen sind und für das zugeordnete Produkt oder seine Teile kein wesentlicher Bedarf mehr besteht. Der Auslöser dafür, dass begonnen wird, ein Kundendienstteil als Teil für den letztmaligen Kauf zu behandeln, ist typischerweise eine Ankündigung von dem Teilehersteller, welche die Käufer auffordert, mit den letzten Käufen des Kundendienstteils zu beginnen, da der Hersteller die Lieferung des Kundendienstteils für den Kauf bald einstellen wird.

Die Vorhersage der Mengen des letztmaligen Kaufs für Kundendienstteile ist für Industrien wie etwa die oben erwähnten ein wichtiges Problem. Beispielsweise kann die angemessene Vorhersage von Mengen des letztmaligen Kaufs für Kundendienstteile die Lagerhaltungskosten wesentlich senken, die Planung verbessern und die Rentabilität erhöhen. Allerdings ist die Vorhersage von Mengen des letztmaligen Kaufs für Kundendienstteile eine herausfordernde Aufgabe. Leider hat es bei der Entwicklung geeigneter Zugänge zur Abschätzung des zukünftigen Bedarfs für Kundendienstteile des letztmaligen Kaufs wenig Fortschritt gegeben. Beispielsweise verwendet ein früherer Zugang einen beweglichen Durchschnitt von Bestellhistorien, um einen Trend (z. B. aufwärts, flach oder abwärts) zu erfassen, woraufhin er je nach Wesen des Trends eine andere Technik (z. B. eine Exponentialtechnik für einen Aufwärts-Trend oder einen flachen Trend, oder eine "Stufen"-Technik für einen Abwärts-Trend) verwendet, um den zukünftigen Bedarf abzuschätzen. Probleme im Zusammenhang mit diesem und mit anderen früheren Zugängen machen diese Zugänge für viele Anforderungen ungeeignet.

Gemäß der vorliegenden Erfindung können Nachteile und Probleme im Zusammenhang mit früheren Techniken zur Vorhersage von Mengen des letztmaligen Kaufs für Kundendienstteile verringert oder beseitigt werden.

In einer Ausführungsform der vorliegenden Erfindung wird ein Verfahren zum Vorhersagen einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes geschaffen. Das Verfahren aufweist das Zugreifen auf Eingangsdaten, die Folgendes aufweisen: (1) eine Kundendienst-Lebensdauer, die am Ende der Massenproduktion eines dem Kundendienstteil zugeordneten Produkts beginnt; (2) Daten, die wenigstens während eines ersten Zeitabschnitts, der am Ende der Massenproduktion des zugeordneten Produkts beginnt, die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln; und (3) eine Bestelldatenreihe, die frühere Mengen des Kundendienstteils widerspiegelt, die in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem zweiten Zeitabschnitt, der unmittelbar auf den ersten Zeitabschnitt folgt, beginnt und mit einem momentanen Zeitabschnitt endet, bestellt worden sind. Auf wenigstens einen Abschnitt der Bestelldatenreihe wird ein Tiefpassfilter angewendet, um niederfrequente Komponenten zu gewinnen, die eine geglättete Bestelldatenreihe repräsentieren. In der geglätteten Bestelldatenreihe wird ein lokales Maximum gesucht, das vorgegebenen Bedingungen unterliegt. Falls in der geglätteten Bestelldatenreihe ein lokales Maximum ermittelt worden ist, wird gemäß der geglätteten Bestelldatenreihe eine exponentielle Vorhersage ausgeführt, um über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, die auf den momentanen Zeitabschnitt folgen, eine geschätzte Letztmalige Kaufmenge für das Kundendienstteil zu erzeugen. Die geschätzte Letztmalige Kaufmenge für das Kundendienstteil wird zur Verwendung in Verbindung mit einer oder mit mehreren Unternehmensanalysen verfügbar gemacht.

Besondere Ausführungsformen der vorliegenden Erfindung können einen oder mehrere technische Vorteile schaffen. Bestimmte Ausführungsformen können einen Zugang zur Vorhersage von Mengen des letztmaligen Kaufs von Kundendienstteilen schaffen, der in Bezug auf frühere Zugänge genauer ist und somit die Lagerhaltungskosten senkt, die Planung verbessert und die Rentabilität erhöht. Das Fehlen geeigneter Zugänge zur Abschätzung des zukünftigen Bedarfs für Kundendienstteile des letztmaligen Kaufs ist ein Engpass für das wirksame Management von Kundendienstteilen. Bestimmte Ausführungsformen der vorliegenden Erfindung können diesen Engpass mildern und ermöglichen, dass Unternehmen ihre Kundendienstteiloperation besser planen und ein effektiveres Management dieser Kundendienstoperationen durchführen. Bestimmte Ausführungsformen können ein nützliches Vorhersagehilfsmittel schaffen, das auf Kundendienstteile für Produkte in einer Vielzahl von Industriezweigen wie etwa beispielsweise in der Kraftfahrzeug-, Hightech-, Elektronik-, Werkzeugindustrie und dergleichen anwendbar ist. Außerdem können die vorhergesagten Mengen des letztmaligen Kaufs als Eingangsgröße in andere Planungsverfahren oder für irgendwelche anderen Unternehmensanalysezwecke verwendet werden.

Bestimmte Ausführungsformen stellen einen Tiefpassfilter-Ansatz zur Verfügung, der dazu verwendet wird, aus historischen Bestelldaten für ein Kundendienstteil eine niederfrequente Trendkomponente zu gewinnen. Die Gewinnung einer niederfrequenten Komponente unter Verwendung eines herkömmlichen Ansatzes des gleitenden Durchschnitts hängt hauptsächlich von zwei Dimensionen ab: (1) der Anzahl der Zeitnachläufe und/oder Zeitvorläufe; (2) den den Nachläufen und/oder Vorläufen zugeordneten Gewichten. Es gibt zwei Hauptnachteile der Verwendung eines gleitenden Ansatzes bei der Vorhersage von Mengen des letztmaligen Kaufs: (1) Die Länge des Nachlaufs und/oder Vorlaufs verringert die Anzahl der geschätzten Trends, was wegen des Fehlens von Datenpunkten in vielen Vorhersageszenarien des letztmaligen Kaufs kritisch ist; (2) die Komplexität des von diesen zwei Dimensionen aufgespannten Raums hält von der Suche nach besser geschätzten Trends ab. Im Gegensatz zu einem herkömmlichen Ansätzen des gleitenden Durchschnitts gewinnen bestimmte Ausführungsformen der vorliegenden Erfindung eine niederfrequente Komponente aus historischen Bestelldaten für ein Kundendienstteil, wobei sich die "Bandbreite" der aufzubewahrenden niederfrequenten Komponente lediglich auf einen Parameter stützt.

Bestimmte Ausführungsformen der vorliegenden Erfindung können alle, einige oder keine dieser technischen Vorteile schaffen. Bestimmte Ausführungsformen können einen oder mehrere weitere technische Vorteile schaffen, von denen einer oder mehrere für den Fachmann auf dem Gebiet aus den hier enthaltenen Figuren, Beschreibungen und Ansprüchen leicht offensichtlich sind.

Um ein vollständigeres Verständnis der vorliegenden Erfindung und ihrer Merkmale und Vorteile zu schaffen, wird an dieser Stelle Bezug genommen auf die folgende Beschreibung in Verbindung mit den Begleitzeichnungen, wobei:
Fig. 1 ein beispielhaftes computergestütztes System zur Vorhersage einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes zeigt; und
Fig. 2 ein beispielhaftes computergestütztes Verfahren zur Vorhersage einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes zeigt.
Fig. 1 zeigt ein beispielhaftes computergestütztes System 10 zur Vorhersage einer Menge des letztmaligen Kaufs (LTB-Menge) für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes. Die vorliegende Erfindung betrachtet ein System 10, das LTB- Mengen für irgendwelche geeigneten Kundendienstteile für irgendwelche geeigneten Produkte in irgendwelchen geeigneten Industrien vorhersagt. Die vorliegende Erfindung kann auf irgendeine geeignete Geschäftsanalyse angewendet werden, die von vorhergesagten LTB-Mengen als Eingangsgröße abhängt. Eine solche Analyse kann lediglich beispielhaft und ohne Beschränkung die Kundendienstteil- Risikomanagementanalyse (falls die Produktionskosten und die Vertragsstrafen niedrig sind, kann eine Unterproduktion eine gute Unternehmensstrategie sein und umgekehrt) und die Lagerhaltungssteueranalyse aufweisen.
In einer Ausführungsform enthält das System 10 den Client 12, den Server 14 und die Datenbank 16. Der Client 12 kann eines oder mehrere Verfahren zur Bereitstellung von Eingangsdaten, zur Ausführung der Unternehmensanalyse oder anderer geeigneter Aufgaben enthalten. Obgleich diese Verfahren getrennte Verfahren sein können, die auf einem hierfür vorgesehenen Client-Prozessor laufen, betrachtet die vorliegende Erfindung diese Verfahren in der Weise, dass sie im Ganzen oder zum Teil integriert sind und in einem oder in mehreren Prozessoren in dem gleichen oder in verschiedenen Computersystemen laufen. Ähnlich kann der Server 14 eines oder mehrere Verfahren enthalten, die Eingangsdaten vom Client 12 empfangen und die Eingangsdaten sowie weitere geeignete Daten gemäß der vorliegenden Erfindung manipulieren und geeignet mit der Datenbank 16 in Wechselwirkung treten, um Ausgangsdaten an den Client 12 zu liefern. Obgleich diese Verfahren getrennte Verfahren sein können, die in hierfür vorgesehenen Server-Prozessoren laufen, betrachtet die vorliegende Erfindung, dass diese Verfahren im Ganzen oder zum Teil integriert sind und in einem oder in mehreren Prozessoren in dem gleichen oder in verschiedenen Computersystemen laufen. Der Client 12 und der Server 14 können vollständig autonom sein oder wenigstens teilweise der Eingabe von Anwendern des Systems 10 unterliegend arbeiten.
Die Datenbank 16 schafft eine beständige Datenspeicherung für das System 10 und kann irgendwelche Daten speichern, die geeignet sind, den Betrieb des Systems 10 bei der Vorhersage der LTB-Mengen für Kundendienstteile gemäß der vorliegenden Erfindung zu unterstützen. Obgleich der Begriff "Datenbank" verwendet wird, kann ein Speicher oder irgendeine geeignete Datenablageanordnung verwendet werden, ohne von dem beabsichtigten Umfang der vorliegenden Erfindung abzuweichen, wobei die Verwendung des Begriffes "Datenbank" alle geeigneten Anordnungen einschließen soll. In einer Ausführungsform ist die Datenbank 16 mit Daten belegt, die von einer oder von mehreren Datenquellen empfangen werden, die intern, extern oder sowohl intern als auch extern zu dem Unternehmen oder zu der Einrichtung sind, der das System 10 zugeordnet ist.
Beispielhaft und nicht beschränkend können die Eingangsdaten, die vom Client 12 oder auf andere Weise empfangen und zur Verwendung bei der Vorhersage einer LTB-Menge für ein Kundendienstteil in der Datenbank 16 gespeichert werden, Folgendes aufweisen:

1. eine Datenreihe {Q₀, Q₁, . . . Q_c} die beginnend mit Ende der Massenproduktion des zugeordneten Produkts (Q₀) und endend mit dem momentanen Zeitabschnitt (Q_c) für jeden Zeitabschnitt einer Folge von Zeitabschnitten die historische akkumulierte Produktion des zugeordneten Produkts widerspiegelt;
2. eine Datenreihe {O₁, Q₂, . . . O_c}, die beginnend mit dem ersten Zeitabschnitt nach dem Ende der Massenproduktion des zugeordneten Produkts (O₁) und endend mit dem momentanen Zeitabschnitt (O_c) die in jedem Zeitabschnitt einer Folge von Zeitabschnitten bestellten historischen Mengen des Kundendienstteils widerspiegelt;
3. eine Datenreihe {D₁, D₂, . . . D_c}, die beginnend mit dem ersten Zeitabschnitt nach dem Ende der Massenproduktion des zugeordneten Produkts (D₁) und endend mit dem momentanen Zeitabschnitt (D_c) für jeden Zeitabschnitt der Folge von Zeitabschnitten die historischen Bedarfsraten für das Kundendienstteil widerspiegelt, wobei die Bedarfsrate für einen Zeitabschnitt t als D_t = O_t/Q₀ definiert ist;
4. eine Kundendienst-Lebensdauer SL des zugeordneten Produkts nach dem Ende der Massenproduktion des zugeordneten Produkts, die in Jahren oder auf andere Weise gemessen und gemäß Gesetzen, Vorschriften, Unternehmenszielen oder anderen Richtlinien bestimmt wird; und
5. eine Anzahl N₀ der verbleibenden Zeitabschnitte in der Kundendienst- Lebensdauer des zugeordneten Produkts.

Die Zeitabschnitte können Monate, Quartale, Jahre oder irgendwelche anderen geeigneten Zeitabschnitte sein. In einer besonderen Ausführungsform aufweisen die minimalen Datenanforderungen für die Vorhersage einer LTB-Menge für ein Kundendienstteil den Datenpunkt Q₀, die Datenreihe {O₁, O₂, . . . O_c} und die Kundendienst-Lebensdauer SL.
Falls diese minimalen Datenanforderungen nicht erfüllt sind, kann die Vorhersage der LTB-Menge in dieser Ausführungsform nicht fortgesetzt werden. Allerdings betrachtet die vorliegende Erfindung weitere Ausführungsformen mit anderen Datenanforderungen.
Die gemäß der vorliegenden Erfindung erzeugten Ausgangsdaten, ob zur Speicherung in der Datenbank 16, zur Übermittlung an den Client 12 oder auf andere Weise, aufweisen Folgendes:

1. eine Datenreihe {Ô_c+1, Ô_c+2, . . . Ô_N}, die die geschätzten zukünftigen Mengen des bestellten Kundendienstteils widerspiegelt, die beginnend mit dem ersten Zeitabschnitt nach dem momentanen Zeitabschnitt (Ô_c+1) und endend mit dem letzten Zeitabschnitt der Kundendienst-Lebensdauer (Ô_N) in jedem Zeitabschnitt einer Folge verbleibender Zeitabschnitte in der Kundendienst- Lebensdauer bestellt werden; und
2. eine LTB-Menge für das Kundendienstteil, die beginnend mit dem ersten Zeitabschnitt nach dem momentanen Zeitabschnitt und endend mit dem letzten Zeitabschnitt der Kundendienst-Lebensdauer über alle verbleibenden Zeitabschnitte in der Kundendienst-Lebensdauer die geschätzte zukünftige Gesamtmenge des bestellten Kundendienstteils widerspiegelt.

Wie oben kurz beschrieben wurde, können der Client 12, der Server 14 und die Datenbank 16 jeweils in einem oder in mehreren Computersystemen arbeiten. Jedes Computersystem kann eine oder mehrere Eingabevorrichtungen, um Informationen im Zusammenhang mit dem Betrieb des Systems 10 zu empfangen, und Ausgabevorrichtungen, um Informationen im Zusammenhang mit dem Betrieb des Systems 10 zu übermitteln, enthalten. Jedes solche Computersystem kann Fest- oder Wechselspeichermedien wie etwa eine Magnetfestplatte, eine CD-ROM oder andere Ablagemedien enthalten. Jedes solche Computersystem kann einen oder mehrere Prozessoren und zugeordneten Speicher enthalten, um gemäß dem Betrieb des Systems 10 Befehle auszuführen und Informationen zu manipulieren. Dort, wo mehrere Computersysteme den Client 12, den Server 14 und die Datenbank 16 unterstützen, können diese Computersysteme eines oder mehrere Betriebsmittel entsprechend gemeinsam nutzen. Die Verwendung des Begriffs "Computersystem" soll hier irgendeine geeignete Computervorrichtung gemäß der besonderen Implementierung aufweisen. Der Client 12, der Server 14 und die Datenbank 16 sind unter Verwendung von Verbindungen 18, die jeweils einen oder mehrere Computerbusse, lokale Netze (LANs), regionale Netze (MANs), Weitverkehrsnetze (WANs), Teile des Internet oder irgendwelche anderen drahtgebundenen, optischen, drahtlosen oder anderen Verbindungen aufweisen können, die zur Unterstützung von Kommunikationen zwischen dem Client 12, dem Server 14 und der Datenbank 16 während des Betriebs des Systems geeignet sind, miteinander gekoppelt.
Fig. 2 zeigt ein beispielhaftes Verfahren zur Vorhersage einer LTB-Menge eines Kundendienstteils. Die folgende Schreibweise und die folgenden Definitionen können beim Verständnis der vorliegenden Erfindung und des unten beschriebenen beispielhaften Verfahrens nützlich sein:
t: Bestimmter analysierte Zeitabschnitt
t = 1: Erste Zeitabschnitt der Kundendienst-Lebensdauer (der erste Zeitabschnitt nach dem Ende der Massenproduktion)
t = 0: Zeitabschnitt, der am Ende der Massenproduktion beginnt (ein Zeitabschnitt vor dem ersten Zeitabschnitt der Kundendienst- Lebensdauer)
t = c: Momentane Zeitabschnitt
t = c + 1: Erste Zeitabschnitt des LTB
N: Ende der Kundendienst-Lebensdauer (der letzte Zeitabschnitt des LTB)
N₀: Anzahl der verbleibenden Zeitabschnitte in der Kundendienst- Lebensdauer
Q_t: Menge der akkumulierten Produktion des zugeordneten Produkts im Zeitabschnitt t (t = 0, 1, . . . c)
O_t: Menge des im Zeitabschnitt t (t = 1, 2, . . . c) bestellten Kundendienstteils
D_t: Anforderungsrate D_t = O_t/Q₀
Õ_t: Geglättete Menge des im Zeitabschnitt t (t = c + 1, c + 2, N) bestellten Kundendienstteils
Ô_t: Geschätzte zukünftige Menge des im Zeitabschnitt t (t = c + 1, c + 2, N) bestellten Kundendienstteils
Das Verfahren beginnt in Schritt 100, wo der Server 14 auf geeignete Eingangsdaten vom Client 12, von der Datenbank 16 oder auf andere Weise zugreift. In einer Ausführungsform können die Eingangsdaten beispielsweise wie oben beschrieben Folgendes aufweisen:

1. eine Datenreihe {Q₀, Q₁, . . . Q_c}, die beginnend mit dem Ende der Massenproduktion des zugeordneten Produkts (Q₀) und endend mit dem momentanen Zeitabschnitt (Q_c) für jeden Zeitabschnitt einer Folge von Zeitabschnitten die historische akkumulierte Produktion des zugeordneten Produkts widerspiegelt;
2. eine Datenreihe {O₁, O₂, . . . O_c}, die beginnend mit dem ersten Zeitabschnitt nach dem Ende der Massenproduktion des zugeordneten Produkts (O₁) und endend mit dem momentanen Zeitabschnitt (O_c) die in jedem Zeitabschnitt einer Folge von Zeitabschnitten bestellten historischen Mengen des Kundendienstteils widerspiegelt;
3. eine Datenreihe {D₁, D₂, . . . D_c}, die beginnend mit dem ersten Zeitabschnitt nach dem Ende der Massenproduktion des zugeordneten Produkts (D₁) und endend mit dem momentanen Zeitabschnitt (D_c) für jeden Zeitabschnitt der Folge von Zeitabschnitten die historischen Bedarfsraten für das Kundendienstteil widerspiegelt, wobei die Bedarfsrate für einen Zeitabschnitt t als D_t = O_t/Q₀ definiert ist;
4. eine Kundendienst-Lebensdauer SL des zugeordneten Produkts nach dem Ende der Massenproduktion des zugeordneten Produkts, die in Jahren oder auf andere Weise gemessen und gemäß Gesetzen, Vorschriften, Unternehmenszielen oder anderen Richtlinien bestimmt wird; und
5. eine Anzahl N₀ der verbleibenden Zeitabschnitte in der Kundendienst- Lebensdauer des zugeordneten Produkts.

Die Zeitabschnitte können Monate, Quartale, Jahre oder irgendwelche anderen geeigneten Zeitabschnitte sein. In einer besonderen Ausführungsform weisen die minimalen Datenanforderungen für die Vorhersage einer LTB-Menge für ein Kundendienstteil den Datenpunkt Q₀, die Datenreihe {O₁, O₂, . . . O_c} und die Kundendienst-Lebensdauer SL auf. Falls diese minimalen Datenanforderungen nicht erfüllt sind, kann die Vorhersage der LTB-Menge in dieser Ausführungsform nicht fortgesetzt werden. Allerdings betrachtet die vorliegende Erfindung weitere Ausführungsformen mit anderen Datenanforderungen.
In Schritt 102 initialisiert der Server 14 einen oder mehrere Parameter, die bei der Vorhersage einer LTB-Menge für das Kundendienstteil verwendet werden. Obgleich die vorliegende Erfindung irgendwelche geeigneten Parameter betrachtet, die auf irgendwelche geeigneten Werte initialisiert werden, weisen diese Parameter in einer besonderen Ausführungsform auf:
Γ₀ = 0,01, wobei Γ₀ ein Anteilsparameter ist, der eine untere Grenze des Marktbedarfsanteils für den LTB-Zeitabschnitt repräsentiert;
λ = 100, wobei λ ein Glättungsparameter ist, der, wie unten ausführlicher beschrieben wird, beim Anwenden eines Tiefpassfilters auf die Datenreihe {O₁, O₂, . . . O_c) verwendet wird;
θ = 0,5, wobei θ ein Divisionsparameter ist, der eine Aufteilung des LTB- Zeitabschnitts repräsentiert;
η = 0,825, wobei η ein erster Verzögerungsparameter ist, der eine Abfallsrate des Kundendienstteilbedarfs repräsentiert; und
µ = 0,5, wobei µ ein zweiter Verzögerungsparameter ist, der eine Abfallsrate des Kundendienstteilbedarfs repräsentiert.
In Schritt 104 prüft der Server 14 die Verfügbarkeit der Daten, um sicherzustellen, dass die Eingangsdaten, auf die zugegriffen wird, irgendwelchen anwendbaren minimalen Datenanforderungen genügen. Wie oben beschrieben wurde, aufweisen die minimalen Datenanforderungen beispielsweise in einer Ausführungsform den Datenpunkt Q₀, die Datenreihe {O₁, O₂. . . O_c} und die Kundendienst-Lebensdauer SL. Falls eine oder mehrere minimale Datenanforderungen in Schritt 106 nicht erfüllt sind, kann die Vorhersage einer LTB-Menge für das Kundendienstteil in einer Ausführungsform nicht fortgesetzt werden, wobei das Verfahren endet. Falls in Schritt 106 alle minimalen Datenanforderungen erfüllt sind und falls in Schritt 108 die Anzahl N₀ der verbleibenden Zeitabschnitte in der Kundendienst-Lebensdauer nicht verfügbar ist, berechnet der Server 14 in Schritt 110 N₀. In einer Ausführungsform wird N₀ für eine Kundendienst- Lebensdauer in Jahren und für Zeitabschnitte eines Monats als SL 12 berechnet. Falls N₀ alternativ in Schritt 108 verfügbar ist, setzt der Server 14 in Schritt 112 N = N₀.
In Schritt 114 kann der Server 14 alle führenden Nullen, falls irgendwelche vorhanden sind, aus der (im Folgenden der Zweckmäßigkeit halber als die "Bestelldatenreihe" bezeichneten) Datenreihe {O₁, O₂, . . . O_c} löschen, um eine resultierende Bestelldatenreihe {O₁, O_i+1, . . . O_c} zu liefern. In Schritt 116 wendet der Server 14 gemäß dem Wert des Parameters λ ein Tiefpassfilter auf die resultierende Bestelldatenreihe {O_i, O_i+1, . . . O_c} an, um eine geglättete Bestelldatenreihe {Õ_i, Õ_i+1, . . . Õ_c} zu liefern. Obgleich λ gemäß besonderen Anforderungen irgendeinen geeigneten Wert haben kann, ist in einer besonderen Ausführungsform wie oben beschrieben λ = 100. Im Allgemeinen wendet die vorliegende Erfindung auf die resultierende Bestelldatenreihe {O_i, O_i+1, . . . O_c} ein Tiefpassfilter an, um niederfrequente Komponenten zu gewinnen, welche die geglättete Bestelldatenreihe {Õ_i, Õ_i+1, . . . Õ_c} repräsentieren.
In einer Ausführungsform kann das Tiefpassfilter als die Lösung für das folgende Minimierungsproblem erhalten werden:

wobei y_t eine beobachtete Zeitreihe (üblicherweise nicht stationär), s_t eine niederfrequente Komponente und λ ein Glättungsparameter mit dem Bereich [0, + ∞) ist.
Die Lösung des Problems (1) kann in geschlossener Form als:

LF = (λ.P + U)^-1 (2)

ausgedrückt werden, wobei U eine Identitätsmatrix der Dimension n (die Anzahl der beobachteten Datenpunkte in der Zeitreihe) und P eine Toeplitz-Matrix ist. Um die Verwendung der Tiefpassfilterung in diesem Kontext umfassender zu verstehen, wird die begrenzende Version der Lösung in geschlossener Form in erster Ordnung zu Problem (1) betrachtet:

LF = [1 + λ(1 - B)²(1 - B^-1)²]^-1 (3)

wobei B ein Rückwärtsoperator ist.
Die Fourier-Transformation dieses Filters besitzt eine besonders einfache Form:
Somit weist das Filter bei Frequenzen in der Nähe von null (da cos(0) = 1 ist) ein Gewicht von etwa eins zu, während es bei höheren Frequenzen (da cos(π) = -1 bedeutet, dass LF(π) = 1/(1 + 16λ) ist, was für einen großen Wert von λ etwa null ist) ein Gewicht von etwa null zuweist.
Die Bandbreite dieses Filters und somit seine Fähigkeit zum Herausfiltern von höherfrequenten Komponenten hängt lediglich von dem vorgegebenen Wert des Glättungsparameters λ ab. Größere Werte von λ benachteiligen Änderungen der Tiefpasskomponente und führen zu einer glatteren Tiefpasskomponente. Das Stützen auf einen einzigen Parameter λ im Gegensatz zu einer sehr großen Anzahl von Zeit- und/oder Gewichtsparametern wie in früheren Techniken kann die Komplexität des Problemraums wesentlich verringern. Dies kann gegenüber früheren Techniken einen wichtigen technischen Vorteil schaffen.
In Schritt 118 versucht der Server 14, ein lokales Maximum der geglätteten Bestelldatenreihe {Õ, Õ_i+1, . . . Õ_c} zu suchen. Obgleich die vorliegende Erfindung betrachtet, dass auf irgendeine Weise ein lokales Minimum gesucht wird, versucht der Server 14 in einer besonderen Ausführungsform, ein spezielles lokales Maximum LM(s) derart zu ermitteln, dass:

1. LM(u) lokale Maxima von {Õ_i, Õ_i+1, . . . Õ_c} sind, wobei u ∈ {i, . . . c - 1} ist,
2. LM (u) > Õ_c ist,
3. c - s = min {c - u ∀ u} ist (wobei s ein besonderes u ist, das, wenn mehrere vorhanden sind, am nächsten bei c liegt; und
4. c - s > 3 ist.

Die Bedingung (3) wird verwendet, um dasjenige lokale Maximum auszuwählen, das den aktuellsten Trend zeigt. Die Bedingung (4) wird verwendet, um sicherzustellen, dass beim Schätzen der exponentiellen Trendkurve eine ausreichende Anzahl von Beobachtungen verwendet wird. Falls die Bedingungen (1) bis (4) alle erfüllt sind, ist LM(s) das eindeutige lokale Maximum mit dem kürzesten Abstand c - s (ausschließlich irgendeines c - s ≤ 3).
In einer Ausführungsform führt der Server 14, falls in Schritt 120 LM(s) ermittelt wird, in Schritt 122 eine exponentielle Vorhersage durch, um eine geschätzte LTB-Menge für das Kundendienstteil zu erzeugen. Im Allgemeinen kann für die geglättete Bestelldatenreihe eine exponentielle Kurve angepasst werden und anhand der angepassten Kurve eine geschätzte LTB-Menge extrapoliert werden, wenn die geglättete Bestellreihe ein eindeutig nach unten gerichtetes Trendmuster zeigt. In einer besonderen Ausführungsform aufweist die exponentielle Vorhersage die folgenden Prozeduren:

1. Spezifiziere abhängige und unabhängige Variable:
abhängige Variable: {lg(Õ_t)}_{t = s, . . . c}
unabhängige Variable: {t}_{i = s, . . . c}
2. Führe einen linearen Regressionsalgorithmus aus, der die Regressionskoeffizienten (Konstante und Anstieg) liefert.
3. Berechne Õ_t = exp(cons tan t).exp(slope.t)
(t = c + 1, c + 2, . . . SL.12, für SL in Jahren und für monatliche Zeitabschnitte).
4. Berechne

Falls das gesuchte lokale Maximum LM(s) in Schritt 120 nicht ermittelt wird, kann der Server 14 in einer Ausführungsform einen "AufwärtstrendlN"-Algorithmus (Schritt 128) oder einen "Aufwärtstrend/A"-Algorithmus (Schritt 130) oder eine Diskriminanz-Analyse (132) ausführen, um eine geschätzte LTB-Menge für das Kundendienstteil zu erzeugen. Diese Alternativen werden unten aufweisender beschrieben.
Es kann ein "frühes LTB"-Szenarium geben, in dem die beobachtete Bedarfshistorie und somit die Anzahl der Datenpunkte in der Bestelldatenreihe, in der resultierenden Bestelldatenreihe und in der geglätteten Bestelldatenreihe verhältnismäßig klein sind. Als ein besonderes Beispiel kann ein frühes LTB-Szenarium als c ≤ SL.12.0,5 definiert sein (was in diesem Beispiel bedeutet, dass der momentane Zeitabschnitt in der ersten Hälfte der Kundendienst-Lebensdauer liegt). Allerdings betrachtet die vorliegende Erfindung die Definition eines frühen LTB-Szenariums auf irgendeine Weise gemäß besonderen Anforderungen.
Beispielsweise wird angenommen, dass der Kundendienst-Zeitabschnitt des Kundendienstteils ABC im Oktober 2001 begann und dass die Länge des Kundendienst- Zeitabschnitts acht Jahre (sechsundneunzig Monate) beträgt. Außerdem wird angenommen, dass sieben monatliche Bedarfsbeobachtungen verfügbar sind. Es wäre wahrscheinlich gefährlich, die LTB-Gesamtmenge für die verbleibenden neunundachtzig Monate lediglich anhand der in diesen sieben Bedarfsbeobachtungen gelieferten Informationen vorherzusagen. Technischer gesagt, sind eindimensionale Zeitreihenzugänge für diese Situation wahrscheinlich ungeeignet. Stattdessen kann gemäß der vorliegenden Erfindung ein Zugang geschaffen werden, der sich auf "Querschnitts"-Informationen für andere relevante Kundendienstteile stützt. Obgleich es in diesem Beispiel ungenügende Informationen für das Kundendienstteil ABC gibt, kann für das Kundendienstteil ABC eine sinnvolle Vorhersage erzeugt werden, wenn Informationen für eines oder für mehrere andere relevante Kundendienstteile verfügbar sind. Beispielsweise wird angenommen, dass für die gesamte sechsundneunzigmonatige Kundendienstlaufzeit für zwanzig andere relevante Kundendienstteile Bedarfsbeobachtungen verfügbar sind und dass eines dieser zwanzig anderen relevanten Kundendienstteile in dem Sinn ausreichend ähnlich zu dem Kundendienstteil ABC ist, dass ihre Bedarfsmuster ausreichend ähnlich sind. In diesem Fall kann es angemessen sein, die Bedarfsraten für dieses ähnliche Kundendienstteil während der gesamten sechsundneunzigmonatigen Kundendienst-Lebensdauer als die entscheidenden Bedarfsraten für das Teil ABC zu verwenden und daraufhin anhand dieser Bedarfsraten eine LTB-Menge für das Kundendienstteil ABC vorherzusagen. Wie unten (Schritt 132) beschrieben wird, verwendet die vorliegende Erfindung in einer Ausführungsform einen Diskriminantenzugang, um ein geeignet ähnliches Kundendienstteil zu identifizieren. Beispielsweise können von den Kunden "Profildaten" erhalten werden, die Bestelldatenreihen für eines oder für mehrere potentiell ähnliche Kundendienstteile repräsentieren, wobei sich diese für das gleiche potentiell ähnliche Kundendienstteil von Kunde zu Kunde unterscheiden können.
Falls in Schritt 124 kein frühes LTB-Szenarium vorhanden ist und falls in Schritt 126

ist, kann der Server 14 in Schritt 128 den Aufwärtstrend/N-Algorithmus ausführen. Im Allgemeinen wird der Aufwärtstrend/N-Algorithmus für Fälle verwendet, in denen die geglättete Bestelldatenreihe bis zu einem Zeitabschnitt c einen klaren aufwärts gerichteten Trend zeigt. Unter der Annahme, dass der gezeigte aufwärts gerichtete Trend während der verbleibenden Kundendienst-Lebensdauer schließlich abklingt, trifft eine Annahme der "Dominanz der Ersetzung" zu. Die Dominanz der Ersetzung kann kurz wie folgt erläutert werden. Der Bedarf an einem Kundendienstteil kann hauptsächlich in zwei Komponenten zerlegt werden: (1) ein positiver Bedarf, der durch den Ausfall von Teilen ausgelöst wird, der mit der Zeit steigen sollte, da die Ausfallrate während der Kundendienst-Lebensdauer steigen sollte; und (2) ein negativer Bedarf, der sich aus der Produktersetzung (wobei beispielsweise ein älteres Teil durch ein neues Produkt mit verbesserter Technologie ersetzt wird) ergibt. Allgemein ist selbstverständlich, dass Ersetzungseffekte gegenüber Ausfallrateneffekten während der vollen Kundendienst-Lebensdauer dominieren. Quantitativer ist die Summenbildung der Bedarfsraten über die erste Hälfte der Kundendienst-Lebensdauer allgemein größer als über die zweite Hälfte der Kundendienst- Lebensdauer. In einer Ausführungsform ist die geschätzte LTB-Menge unter der Annahme der Dominanz der Ersetzung und bei gegebenem Γ₀ die Obergrenze der Bedarfsmenge. In einer besonderen Ausführungsform aufweist der Aufwärtstrend/N-Algorithmus die folgenden Prozeduren:

1. Löse die nichtlineare Gleichung
e^-β - e^-βn - Γ/αβ = 0, mit α = D_c und mit n = N - c
(um die geschätzte LTB-Gesamtmenge zu zerlegen).
2. Berechne die geschätzte Bestellmenge
Ô_c+i = (αe^-βi).Q_c, i = 1, 2, . . . n.
3. Berechne

Der in den Aufwärtstrend/N-Algorithmus integrierte Zugang kann in der Weise betrachtet werden, dass er in dem LTB-Vorhersageverfahren herkömmliche Unternehmenserfahrung verwirklicht. In der Praxis haben Vorhersager häufig mit der scheinbaren Inkonsistenz eines gezeigten aufwärts gerichteten Trends mit einer wahrscheinlich nach unten gerichteten Tendenz des Bedarfs an Kundendienstteilen gekämpft.
Alternativ kann der Server 14 in Schritt 130 den Aufwärtstrend/A-Algorithmus ausführen, falls in Schritt 124 kein frühes LTB-Szenarium vorhanden ist und in Schritt 126 der Parameter Γ < Γ₀ ist. Wie der Aufwärtstrend/N-Algorithmus wird der Aufwärtstrend/A- Algorithmus allgemein für Fälle verwendet, in denen die geglättete Bestelldatenreihe bis zu einem Zeitabschnitt c einen klaren aufwärts gerichteten Trend zeigt. Allerdings trifft im Gegensatz zu dem Aufwärtstrend/N-Algorithmus unter der Annahme, dass der aufwärts gerichtete Trend während der verbleibenden Kundendienst-Lebensdauer schließlich abklingt, die Annahme der Dominanz der Ersetzung nicht zu. Da die Ersetzungseffekte nicht dominant sind, können diese Fälle als anomal betrachtet werden. Der Aufwärtstrend/A-Algorithmus aufweist das Anwenden einer Treppentechnik, die allgemein das Berechnen des geschätzten Bedarfs für jeden Zeitabschnitt in der ersten Hälfte der Kundendienst-Lebensdauer, das Berechnen des geschätzten Bedarfs für jeden Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer und das Summieren der geschätzten Bedarfe in der ersten und zweiten Hälfte der Kundendienst-Lebensdauer zum Erzeugen einer geschätzten LTB-Menge für das Kundendienstteil aufweist. In einer besonderen Ausführungsform aufweist der Aufwärtstrend/A-Algorithmus die folgenden Prozeduren:

1. Berechne die geschätzte Bestellmenge
Ô_t = Õ_c.η, ∀ t = c + 1, . . ., c + θ.(N - c)
Ô_t = Õ_c.µ, ∀ t = c + θ.(N - c) + 1, . . ., N.
2. Berechne LTB

Falls in Schritt 124 kein frühes LTB-Szenarium vorhanden ist, kann der Server 14 in Schritt 132 eine Diskriminanz-Analyse ausführen. Wie oben beschreiben wurde, ist ein frühes LTB-Szenarium ein Fall, in dem für eine angemessene Zeitreihenvorhersage unzureichende Daten vorhanden sind. Stattdessen werden Querschnittsdaten für eines oder für mehrere ähnliche Kundendienstteile verwendet. In einer besonderen Ausführungsform aufweist die Diskriminanz-Analyse die folgenden Prozeduren:

1. Berechne die Bedarfsrate

Es wird angemerkt, dass (SL)D(i) eine Zeichenfolge repräsentiert. Beispielsweise ist (SL)D(i) gleich 6YD2, wenn SL = 6Y, i = 2, ist. Diese Zeichenfolge bedeutet, dass dies die zweiten Bedarfsprofildaten in der Kategorie SL gleich sechs Jahren sind. Folglich steht (6YD2) für die Bedarfsrate im Zeitabschnitt t.

1. Bezeichne D_t = [(SL)D(m)], wobei m durch d_m bestimmt ist.
2. Berechne die geschätzte Bestellmenge
Ô_t = D_t.Q₀, t = 1, 2, . . . N.
3. Berechne

Nachdem der Server 14 in Schritt 122, 128, 130 oder 132 eine geschätzte LTB-Menge für das Kundendienstteil erzeugt hat, kann er den geschätzten Wert für die LTB-Menge in Schritt 134 zur Verwendung in einer oder in mehreren Unternehmensanalysen verfügbar machen, wobei das Verfahren abgeschlossen wird. Beispielsweise kann der Server 14 den geschätzten Wert für die LTB-Menge in der Datenbank 16 oder an einem anderen geeigneten dem Server 14 zugeordneten Speicherort speichern, den geschätzten Wert für die LTB-Menge an eine oder an mehrere weitere Komponenten übermitteln, oder den geschätzten Wert für die LTB-Menge auf andere Weise verfügbar machen.
Obgleich die vorliegende Erfindung mit mehreren Ausführungsformen beschrieben worden ist, können dem Fachmann auf dem Gebiet mehrere Änderungen, Ersetzungen, Abwandlungen, Veränderungen und Modifikationen vorgeschlagen werden, und es ist beabsichtigt, dass die Erfindung alle diese Änderungen, Ersetzungen, Abwandlungen, Veränderungen und Modifikationen aufweist, soweit sie dem Geist und dem Gültigkeitsbereich der im Anhang beigefügten Ansprüche entsprechen.

Claims

1. Verfahren zum Vorhersagen einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes, das aufweist:
Zugreifen auf Eingangsdaten, die aufweisen:
eine Kundendienst-Lebensdauer, die am Ende der Massenproduktion eines dem Kundendienstteil zugeordneten Produkts beginnt;
Daten, die wenigstens während eines ersten Zeitabschnitts, der am Ende der Massenproduktion des zugeordneten Produkts beginnt, die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln; und
eine Bestelldatenreihe, die frühere Mengen des Kundendienstteils widerspiegelt, die in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem zweiten Zeitabschnitt, der unmittelbar auf den ersten Zeitabschnitt folgt, beginnt und mit einem momentanen Zeitabschnitt endet, bestellt worden sind;
Anwenden eines Tiefpassfilters auf wenigstens einen Abschnitt der Bestelldatenreihe, um niederfrequente Komponenten zu gewinnen, die eine geglättete Bestelldatenreihe repräsentieren;
Versuchen, in der geglätteten Bestelldatenreihe ein lokales Maximum zu ermitteln, das vorgegebenen Bedingungen unterliegt;
falls in der geglätteten Bestelldatenreihe ein lokales Maximum ermittelt worden ist, Ausführen einer exponentiellen Vorhersage gemäß der geglätteten Bestelldatenreihe, um über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, die auf den momentanen Zeitabschnitt folgen, eine geschätzte letztmalige Kaufmenge für das Kundendienstteil zu erzeugen; und
Verfügbar machen der geschätzten letztmaligen Kaufmenge für das Kundendienstteil zur Verwendung in Verbindung mit einer oder mit mehreren Unternehmensanalysen.

2. Verfahren nach Anspruch 1, wobei die Daten, welche die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln, diese Daten für jeden Zeitabschnitt einer Folge von Zeitabschnitten aufweisen, die mit dem ersten Zeitabschnitt beginnt und mit dem momentanen Zeitabschnitt endet.

3. Verfahren nach Anspruch 1, wobei die Eingangsdaten ferner eine Datenreihe aufweisen, die für jeden Zeitabschnitt der Folge von Zeitabschnitten, die mit dem ersten Zeitabschnitt beginnt und mit dem momentanen Zeitabschnitt endet, frühere Bedarfsraten für das Kundendienstteil widerspiegelt, wobei die Bedarfsrate für einen Zeitabschnitt die frühere Menge des Kundendienstteils, die in dem Zeitabschnitt bestellt worden ist, geteilt durch die frühere akkumulierte Produktion des zugeordneten Produkts für den ersten Zeitabschnitt ist.

4. Verfahren nach Anspruch 1, wobei die Eingangsdaten ferner eine Anzahl verbleibender Zeitabschnitte in der Kundendienst-Lebensdauer aufweisen.

5. Verfahren nach Anspruch 1, wobei das Tiefpassfilter gemäß einem Glättungsparameter arbeitet, der einen vorgegebenen Wert besitzt, der unabhängig von den Zeitabschnitten ist, die den Eingangsdaten zugeordnet sind.

6. Verfahren nach Anspruch 1, das ferner das Löschen aller führenden Nullen, falls vorhanden, aus der Bestelldatenreihe vor Anwendung des Tiefpassfilters aufweist.

7. Verfahren nach Anspruch 1, wobei das lokale Maximum in der Weise ausgewählt wird, dass es einen jüngsten Trend in der geglätteten Bestelldatenreihe zeigt und mehr als drei Zeitabschnitte vor dem momentanen Zeitabschnitt und nahe genug bei dem momentanen Zeitabschnitt liegt, um sicherzustellen, dass für die exponentielle Vorhersage ausreichend Daten vorhanden sind.

8. Verfahren nach Anspruch 1, wobei die exponentielle Vorhersage aufweist:
Erzeugen einer exponentiellen Trendkurve, die in jedem verbleibenden Zeitabschnitt der Kundendienst-Lebensdauer den geschätzten zukünftigen Bedarf an dem Kundendienstteil widerspiegelt; und
Summieren des geschätzten zukünftigen Bedarfs an dem Kundendienstteil über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, um die geschätzte letztmalige Kaufmenge für das Kundendienstteil zu erzeugen.

9. Verfahren nach Anspruch 1, wobei, falls kein lokales Maximum festgestellt wird, falls die geglättete Bestelldatenreihe von dem ersten Zeitabschnitt bis zu dem momentanen Zeitabschnitt einen aufwärts gerichteten Trend zeigt, falls die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält und falls ein Wert eines ersten Parameters nicht kleiner als ein vorgegebener Schwellenwert für den Anteilsparameter ist, das Verfahren ferner Folgendes aufweist:
Lösen einer nichtlinearen Gleichung zum Zerlegen der geschätzten LTB-Menge;
Erzeugen einer geschätzten zukünftigen Bestellmenge für das Kundendienstteil in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem ersten verbleibenden Zeitabschnitt der Kundendienst-Lebensdauer beginnt und mit einem letzten Zeitabschnitt der Kundendienst-Lebensdauer endet; und
Summieren der geschätzten zukünftigen Bestellmengen über alle verbleibenden Zeitabschnitte zum Erzeugen der geschätzten LTB-Menge.

10. Verfahren nach Anspruch 9, wobei die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält, wenn der momentane Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer liegt.

11. Verfahren nach Anspruch 9, wobei gemäß dem Wert des ersten Parameters angenommen wird, dass der aufwärts gerichtete Trend während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer abklingt und dass Teilersetzungseffekte beim zukünftigen Bedarf an dem Kundendienstteil gegenüber Teilausfallrateneffekten beim zukünftigen Bedarf an dem Kundendienstteil während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer dominieren.

12. Verfahren nach Anspruch 1, wobei, falls kein lokales Maximum gefunden wird, falls die geglättete Bestelldatenreihe von dem ersten Zeitabschnitt bis zu dem momentanen Zeitabschnitt einen aufwärts gerichteten Trend zeigt, falls die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält und falls ein Wert für einen Anteilsparameter kleiner als ein vorgegebener Schwellenwert für den Anteilsparameter ist, das Verfahren ferner Folgendes aufweist:
Berechnen des geschätzten Bedarfs für jeden Zeitabschnitt in der ersten Hälfte der Kundendienst-Lebensdauer;
Berechnen des geschätzten Bedarfs für jeden Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer, und
Summieren des geschätzten Bedarfs für die erste Hälfte der Kundendienst-Lebensdauer und des geschätzten Bedarfs für die zweite Hälfte der Kundendienst-Lebensdauer zum Erzeugen einer geschätzten Menge des letztmaligen Kaufs für das Kundendienstteil.

13. Verfahren nach Anspruch 12, wobei gemäß dem Wert des ersten Parameters angenommen wird, dass der aufwärts gerichtete Trend während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer abklingt und dass Teilersetzungseffekte beim zukünftigen Bedarf an dem Kundendienstteil gegenüber Teilausfallrateneffekten beim zukünftigen Bedarf an dem Kundendienstteil während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer nicht dominieren.

14. Verfahren nach Anspruch 1, wobei das Verfahren, falls kein lokales Maximum ermittelt wird und falls die geglättete Bestelldatenreihe keine Daten für eine ausreichende Anzahl von Zeitabschnitten enthält, ferner Folgendes aufweist:
Ausführen einer Diskriminanz-Analyse zum Identifizieren eines weiteren Kundendienstteils mit einem ähnlichen Bedarfsmuster wie dieses Kundendienstteil; und
Verwenden einer Datenreihe, die für jeden Zeitabschnitt der Folge von Zeitabschnitten, die mit dem ersten Zeitabschnitt beginnt und mit dem momentanen Zeitabschnitt endet, frühere Bedarfsraten für das andere Kundendienstteil widerspiegelt, an Stelle der Bestelldatenreihe für das Kundendienstteil, wobei die Bedarfsrate für einen Zeitabschnitt die frühere Menge des anderen Kundendienstteils, die in dem Zeitabschnitt bestellt worden ist, geteilt durch die frühere akkumulierte Produktion eines dem anderen Kundendienstteil für den ersten Zeitabschnitt zugeordneten Produkts ist.

15. Verfahren nach Anspruch 14, wobei die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält, wenn der momentane Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer liegt.

16. Verfahren nach Anspruch 1, wobei eine Unternehmensanalyse eine Kundendienstteil- Risikomanagementanalyse oder eine Lagerbestands-Steueranalyse aufweist.

17. System zum Vorhersagen einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes, das Folgendes aufweist:
eine Datenbank, die so betreibbar ist, dass sie Eingangsdaten speichert, die aufweisen:
eine Kundendienst-Lebensdauer, die am Ende der Massenproduktion eines dem Kundendienstteil zugeordneten Produkts beginnt;
Daten, die wenigstens während eines ersten Zeitabschnitts, der am Ende der Massenproduktion des zugeordneten Produkts beginnt, die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln; und
eine Bestelldatenreihe, die frühere Mengen des Kundendienstteils widerspiegelt, die in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem zweiten Zeitabschnitt, der unmittelbar auf den ersten Zeitabschnitt folgt, beginnt und mit einem momentanen Zeitabschnitt endet, bestellt worden sind;
einen oder mehrere Prozessoren, die zusammen betreibbar sind zum:
Zugreifen auf die Eingangsdaten;
Anwenden eines Tiefpassfilters auf wenigstens einen Abschnitt der Bestelldatenreihe, um niederfrequente Komponenten zu gewinnen, die eine geglättete Bestelldatenreihe repräsentieren;
Versuchen, in der geglätteten Bestelldatenreihe ein lokales Maximum zu ermitteln, das vorgegebenen Bedingungen unterliegt; falls in der geglätteten Bestelldatenreihe ein lokales Maximum ermittelt worden ist, Ausführen einer exponentiellen Vorhersage gemäß der geglätteten Bestelldatenreihe, um über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, die auf den momentanen Zeitabschnitt folgen, eine geschätzte letztmalige Kaufmenge für das Kundendienstteil zu erzeugen; und
Verfügbar machen der geschätzten letztmaligen Kaufmenge für das Kundendienstteil zur Verwendung in Verbindung mit einer oder mit mehreren Unternehmensanalysen.

18. Software zum Vorhersagen einer letztmaligen Kaufmenge für ein Kundendienstteil unter Verwendung eines Tiefpassfilter-Ansatzes, wobei die Software in computerlesbaren Medien verkörpert ist und, wenn sie ausgeführt wird, betreibbar ist zum:
Zugreifen auf Eingangsdaten, die aufweisen:
eine Kundendienst-Lebensdauer, die am Ende der Massenproduktion eines dem Kundendienstteil zugeordneten Produkts beginnt;
Daten, die wenigstens während eines ersten Zeitabschnitts, der am Ende der Massenproduktion des zugeordneten Produkts beginnt, die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln; und
eine Bestelldatenreihe, die frühere Mengen des Kundendienstteils widerspiegelt, die in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem zweiten Zeitabschnitt, der unmittelbar auf den ersten Zeitabschnitt folgt, beginnt und mit einem momentanen Zeitabschnitt endet, bestellt worden sind;
Anwenden eines Tiefpassfilters auf wenigstens einen Abschnitt der Bestelldatenreihe, um niederfrequente Komponenten zu gewinnen, die eine geglättete Bestelldatenreihe repräsentieren;
Versuchen, in der geglätteten Bestelldatenreihe ein lokales Maximum zu ermitteln, das vorgegebenen Bedingungen unterliegt;
falls in der geglätteten Bestelldatenreihe ein lokales Maximum ermittelt worden ist, Ausführen einer exponentiellen Vorhersage gemäß der geglätteten Bestelldatenreihe, um über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, die auf den momentanen Zeitabschnitt folgen, eine geschätzte letztmalige Kaufmenge für das Kundendienstteil zu erzeugen; und
Verfügbar machen der geschätzten letztmaligen Kaufmenge für das Kundendienstteil zur Verwendung in Verbindung mit einer oder mit mehreren Unternehmensanalysen.

19. Software nach Anspruch 18, wobei die Daten, welche die frühere akkumulierte Produktion des zugeordneten Produkts widerspiegeln, diese Daten für jeden Zeitabschnitt einer Folge von Zeitabschnitten aufweisen, die mit dem ersten Zeitabschnitt beginnt und mit dem momentanen Zeitabschnitt endet.

20. Software nach Anspruch 18, wobei die Eingangsdaten ferner eine Datenreihe aufweisen, die für jeden Zeitabschnitt der Folge von Zeitabschnitten, die mit dem ersten Zeitabschnitt beginnt und mit dem momentanen Zeitabschnitt endet, frühere Bedarfsraten für das Kundendienstteil widerspiegelt, wobei die Bedarfsrate für einen Zeitabschnitt die frühere Menge des Kundendienstteils, die in dem Zeitabschnitt bestellt worden ist, geteilt durch die frühere akkumulierte Produktion des zugeordneten Produkts für den ersten Zeitabschnitt ist.

21. Software nach Anspruch 18, wobei die Eingangsdaten ferner eine Anzahl verbleibender Zeitabschnitte in der Kundendienst-Lebensdauer aufweisen.

22. Software nach Anspruch 18, wobei das Tiefpassfilter gemäß einem Glättungsparameter arbeitet, der einen vorgegebenen Wert besitzt, der unabhängig von den Zeitabschnitten ist, die den Eingangsdaten zugeordnet sind.

23. Software nach Anspruch 18, die ferner zum Löschen aller führenden Nullen, falls vorhanden, aus der Bestelldatenreihe vor Anwendung des Tiefpassfilters betreibbar ist.

24. Software nach Anspruch 18, wobei das lokale Maximum in der Weise ausgewählt wird, dass es einen jüngsten Trend in der geglätteten Bestelldatenreihe zeigt und mehr als drei Zeitabschnitte vor dem momentanen Zeitabschnitt und nahe genug bei dem momentanen Zeitabschnitt liegt, um sicherzustellen, dass für die exponentielle Vorhersage ausreichend Daten vorhanden sind.

25. Software nach Anspruch 18, wobei die exponentielle Vorhersage aufweist:
Erzeugen einer exponentiellen Trendkurve, die in jedem verbleibenden Zeitabschnitt der Kundendienst-Lebensdauer den geschätzten zukünftigen Bedarf an dem Kundendienstteil widerspiegelt; und
Summieren des geschätzten zukünftigen Bedarfs an dem Kundendienstteil über alle verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer, um die geschätzte Letztmalige Kaufmenge für das Kundendienstteil zu erzeugen.

26. Software nach Anspruch 18, wobei, falls kein lokales Maximum festgestellt wird, falls die geglättete Bestelldatenreihe von dem ersten Zeitabschnitt bis zu dem momentanen Zeitabschnitt einen aufwärts gerichteten Trend zeigt, falls die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält und falls ein Wert eines ersten Parameters nicht kleiner als ein vorgegebener Schwellenwert für den Anteilsparameter ist, die Software ferner betreibbar ist zum:
Lösen einer nichtlinearen Gleichung zum Zerlegen der geschätzten LTB-Menge;
Erzeugen einer geschätzten zukünftigen Bestellmenge für das Kundendienstteil in jedem Zeitabschnitt einer Folge von Zeitabschnitten, die mit einem ersten verbleibenden Zeitabschnitt der Kundendienst-Lebensdauer beginnt und mit einem letzten Zeitabschnitt der Kundendienst-Lebensdauer endet; und
Summieren der geschätzten zukünftigen Bestellmengen über alle verbleibenden Zeitabschnitte zum Erzeugen der geschätzten LTB-Menge.

27. Software nach Anspruch 26, wobei die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält, wenn der momentane Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer liegt.

28. Software nach Anspruch 26, wobei gemäß dem Wert des ersten Parameters angenommen wird, dass der aufwärts gerichtete Trend während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer abklingt und dass Teilersetzungseffekte beim zukünftigen Bedarf an dem Kundendienstteil gegenüber Teilausfallrateneffekten beim zukünftigen Bedarf an dem Kundendienstteil während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer dominieren.

29. Software nach Anspruch 18, wobei, falls kein lokales Maximum gefunden wird, falls die geglättete Bestelldatenreihe von dem ersten Zeitabschnitt bis zu dem momentanen Zeitabschnitt einen aufwärts gerichteten Trend zeigt, falls die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält und falls ein Wert für einen Anteilsparameter kleiner als ein vorgegebener Schwellenwert für den Anteilsparameter ist, die Software ferner betreibbar ist zum:
Berechnen des geschätzten Bedarfs für jeden Zeitabschnitt in der ersten Hälfte der Kundendienst-Lebensdauer;
Berechnen des geschätzten Bedarfs für jeden Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer; und Summieren des geschätzten Bedarfs für die erste Hälfte der Kundendienst-Lebensdauer und des geschätzten Bedarfs für die zweite Hälfte der Kundendienst-Lebensdauer zum Erzeugen einer geschätzten Menge des letztmaligen Kaufs für das Kundendienstteil.

30. Software nach Anspruch 29, wobei gemäß dem Wert des ersten Parameters angenommen wird, dass der aufwärts gerichtete Trend während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer abklingt und dass Teilersetzungseffekte beim zukünftigen Bedarf an dem Kundendienstteil gegenüber Teilausfallrateneffekten beim zukünftigen Bedarf an dem Kundendienstteil während der verbleibenden Zeitabschnitte der Kundendienst-Lebensdauer nicht dominieren.

31. Software nach Anspruch 18, wobei, falls kein lokales Maximum ermittelt wird und falls die geglättete Bestelldatenreihe keine Daten für eine ausreichende Anzahl von Zeitabschnitten enthält, die Software ferner betreibbar ist zum:
Ausführen einer Diskriminanz-Analyse zum Identifizieren eines weiteren Kundendienstteils mit einem ähnlichen Bedarfsmuster wie dieses Kundendienstteil; und
Verwenden einer Datenreihe, die für jeden Zeitabschnitt der Folge von Zeitabschnitten, die mit dem ersten Zeitabschnitt beginnt und mit dem momentanen Zeitabschnitt endet, frühere Bedarfsraten für das andere Kundendienstteil widerspiegelt, an Stelle der Bestelldatenreihe für das Kundendienstteil, wobei die Bedarfsrate für einen Zeitabschnitt die frühere Menge des anderen Kundendienstteils, die in dem Zeitabschnitt bestellt worden ist, geteilt durch die frühere akkumulierte Produktion eines dem anderen Kundendienstteil für den ersten Zeitabschnitt zugeordneten Produkts ist.

32. Software nach Anspruch 31, wobei die geglättete Bestelldatenreihe Daten für eine ausreichende Anzahl von Zeitabschnitten enthält, wenn der momentane Zeitabschnitt in der zweiten Hälfte der Kundendienst-Lebensdauer liegt.

33. Software nach Anspruch 18, wobei eine Unternehmensanalyse eine Kundendienstteil- Risikomanagementanalyse oder eine Lagerbestands-Steueranalyse aufweist.