Skip to main content
SpringerLink
Log in

Der Beitrag der Künstlichen Intelligenz zur betrieblichen Prognose

  • Chapter
  • First Online:
Prognoserechnung

  • 11k Accesses

Zusammenfassung

Viele leistungsfähige Prognosesysteme enthalten eine größere Anzahl unterschiedlicher Verfahren, deren Auswahl und Anwendung meist mathematische Experten erfordern. Wegen der in der betrieblichen Praxis zahlreich zu erstellenden Prognosen sind die Experten entsprechende Zeit gebunden. Um Prognosesysteme einem breiteren Benutzerspektrum zugänglich zu machen, bleibt einerseits, sie vollkommen zu automatisieren. Dann hat man aber in der betrieblichen Praxis bei weniger plausiblen Ergebnissen ein Akzeptanz-Problem. Es wird dort Wert darauf gelegt, dass der Lösungsweg nachvollziehbar ist. Andererseits bestehen Möglichkeiten, Prognosesysteme interaktiver zu gestalten: Der Benutzer könnte durch den Prognoseprozess „geführt“ und bei der Methodenauswahl und -parametrierung „beraten“ werden. Das System interpretiert die Ergebnisse und schlägt gegebenenfalls Korrekturen vor. Zusätzlich könnte man dem Benutzer Verfahren an die Hand geben, die den funktionalen Zusammenhang von Eingabedaten und Prognosewerten selbstständig erlernen. Dann entfiele die Notwendigkeit, mit den mathematisch-statistischen Details einer Modellbildung vertraut zu sein.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Subscribe and save

Springer+ Basic
$34.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 109.00
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 139.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

References

  1. Adya, M. und Collopy, F.: How Effective are Neural Networks at Forecasting and Prediction? A Review and Evaluation, J. Forecast. 17, 481–495 (1998)

    Article  Google Scholar 

  2. Ahn, H., Kim, K. und Han, I.: Hybrid genetic algorithms and cased based reasoning systems für customer classification, Expert Syst. 23(3), 127–144 (2006)

    Article  Google Scholar 

  3. Al-Tabtabai, H.: A Framework for developing an expert analysis and forecasting system for construction projects, Expert Syst. Appl. 14, 259–273 (1998)

    Article  Google Scholar 

  4. Arinze, B., Kim, S.L. und Anandarajan, M.: Combining and selecting forecasting models using rule based induction, Computers & Operational Research 24 (5), 423–433 (1997)

    Article  Google Scholar 

  5. Armstrong, J.S., Adya, M. und Collopy, F.: Rule-based Forecasting: Using Judgement in Time-Series Extrapolation, in: Armstrong, J.S. (Hrsg.), Principles of Forecasting, New York, 259–282 (2001)

    Google Scholar 

  6. Arrus, R., Ollivier, M., Deord, B., Duvillon, M.A. und Robert, S.: AMIA: An Expert System for Simulation Modelling and Sectoral Forecasting, in: Hashemi, S., Gowarderes, J.G. und Marciano, J.P. (Hrsg.), Expersys-91, Expert Systems Applications, Gournay sur Marne, 263–268 (1991)

    Google Scholar 

  7. Bao, Z., Pi, D. und Sun, Y.: Short-Term Load Forecasting Based on Self-Organizing Map and Support Vector Machine, T1 - Short-Term Load Forecasting Based on Self-organizing Map and Support Vector Machine, Advances in Natural Computation, Lecture Notes in Computer Science, Berlin-Heidelberg, 688–691 (2005)

    Google Scholar 

  8. Baun, S. und Isbert, H.-O.: Der Einsatz Neuronaler Netze in der Finanzwirtschaft, in: Nagl, M. (Hrsg.), Congressband VI zur 16. Europäischen Congressmesse für Technische Kommunikation, Software- und Information Engineering, Velbert, C611.01 ff. (1993)

    Google Scholar 

  9. Beierle, Ch. und Kern-Isberner, G.: Methoden wissensbasierter Systeme, 3. Aufl., Wiesbaden 2006.

    Google Scholar 

  10. Bergerson, K.: A Commodity Trading Model Based on a Neural Network-Expert System Hybrid, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural works, Vol. 1, Seattle, 289–293 (1991)

    Google Scholar 

  11. Binks D.L. und Allinson N.M.: Financial Data Recognition and Prediction Using Neural Networks, in: Kohonen, T. u. a. (Hrsg.), Proceedings of the International Conference on Artificial Neural Networks, Vol. 2, North Holland, 1709–1712 (1991)

    Google Scholar 

  12. Bishop, C.: Neural Networks for Pattern Recognition, Oxford 1995.

    Google Scholar 

  13. Blanchard, D.: Expert System Predicts Top Five Stocks, Intelligent Systems Report 9(2), 15 (1992)

    Google Scholar 

  14. Bohn, A., Güting, Th., Mansmann, T. und Selle, St., MoneyBee: Aktienkursprognose mit künstlicher Intelligenz bei hoher Rechenleistung, Wirtschaftsinformatik 45 (3), 325–333 (2003)

    Article  Google Scholar 

  15. Bowen, J.E. und Bowen, W.E., Neural Nets vs. Expert Systems: Predicting in the Financial Field, in: IEEE (Hrsg.), Proceedings of the Conference on Artificial Intelligence Application Vol. 1, Santa Barbara, 72–77 (1990)

    Google Scholar 

  16. Box, G.E.P und Jenkins, G.M.: Time Series Analysis - Forecasting and Control, 3. Aufl., San Francisco 1994.

    Google Scholar 

  17. Brause, R., Langsdorf, T. und Hepp, M.: Neural data mining for credit card fraud detection, in: IEEE (Hrsg.), Proceedings of the 11th IEEE International Conference on Tools with Artificial Intelligence 103–106, o.O. 1999.

    Google Scholar 

  18. Breiman, L.: Bagging predictors, Machine Learning 24 (2), 123–140 (1996)

    Google Scholar 

  19. Breiman, L.: Arcing classifier (with discussion and a rejoinder by the author), Annals of Statistics 26 (3), 801–849 (1998)

    Article  Google Scholar 

  20. Buhmann, M.D.: Radial Basis Functions, New York 2003.

    Google Scholar 

  21. Business Forecast Systems 2010, Client List, http://www.forecastpro.com/customers/client/index.htm, Abruf am 24.08.2011.

  22. Business Forecast Systems 2010, Partner Solutions, http://www.forecastpro.com/company/partners/index.htm, Abruf am 24.08.2011.

  23. Callen, J.L., Kwan, C.C.Y., Yip, P.C.Y. und Yuan, Y.: Neural network forecasting of quarterly accounting earnings, International Journal of Forecasting 12, 475–482 (1996)

    Article  Google Scholar 

  24. Chakraborty, S., und Sharma, S. K.: Prediction of corporate financial health by Artificial Neural Network, International Journal of Electronic Finance 1 (4), 442–459 (2007)

    Article  Google Scholar 

  25. Chiang, W.-C., Urban, T.L. und Baldrigde, D.E.: A Neural Network Fund Net Asset Approach to Mutual Value Forecasting, Omega 24(2), 205–215 (1996)

    Article  Google Scholar 

  26. Chiu, C.-C., Kao, L.-J. und Cook, D.F.: Combining a Neural Network with a Rule-Based Expert System Approach for Short-Term Power Load Forecasting in Taiwan, Expert Systems With Applications 13 (4), 299–305 (1997)

    Article  Google Scholar 

  27. Christianini, N. and Shawe-Taylor, J.: An Introduction to Support Vector Machines and other Kernel-based Learning Methods, Cambridge 2000.

    Google Scholar 

  28. Chun, S.-H., Kim, K.-J. und Kim, S.H.: Chaotic analysis of predictability versus knowledge discovery techniques: case study of the Polish stock market, Expert Systems 19 (5), 264–272 (2002)

    Article  Google Scholar 

  29. Collopy, F., Adya, M. und Armstrong, J.S.: Expert Systems for Forecasting, in: Armstrong, J.S. (Hrsg.), Principles of Forecasting, New York, 285–300 (2001)

    Google Scholar 

  30. Cortes-Rello, E. und Golshani, F.: Uncertain Reasoning Using the Dempster-Shafer Method: An Application in Forecasting and Marketing Management, Expert System ((1990)) 1, 9–18.

    Google Scholar 

  31. Crone, S.F, Neuronale Netze zur Prognose und Disposition im Handel, Dissertation, Frankfurt a.M. 2010

    Google Scholar 

  32. Dash, P.K., Liew, A.C., Rahman, S. und Ramakrishna, G.: Building a Fuzzy Expert System for Electric Load Forecasting Using a Hybrid Neural Network, Expert Systems With Applications 9(3), 407–421 (1995)

    Article  Google Scholar 

  33. Dorffner, G.: Neural Networks for Time Series Processing, Neural Network World 4, 447–468 (1996)

    Google Scholar 

  34. Dymova, L., Sevastianov, P. und Bartosiewicz, P.: A new approach to the rule-base evidential reasoning: Stock trading expert system application, Expert Systems with Applications 37, 5564–5576 (2010)

    Article  Google Scholar 

  35. Eom, S.B.: A Survey of Operational Expert Systems in Business (1980–1993), Interfaces 26(5), 50–70 (1996)

    Article  Google Scholar 

  36. Erxleben, K., Baetge, J., Feidicker, M., Koch, H., Krause, C. und Mertens, P.: Klassifikation von Unternehmen – Ein Vergleich von Neuronalen Netzen und Diskriminanzanalyse, Zeitschrift für Betriebswirtschaft 62, 1237–1262 (1992)

    Google Scholar 

  37. Fahlman, S.E. und Lebiere, C.: The Cascade-Correlation Learning Architecture, Advances in Neural Information Processing Systems 2, Los Altos CA 1990, 524 ff.

    Google Scholar 

  38. Fletcher D. und Goss, E.: Forecasting with Neural Networks – An Application Using Bankruptcy Data, Information & Management 24, 159–167 (1993)

    Article  Google Scholar 

  39. Flores, B.E. und Pearce, S.L.: The use of an expert system in the M3 competition, International Journal of Forecasting 16, 485–496 (2000)

    Article  Google Scholar 

  40. Flores, B. und Wolfe, C.: Judgemental Adjustment of Earning Forecasts, Journal of Forecasting 9, 389–405 (1990)

    Article  Google Scholar 

  41. Franken, R.: Ein Vergleich des binären Logit-Modells mit künstlichen neuronalen Netzen zur Insolvenzprognose anhand relativer Bilanzkennzahlen, SFB 649 Discussion paper 2007-044, Technische Universität Berlin (2007)

    Google Scholar 

  42. Franses, P.H.: Merging models and experts, International Journal of Forecasting 24, 31–33 (2008)

    Article  Google Scholar 

  43. Franses, P.H. und Legerstee, R.: Do Experts' Adjustments on Model-Based SKU-Level Forecasts Improve Forecast Quality?, Journal of Forecasting 29, 331–340 (2010)

    Google Scholar 

  44. Gepp, A., Kumar, K. und Bhattacharya, S.: Business Failure Prediction using Decision Trees, Journal of Forecasting 29, 536–555 (2010)

    Article  Google Scholar 

  45. Goodrich, R.L.: The Forecast Pro Methology, International Journal of Forecasting 16, 533–535 (2000)

    Article  Google Scholar 

  46. Hansmann, K. und Zetsche, W.: Business Forecasts Using a Forecasting Expert System, in: Schader, M. und Gaul, W. (Hrsg.), Knowledge, Data and Computer-Assisted Decisions, Berlin, 289 ff. (1990)

    Google Scholar 

  47. Heyder, F. und Zayer, S.: Analyse von Kurszeitreihen mit Künstlichen Neuronalen Netzen und Competing Experts, Wirtschaftsinformatik 41(2), 13 ff. (1999)

    Article  Google Scholar 

  48. Hochreiter, S. und Schmidhuber, J.: Long Short-Term Memory, Neural Computation 9(8), 1735–1780 (1997)

    Article  Google Scholar 

  49. Hornik, K., Stinchcombe, M. und White, H.: Multilayer feedforward networks are universal approximators, Neural Networks 2, 359–366 (1989)

    Article  Google Scholar 

  50. Huang, W., Nakamori, Y., und Wang, S.-Y.: Forecasting stock market movement direction with support vector machine, Computers and Operations Research 32(10), 2513–2522 (2005)

    Article  Google Scholar 

  51. Humpert, B. und Holley, P.: Expert Systems in Finance Planning, Expert Systems 2(2), 78–101, (1988)

    Article  Google Scholar 

  52. Indro, D.C., Jiang, C.X., Patuwo, B.E. und Zhang, G.P.: Predicting mutual fund performance using artificial neural networks, Omega 27, 373–380, (1999)

    Article  Google Scholar 

  53. Innovations 2010, http://www.visual-rules.de/visual-rules-modeler.html, Abruf am 24.08.2011.

    Google Scholar 

  54. Innovations 2010, http://www.innovations.de/anwenderberichte.html, Abruf am 24.08.2011.

    Google Scholar 

  55. Jacobs, R., Jordan, M.I., Nowlan, S.J. und Hinton, G.E.: Adaptive mixtures of local experts, Neural Computation 3, 79–87, (1991)

    Article  Google Scholar 

  56. Jo, H., Han, I. und Lee, H.: Bankruptcy prediction using Case-Based Reasoning, Neural Networks, and Discriminant Analysis, Expert Systems With Applications 13(2), 97–108, (1997)

    Article  Google Scholar 

  57. Joachims, T.: Text Categorization with Support Vector Machines: Learning with Many Relevant Features, Proceedings of the European Conference on Machine Learning (ECML), Berlin (1998)

    Google Scholar 

  58. Kern, S.: Die Konzipierung, Entwicklung und Einführung eines XPS bei VW, Künstliche Intelligenz 2(2), 61–65, (1988)

    Google Scholar 

  59. Keyes, J.: Expert Systems in Financial Services – Off-the-Shelf Financial Expertise, Expert Systems 2(4), 227–239, (1991)

    Google Scholar 

  60. Kim, M.-J. und Han, I.: The discovery of experts' decision rules from bankruptcy data using genetic algorithms, Expert Systems With Applications 25, 637–646, (2003)

    Article  Google Scholar 

  61. Kirkos, E., Spathis, C, und Manolopoulos, Y.: Data Mining techniques for the detection of fraudulent statements, Expert Systems with Applications 32, 995–1003, (2007)

    Article  Google Scholar 

  62. Krämer, W.: Qualitätsvergleiche bei Kreditausfallprognosen, Kapitel 23 dieses Buches.

  63. Kruse, A.: Antragsprüfung und Kartenüberwachung von privaten Kreditkartenkunden mit künstlichen Neuronalen Netzen, Schriftenreihe innovative betriebswirtschaftliche Forschung und Praxis, Band 110, Hamburg 2000.

    Google Scholar 

  64. Kumar, S. und Hsu, C.: An Expert System Framework for Forecasting Method Selection, in: IEEE (Hrsg.), Proceedings of the 21. Annual Hawai International Conference on System Sciences, Band III: Decision Support and Knowledge-Based System Track, Honolulu, 86–95 (1988)

    Google Scholar 

  65. Kuo, R.J.: A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm, European Journal of Operational Research 129, 496–517, (2001)

    Article  Google Scholar 

  66. Kurbel, K., Szulim, D., und Teuteberg, F.: Künstliche Neuronale Netze zum Filtern und Klassifizieren betrieblicher E-Commerce-Angebote im World Wide Web - eine vergleichende Untersuchung, Wirtschaftsinformatik 42(3), 252–267, (2000)

    Article  Google Scholar 

  67. Küsters, U., McCullough, B.D. und Bell, M.: Forecasting software: Past, present and future, International Journal of Forecasting 22, 599–615, (2006)

    Article  Google Scholar 

  68. Leigh, W., Paz, M. und Purvis, R.: An analysis of a hybrid neural network and pattern recognition technique for predicting short-term increases in the NYSE composite index, Omega 30, 69–76, (2002)

    Article  Google Scholar 

  69. Leonard, K.J.: The development of a rule based expert system model for fraud alert in consumer credit, European Journal of Operational Research 80, 350–356, (1995)

    Article  Google Scholar 

  70. Lewandowski, A.: Prognose der Saisonnachfrage mit Neuronalen Netzen, persönliche Mitteilung, 1997.

    Google Scholar 

  71. Li, H. und Sun, J.: Forecasting Business Failure in China Using Case-Based Reasoning with Hybrid Case Representation, Journal of Forecasting 29, 486–501, (2010)

    Google Scholar 

  72. Lind, M.R. und Sulek, J.: A methodology for forecasting knowledge work projects, Computers and Operations Research 27, 1153–1169, (2000)

    Article  Google Scholar 

  73. Liu, X.: Using Experimental and Fundamental Knowledge Diagnosis in Load Forecasting, in: Hashemi, S., Gowarderes, J.G. und Marciano, J.P. (Hrsg.), Expersys-91, Expert Systems Applications, Gournay sur Marne, 257 ff. (1991)

    Google Scholar 

  74. Loofbourrow, T.: Advanced Trading Technologies: Artificial Intelligence on Wall Street Worldwide, Intelligent Software Strategies 8(11), 1 ff. (1992)

    Google Scholar 

  75. Malhotra, R. und Malhotra, D.H.: Differentiating between good credits and bad credits using neuro-fuzzy systems, European Journal of Operational Research 136, 190–211, (2002)

    Article  Google Scholar 

  76. Margarita, S.: Interacting Neural Networks: An Artificial Life Approach for Stock Markets, in: IEEE (Hrsg.), Proceedings of the International Conference on Artificial Neural Networks, Brighton, 1343 ff. (1992)

    Google Scholar 

  77. McKee, T.E. und Greenstein, M.: Predicting Bankruptcy Using Recursive Partitioning and a Realistically Proportioned Data Set, Journal of Forecasting 19, 219–230, (2000)

    Article  Google Scholar 

  78. Mertens, P.: Integrierte Informationsverarbeitung 1, 17. Aufl., Wiesbaden 2009.

    Google Scholar 

  79. Mertens, P., Borkowski, V. und Geis, W.: Betriebliche Expertensystem-Anwendungen, 3. Aufl., Berlin 1993.

    Google Scholar 

  80. Mertens, P., Zeller, A.J. und Große-Wilde, J.: Kooperative Vorhersage in Unternehmensnetzwerken, Kapitel 27 dieses Buches.

  81. Moore, J.S.: An Expert System Approach to Graduate School Admission Decisions and Academic Performance Prediction, Omega 26(5), 659–670, (1998)

    Article  Google Scholar 

  82. Müller, K. und Wendisch, M.: Entscheidungsunterstützung durch moderne Prognoseverfahren, in: Biethahn, J., Höhnerloh, A., Kuhl, J., Leisewitz, M.-C., Nissen, V. und Tietze, M. (Hrsg.), Betriebswirtschaftliche Anwendungen des Soft Computing, Wiesbaden, 145 ff. (1998)

    Google Scholar 

  83. Nag, A. und Mitra, A.: Forecasting Daily Foreign Exchange Rates Using Genetically Optimized Neural Networks, Journal of Forecasting 21, 501–511, (2002)

    Article  Google Scholar 

  84. NIBS Pte Ltd (Hrsg.), Analyze it! Classify it! Forecast it! Intelligent Business Forecast Software NeuroForecaster, Produktprospekt, Singapur 1993.

    Google Scholar 

  85. Odom, M. und Sharda, R.: Neural Network Model for Bankruptcy Prediction, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, San Diego, 163–168 (1990)

    Google Scholar 

  86. O.V., Merlin: A Factory Knowledge-Based System for Forecasting Product Demand, Intelligent Software Strategies 6 (11), 12 ff. (1990)

    Google Scholar 

  87. O.V.: Expert Forecasting Software, Intelligent Systems Report 9(12), 16 (1992)

    Google Scholar 

  88. Pomerol, J.-C.: Artificial intelligence and human decision making, European Journal of Operational Research 99, 3–25, (1997)

    Article  Google Scholar 

  89. Puppe, F.: Einführung in Expertensysteme, 2. Aufl., Berlin 1991.

    Google Scholar 

  90. Qi, M. und Yang, S.: Forecasting consumer credit card adoption: what can we learn about the utility function?, International Journal of Forecasting 19, 71–85, (2003)

    Article  Google Scholar 

  91. Ragg, T., Menzel, W., Baum, W. und Wigbers, M.: Bayesian learning for sales rate prediction for thousands of retailors, Neurocomputing 43, 127–144, (2002)

    Article  Google Scholar 

  92. Rauscher, M.: Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten am Beispiel deutscher Lebensversicherungsunternehmen, Schriftenreihe Versicherung und Risikoforschung, Band 47, Wiesbaden 2004.

    Google Scholar 

  93. Reed, R.D. und Marks, R.J.: Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks, Cambridge 1999.

    Google Scholar 

  94. Rehkugler, H. und Podd, T.: Statistische Methoden versus Künstliche Neuronale Netzwerke zur Aktienprognose, – Eine vergleichende Studie -, Bamberger Betriebswirtschaftliche Beiträge Nr. 73, Bamberg 1990.

    Google Scholar 

  95. Remus, W. und O'Connor, M.: Neural Networks for time-series forecasting, in: Armstrong, J.S. (Hrsg.), Principles of Forecasting, Norwell, 245–256 (2001)

    Google Scholar 

  96. Ritter, H., Schulten, K. und Martinez, T.: Eine Einführung in die Neuroinformatik selbstorganisierender Karten, Bonn 1990.

    Google Scholar 

  97. Rizzi, L., Bazzana, F., Kasabov, N., Fedrizzi, M. und Erzegovesi, L.: Simulation of ECB decisions and forecast of the short term Euro rate with an adaptive fuzzy expert system, European Journal of Operational Research 145, 363–381, (2003)

    Article  Google Scholar 

  98. Sarle, W.S.: Stopped Training and other Remedies for Overfitting, Proceedings of the 27th Symposium on the Interface of Computing Science and Statistics, 352–360 (1995)

    Google Scholar 

  99. Schacher, M. und Grässle, P.: Agile Unternehmen durch Business Rules, Berlin 2006.

    Google Scholar 

  100. Schäfer, K.: Kontodaten-Analyse mit Hilfe Künstlicher Neuronaler Netze, QM- Quantitative Methoden in Forschung und Praxis, Band 5, Hamburg 2003.

    Google Scholar 

  101. Schapire, R.E.: The boosting approach to machine learning: An overview, in: Denison, D.D., Hansen, M.H., Holmes, C., Mallick, B. und Yu, B. (Hrsg.), Nonlinear Estimation and Classification, Berlin 2003.

    Google Scholar 

  102. Schefe, P.: Künstliche Intelligenz – Überblick und Grundlagen, 2. Aufl., Mannheim 1991.

    Google Scholar 

  103. Schneider, T., Nelke, M. und Poloni, M.: Kundenbindung und Abwanderungsprävention: Einführung und Fallbeispiel eines Finanzdienstleisters, in: Wiedmann, K.-P. und Buchler, F. (Hrsg.), Neuronale Netze im Marketing-Management, Praxisorientierte Einführung in modernes Data-Mining, 2. Aufl., Wiesbaden, 155–182 (2003)

    Google Scholar 

  104. Schöneburg, E.: Stock Price Prediction Using Neural Networks; A Project Report, Neurocomputing 2, 17–27, (1990)

    Article  Google Scholar 

  105. Schweneker, O.: Entwicklung eines Expertensystems für Absatzprognosen durch konzeptionelles Prototyping, Berlin 1990.

    Google Scholar 

  106. Seidlmeier, H.: Kostenrechnung und wissensbasierte Systeme: Theoretische Überlegungen und Entwicklung eines prototypischen Anwendungssystems, Unternehmensentwicklung, Band 10, München 1991.

    Google Scholar 

  107. Sharda, R. und Patil, R.B.: Neural Networks as Forecasting Experts: An Empirical Test, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Washington, 491–494 (1990)

    Google Scholar 

  108. Shi, S.M., Xu, L.D. und Liu, B.: Improving the accuracy of nonlinear combined forecasting using neural networks, Expert Systems With Applications 16, 49–54, (1999)

    Article  Google Scholar 

  109. Shrinivasan, D., Liew, A.C. und Chen, J.S.P.: A Novel Approach to Electrical Load Forecasting Based on a Neural Network, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Singapur, 1172–1177 (1991)

    Google Scholar 

  110. Sieben, G., Diedrich, R., Kirchner, M. und Krautheuser, R.: Expertengestützte Ergebnisprognose zur Unternehmensbewertung, Der Betrieb 43(1), 1–8, (1990)

    Google Scholar 

  111. Siekmann, S., Neuneier, R., Zimmermann, H.G. und Kruse, R.: Tägliche Prognose des Deutschen Aktienindex DAX mit Neuro-Fuzzy-Methoden, in: Biethahn, J., Höhnerloh, A., Kuhl, J., Leisewitz, M.-C., Nissen, V. und Tietze, M. (Hrsg.), Betriebliche Anwendungen des Soft Computing, Wiesbaden, 161 ff. (1998)

    Google Scholar 

  112. Sink, K.: Einsatz Neuronaler Netze im Pharmamarketing, Dissertation, Freiburg 1992.

    Google Scholar 

  113. Sisodia, R. und Warkentin, M.: Marketing and Expert Systems: Review, Synthesis and Agenda, in: Liebowitz, J. (Hrsg.), Proceedings of the World Congress on Expert Systems, New York, 274–281 (1991)

    Google Scholar 

  114. Smith, K.A. und Gupta, J.N.D.: Neural networks in business: techniques and applications for the operations researcher, Computers and Operations Research 27, 1023–1044, (2000)

    Article  Google Scholar 

  115. Smith, P., Husein, S. und Leonard, D.T.: Forecasting Short Term Regional Gas Demand Using an Expert System 10(2), 265–273, (1996)

    Google Scholar 

  116. Sohl, J.E. und Venkatachalam, A.R.: A neural network approach to forecasting model selection, Information & Management 29, 297–303, (1995)

    Article  Google Scholar 

  117. Steinmann, D. und Scheer, A.-W.: Expertensysteme (ES) in Produktionsplanung und -steuerung (PPS) unter CIM – Aspekten, in: Wildemann H. (Hrsg.), Expertensysteme in der Produktionsplanung, Passau, 204–248 (1987)

    Google Scholar 

  118. Streitberg, B. und Naeve, P.: A Modesty Intelligent System for Identification, Estimation, and Forecasting of Univariant Time Series: A4: ARIMA, Artificial Intelligence, and APL2, in: Haux, R. (Hrsg.), Expert Systems in Statistics, New York, 111 ff. (1986)

    Google Scholar 

  119. Suret, J.-M., Roy, J. und Nicolas, J.: Financial Forecasting Using Backpropagation of Error and the Learning Vector Quantization Methods, in: The Japan Society for Management Information (Hrsg.), Proceedings of the International Conference on Economics/ Management and Information Technology, Tokio, 109 ff. (1992)

    Google Scholar 

  120. Tam, K.Y. und Kiang, M.: Predicting Bank Failures: A Neural Network Approach, Applied Artificial Intelligence 4, 265–282, (1990)

    Article  Google Scholar 

  121. Thiesing, F.M. und Vornberger, O.: Abverkaufsprognose im Supermarkt mit Neuronalen Netzen, in: Biethahn, J., Höhnerloh, A., Kuhl, J., Leisewitz, M.-C., Nissen, V. und Tietze, M. (Hrsg.), Betriebswirtschaftliche Anwendungen des Soft Computing, Wiesbaden, 115 ff. (1998)

    Google Scholar 

  122. Tkacz, G.: Neural network forecasting of Canadian GDP growth, International Journal of Forecasting 17, 57–69, (2001)

    Article  Google Scholar 

  123. Topalli, A.K. und Erkmen, I.: A hybrid learning for neural networks applied to short term load forecasting, Neurocomputing 51, 495–500, (2003)

    Google Scholar 

  124. Tsai, C.-F. und Chen, M.-Y.: Variable selection by association rules for customer churn prediction of multimedia on demand, Expert Systems with Applications 37, 2006–2015, (2010)

    Article  Google Scholar 

  125. Tsaih, R., Hsu, Y. und Lai, C.C.: Forecasting S&P 500 stock index futures with a hybrid AI system, Decision Support Systems 23, 161–174, (1998)

    Article  Google Scholar 

  126. Ustundag, A., Kilinç, M.S. und Cevikcan, E.: Fuzzy rule-based system for the economic analysis of RFID investments, Expert Systems with Applications 37, 5300–5306, (2010)

    Article  Google Scholar 

  127. Venkatachalam, A.R. und Sohl, J.E.: An Intelligent Model Selection and Forecasting System, Journal of Forecasting 18, 167–180, (1999)

    Article  Google Scholar 

  128. Volmer, R. und Lehrbaß, F.B.: Kohonens selbstorganisierende Karten und der Terminkontrakt auf den DAX, Wirtschaftsinformatik 39(4), 339–343, (1997)

    Google Scholar 

  129. Walter, J., Ritter, H. und Schulten, K.: Non Linear Prediction with Selforganizing Maps, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, San Diego, 587–592 (1990)

    Google Scholar 

  130. Weber, K.: Prognosemethoden und -Software, Idstein 1991.

    Google Scholar 

  131. Wilson, I.D., Paris, S.D., Ware, J.A. und Jenkins, D.H.: Residential property price time series forecasting with neural networks, Knowledge-Based Systems 15, 335–341, (2002)

    Article  Google Scholar 

  132. Windsor, C. und Harker, A.: Multi-Variate Financial Index Prediction – A Neural Net Study, in: IEEE (Hrsg.), Proceedings of the International Neural Network Conference, Vol. 1, Paris, 357–360 (1990)

    Google Scholar 

  133. Wong, B.K., Lai, V.S. und Lam, J.: A bibliography of neural network business applications, Computers & Operations Research 27, 1045–1076, (2000)

    Article  Google Scholar 

  134. Wong, B.K. und Monaco, J.A.: Expert system applications in business: A review and analysis of the literature (1977–1993), Information & Management 29, 141–152, (1995)

    Article  Google Scholar 

  135. Wong, B.K., und Selvi, Y.: Neural network applications in finance: A review and analysis of the literature (1990–1996), Information & Management 34, 129–139, (1998)

    Article  Google Scholar 

  136. Wong, F.S.: Time Series Forecasting Using Backpropagation Neural Networks, Neurocomputing 2, 147–159, (1991)

    Article  Google Scholar 

  137. Wong, F.S. und Wang, P.Z.: A Stock Selection Strategy Using Fuzzy Neural Networks, Neurocomputing 2, 233–242, (1991)

    Article  Google Scholar 

  138. Yoon, Y., Swales, G. und Margavlo, T.M.: A Comparison of Discriminant Analysis versus Artificial Neural Networks, Journal of the Operational Research Society 44, 51–60, (1993)

    Google Scholar 

  139. Zadeh, L.: A theory of approximate reasoning, in: Hayes, J. und Mikulich, I. (Hrsg.), Machine Intelligence, Vol. 9, New York, 149–194 (1979)

    Google Scholar 

  140. Zell, A.: Simulation Neuronaler Netze, Bonn 1994.

    Google Scholar 

  141. Zhang, G., Patuwo, E.B. und Hu, M.Y.: Forecasting with artificial neural networks: The state of the art, International Journal of Forecasting 14, 35–62, (1998)

    Article  Google Scholar 

Download references

Author information

Author notes

  1. Philipp Janetzke

    Present address: Fakultät Landwirtschaft, Hochschule Weihenstephan-Triesdorf, Weihenstephan, Deutschland

  2. Achim Lewandowski

    Present address: Bissantz , Nürnberg, Deutschland

Authors and Affiliations

    Authors
    1. Philipp Janetzke
      View author publications

      You can also search for this author in PubMed Google Scholar

    2. Achim Lewandowski
      View author publications

      You can also search for this author in PubMed Google Scholar

    Corresponding authors

    Correspondence to Philipp Janetzke or Achim Lewandowski .

    Editor information

    Editors and Affiliations

    1. , Wirtschaftsinformatik I, Universität Erlangen-Nürnberg, Lange Gasse 20, Nürnberg, 90403, Germany

      Peter Mertens

    2. , LS für Statistik und Ökonometrie, Otto-Friedrich-Universität Bamberg, Feldkirchenstr. 21, Bamberg, 96045, Germany

      Susanne Rässler

    Rights and permissions

    Reprints and permissions

    Copyright information

    © 2012 Springer-Verlag Berlin Heidelberg

    About this chapter

    Cite this chapter

    Janetzke, P., Lewandowski, A. (2012). Der Beitrag der Künstlichen Intelligenz zur betrieblichen Prognose. In: Mertens, P., Rässler, S. (eds) Prognoserechnung. Physica, Heidelberg. https://doi.org/10.1007/978-3-7908-2797-2_16

    Download citation

    • DOI: https://doi.org/10.1007/978-3-7908-2797-2_16

    • Published:

    • Publisher Name: Physica, Heidelberg

    • Print ISBN: 978-3-7908-2796-5

    • Online ISBN: 978-3-7908-2797-2

    • eBook Packages: Business and Economics (German Language)

    Publish with us

    Policies and ethics

    Search

    Navigation