Business Forecasting ist ein Prozess, der verwendet wird, um zukünftige Muster zu schätzen oder vorherzusagen. Führungskräfte, Manager und Analysten verwenden die prognostizierten Ergebnisse, um fundiertere Geschäftsentscheidungen zu treffen. Geschäftsprognosen werden beispielsweise verwendet, um Quartalsverkäufe, Lagerbestände, Nachbestellungen in der Lieferkette, Website-Traffic und Risikoexposition zu schätzen. Während Geschäftsprognosen normalerweise mithilfe statistischer Techniken erstellt werden, hat sich Data Mining auch für Unternehmen mit vielen historischen Daten als nützliches Werkzeug erwiesen.
Die für die Geschäftsprognose verwendeten Tools hängen von den Anforderungen des Unternehmens und der betroffenen Datenmenge ab. Zu diesen Tools gehören Tabellenkalkulationen, Enterprise Resource Planning, fortschrittliche Supply-Chain-Management-Systeme und andere Netzwerk- oder Webtechnologien. Im Allgemeinen sollten die verwendeten Tools einen einfachen Datenaustausch zwischen Abteilungen oder Geschäftseinheiten, das Hochladen von Daten aus mehreren Quellen, eine Auswahl an Analysetechniken und die grafische Anzeige der Ergebnisse ermöglichen.
Für unterschiedliche Arten von Daten und Analysen stehen drei Methoden der Geschäftsprognose zur Verfügung. Das Zeitreihenmodell ist das gebräuchlichste, bei dem Daten vorwärts projiziert werden. Statistische Berechnungen für dieses Modell umfassen den gleitenden Durchschnitt, die exponentielle Glättung und die Box-Jenkins-Methode. Zeitreihenmodelle sind insofern einfach, als nach der Ermittlung der Formel durch Einfügen von historischen Daten die prognostizierten Ergebnisse ausgegeben werden. Es ist nur nützlich, wenn die historischen Daten ein starkes Muster aufweisen, ohne dass Anomalien berücksichtigt wurden.
Erklärungsmodelle sind eine weitere Methode der Geschäftsprognose. Diese Modelle benötigen nicht so viele historische Daten wie die Zeitreihenanalyse, um nützliche Geschäftsprognosen zu erhalten. Lineare Regressionen, nichtparametrische additive und Lag-Regressionen sind häufig verwendete Methoden. Zum Beispiel kann eine lineare Regression verwendet werden, um zu bestimmen, wie viel Website-Traffic zu den gewünschten Werbeeinnahmen führt.
Data Mining ist eine dritte Methode der Geschäftsprognose und wird immer beliebter, da Unternehmen immer mehr Daten in digitaler Form sammeln und speichern. Diese Methode beruht auf dem Durchsuchen historischer Daten nach Mustern. Diese Daten werden typischerweise aus verschiedenen Abteilungen, E-Mails und Berichten abgerufen und kombiniert. Algorithmen können auf Data-Mining basieren, um automatisch Vorhersagen zu treffen, wie das System von Amazon.com, seinen Kunden empfohlene Bücher anzubieten.
Fehler bei der Geschäftsprognose sind häufig aufgrund von Softwareproblemen, mathematischen Fehlern, unnötigen Optimierungen und Verzerrungen. Das Reduzieren oder Eliminieren von Fehlern kann durch Neuberechnung, Vergleich der Ergebnisse bei Verwendung einer anderen Formel oder Methode, Minimierung von Optimierungen und Beseitigung von Möglichkeiten für Verzerrungen erreicht werden. Schätzungen sollten klar gekennzeichnet sein, mit einer Erläuterung, wie die Schätzung erstellt wurde. Anfängliche Vorhersagen können sich im Vergleich zu tatsächlichen Ergebnissen als ungenau erweisen, so dass ständige Optimierungen erforderlich sein können, um stärkere zukünftige Vorhersagen zu erstellen.