Eisverkauf. Abhängigkeit des Absatzes von äußeren Faktoren (PDF)

Studienarbeit aus dem Jahr 2017 im Fachbereich Mathematik - Statistik, Note: 1,3, FOM Essen, Hochschule für Oekonomie & Management gemeinnützige GmbH, Hochschulleitung Essen früher Fachhochschule (BWL & Wirtschaftspsychologie), Sprache: Deutsch, Abstract: Am 9. Juli 1984 erklärte US-Präsident Ronald Reagan auf Vorschlag des Kongresses den dritten Sonntag im Juli zum National Ice Cream Day. Auch in Deutschland ist die Speiseeisindustrie ein bedeutender Wirtschaftszweig der Lebensmittelbranche. Die Markeneishersteller haben im Jahr 2016 in Deutschland einen Absatz von 529 Mio. Liter sowie einen Umsatz von 2 Mrd. Euro generiert und beschäftigen 4.300 Angestellte. Der Pro-Kopf-Verbrauch von Speiseeis lag bei 7,9 Litern (inkl. Eisdielen- und Softeis). Dies entspricht 113 Kugeln per capita . Diese Arbeit soll sich allerdings auf den Absatz von Speiseeis am Verkaufsort Eisdiele konzentrieren, da dieser Point-of-Sale für den Verfasser ein persönliches und professionelles Interesse birgt. Tatsächlich ist Deutschland der größte Produzent von Speiseeis in Europa, noch vor Italien, Frankreich und Spanien. Insofern erklärt sich hier die Relevanz des Themas für den Realzusammenhang allein durch die Bedeutung für den deutschen Arbeitsmarkt und die nationale Milchwirtschaft.

Zur Erhebung der Datensätze wurde das Prinzip der Regressionsanalyse (multiple lineare Regression) herangezogen. Dieses ist in besonderem Maße dazu geeignet die gesammelten Daten empirisch auszuwerten. Gearbeitet wurde hier mit Daten zu Bestellmengen, die im Laufe des Jahres 2016 in der Eisboutique Conedera in Dinslaken gesammelt wurden. Diese wurden von Bestelleinheiten (Behälter à 18 Liter) auf Konsumeinheiten (60 Kugeln pro Einheit) umgerechnet. Die Anwendung der Regressionsanalyse erlaubt es die statistische Beziehung zwischen unseren unabhängigen Variablen (UV) oder Prädiktoren herzustellen, die eine möglichst präzise Vorhersage der abhängigen Variable (AV) oder des Kriteriums erlauben. Als ausschlaggebend wird hier das korrigierte R² betrachtet, da die Aufnahme zusätzlicher Prädiktoren für gewöhnlich zu einer Verschlechterung des Gütemaßes R² (Bestimmtheitsmaß) führt. Selbst wenn zwischen den gewählten Variablen auch nur ein augenscheinlicher (wenn auch nicht tatsächlicher) Zusammenhang bestünde, würde dies demnach dazu führen, dass ein steigendes R² zu der Fehleinschätzung führt, dass es sich hier um ein gutes Regressionsmodell mit einer für die Realität relevanten Aussage handle.