As the amount of data has increased more and more over the years, the statistical analysis of the data has gained much more importance. Each data set needs a special model and the interpretability of the results is crucial for data owners. We provide a statistical analysis of the number of sales of a pharmacy product, which investigates the explanatory power of the Google trends, the temperature and the state holidays data in Germany together with the harmonic regression components. We find that using the Google trends data as an explanatory variable usually leads to a significant improvement in the forecasting performance. Based on the model fitting results, we perform a clustering. Lastly, we present a first dependence analysis using the copula approach and show that a clustering approach that models the dependence between the clusters is needed.      «

As the amount of data has increased more and more over the years, the statistical analysis of the data has gained much more importance. Each data set needs a special model and the interpretability of the results is crucial for data owners. We provide a statistical analysis of the number of sales of a pharmacy product, which investigates the explanatory power of the Google trends, the temperature and the state holidays data in Germany together with the harmonic regression components. We find that...     »

Da die Datenmenge im Laufe der Jahre immer mehr gestiegen ist, hat die statistische Analyse der Daten an Bedeutung gewonnen. Jeder Datensatz benötigt einen speziellen Modellansatz. Außerdem ist die Interpretierbarkeit der Modellergebnisse für den Datenbesitzer entscheidend. Wir entwickeln eine statistische Analyse eines Apothekenproduktverkaufs, der die Aussagekraft von Google Trends, der Temperatur und Feiertagsdaten in Deutschland sowie der harmonische Regressionskomponenten untersucht. Wir stellen fest, dass die Verwendung der Google Trendsdaten als erklärende Variable in den meisten Regionen zu einer signifikanten Verbesserung der Prognose führt. Basierend auf den Ergebnissen der Modellanpassung führen wir ein Clustering durch. Schließlich präsentieren wir eine erste Abhängigkeitsanalyse mit Hilfe eines Kopula-Ansatz und zeigen, dass ein Clustering- Ansatz, der die Abhängigkeit zwischen den Clustern modelliert, erforderlich ist.      «

Da die Datenmenge im Laufe der Jahre immer mehr gestiegen ist, hat die statistische Analyse der Daten an Bedeutung gewonnen. Jeder Datensatz benötigt einen speziellen Modellansatz. Außerdem ist die Interpretierbarkeit der Modellergebnisse für den Datenbesitzer entscheidend. Wir entwickeln eine statistische Analyse eines Apothekenproduktverkaufs, der die Aussagekraft von Google Trends, der Temperatur und Feiertagsdaten in Deutschland sowie der harmonische Regressionskomponenten untersucht. Wir st...     »