Mit Predictive Planning die Planungsgenauigkeit im Unternehmen verbessern
Eine effiziente Planung ist in Unternehmen essenziell, um Ressourcen gezielt bereitzustellen und einsetzen zu können. Häufig läuft dieser hochkomplexe Prozess, der eine Vielzahl an Daten, Informationen und Stakeholdern benötigt noch per Excel ab und ist daher sehr aufwendig und fehleranfällig. Da manuelle Planung häufig von Intuition & Erfahrung einzelner Mitarbeiter abhängig ist, lässt sich die Planungsschärfe kaum systematisch steigern.
Feature-based Forecasting (FBF) ist eine prognostizierende Methode zur Datenanalyse mit dem Ziel, genau diese Planungsgenauigkeit zu verbessern und den Zeitaufwand zu reduzieren durch die Entwicklung eines Modells auf Basis eines Algorithmus.
Was ist Predictive Planning?
Grundsätzlich können verschiedene Planungsverfahren angewendet werden:
- Klassisches Vorgehen
- Treiberbasiertes Vorgehen
- Datenbasiertes Vorgehen (Predictive Planning)
Beim klassischen Vorgehen bildet die Ausgangsituation ein klassisches Planungs-Set-up, indem die manuelle Planung, z.B. auf einer Initialisierung der Vergangenheitswerte basiert. Dieses Vorgehen wird noch in den meisten Unternehmen durchgeführt, ist aber aufwendig, fehleranfällig und weist eine niedrige Planungsgenauigkeit auf. Das treiberbasierte Vorgehen beinhaltet die Betrachtung der internen und externen Einflussfaktoren auf die Planung. Dabei wird Expertenwissen aufgeschlüsselt anhand verschiedener Dimensionen, wie Wettbewerb, Innovation, Personal, Kultur und Strategie. Werttreiberbäume ermöglichen in diesem Ansatz, die wesentlichen Treiber zu planen und Wirkungszusammenhänge innerhalb von Treibern abzubilden. Da diese Treibermodelle jedoch auf menschlicher Erfahrung basieren, können auch hier entscheidende Faktoren übersehen oder fehlattribuiert werden. Hier kommt das datenbasierte Vorgehen ins Spiel. Mit diesem lassen sich die identifizierten Faktoren anschließend in einen Machine-Learning-Algorithmus übertragen, um automatisch datengeschützte Vorhersagen für den Use-Case zu generieren. Hier wird also Predictive Analytics für die Planung angewandt, daher der Name Predicitve Planning. Feature-based Forecating ist eine Methode des Predictive Planning, bzw. der Predicitve Analytics.
Doch wie funktioniert Feature-based Forecasting?
Um datengetriebene Alerts sinnvoll einsetzen zu können ist erst einmal eine performante Datenintegration und Echtzeit-Datenübertragung notwendig. Hierfür werden Live-Daten aus einem oder mehreren Quellsystemen in Echtzeit an Targetsysteme, wie bspw. Qlik Sense, geladen. Diese Live-Daten kann der Kunde dann direkt in einem individuellen Dashboard einsehen. Durch eine zusätzliche Einrichtung von Alerts wird bei der Unter- oder Überschreitung von Schwellwerten relevanter KPIs eine Push-Nachricht beispielsweise in Teams an die zuständige Person versendet. Diese kann dann bei Bedarf weitere Maßnahmen einleiten.
Diese Methode ist für viele verschiedene Systeme und Szenarien geeignet, von der Produktion bis hin zum Vertrieb. Feature-based Forcasting nutzt mathematische Modelle und Algorithmen, um zuverlässige Ergebnisse zu erzielen und entspricht somit der Kategorie 3, dem datenbasierten Vorgehen. Dabei ist dieses Vorgehen ein eigener Prozess, der individuell an den Anwendungsfall angepasst werden muss. Denn Feature-based Forecasting bedarf nicht nur ein erhebliches Datenverständnis, sondern auch einer soliden Grundkenntnis über das individuelle Geschäftsmodell. Im Allgemeinen kann man aber den FBF-Prozess in die folgenden 5 Schritte unterteilen:
- Business Understanding
- Data Understanding
- Data Preparation
- Modelling
- Evaluation & Deployment
Ein konkreter Anwendungsfall führt uns in die Welt der Sportwetten: die Experten von Transform8 wurden für ein Projekt von einem Sportwettenanbieter damit beauftragt, die Planungsgenauigkeit der Umsatzprognosen für Fußballwetten in Deutschland zu steigern. Die technische Basis für dieses Projekt bildete hierbei das Planungs- und Reportingtool „Board“. Als technische Lösung für dieses Projekt, wurde ein künstliches neuronales Netz aufgebaut, das Informationen aufnehmen, bewerten und weitergeben kann. Dank Feature-based Forecasting konnten die Berater die Planungsgenauigkeit für den Sportwettenanbieter deutlich erhöhen und somit Umsätze und Ressourcen deutlich planbarer machen sowie Risiken erheblich senken.
Wenn Sie noch mehr Details über den genauen Ablauf, die Vor- und Nachteile sowie den oben beschriebenen Use Case hören wollen, lesen Sie unseren vollen Artikel im DF&C-Magazin oder sehen Sie sich unser On-Demand-Webinar zu dem Thema an.
Falls Sie Fragen zum Thema Feature-based Forcasting oder zu H&Z.digital im Allgemeinen haben, kontaktieren Sie uns gerne unter: info@hz.digital.
