- Presse
- predictive analytics
- 2 Min Lesezeit
Dr. Stefan Lieder
Vorhersageprozesse sind aufwändig. Und weil Veränderungen im geschäftlichen Umfeld immer häufiger und unerwarteter auftreten, hinterfragen Kunden zunehmend ihre internen Forecast-Abläufe. Um agil zu planen, braucht es schlanke und schnelle Abläufe – und digitale Helfer.
Was bringen Analyse- und Vorhersagemodelle?
Meist sind Planungsprozesse sehr aufwändig und können auch politisch motiviert sein. In der Praxis wird der Vorhersageprozess zudem oft nur nebenbei bearbeitet. Weil externe Einflüsse heute schneller, häufiger und unerwarteter auf Unternehmensstrukturen einwirken, müssen Planungen aber öfter aktualisiert werden. Dazu braucht es schlanke und schnelle Abläufe – also Prognosemodelle. s-peers hat für das Accounting und Controlling solche Modelle entwickelt. Die prädiktive Unterstützung eignet sich hervorragend für den Finanzbereich, weil es hier Standardsysteme und -prozesse gibt, die eine sehr gute Datenqualität liefern. Aufgrund von Vergangenheitsdaten erkennen prädiktive Systeme Datenmuster und leiten daraus Vorhersagen ab – mit sehr hoher Genauigkeit. Das System bewirkt, dass Vorhersagen schneller, effizienter und somit auch häufiger erstellt werden. So kann das Management proaktiver arbeiten bzw. wenn nötig schnell und gezielt eingreifen
s-peers Modelle haben eine Vorhersagegenauigkeit von 95 bis 99 Prozent
s-peers nutzt State-of-the-Art-Algorithmen zur Modellerstellung. Ein Analyse- und Vorhersagemodell wird aufgrund sogenannter Trainingsdaten erstellt – z. B. des Umsatzes von 2011–2017. Das Modell wird dann mit Validierungsdaten überprüft – etwa mit dem Umsatz von 2018. Der am besten abschneidende Algorithmus wird anschliessend mit unabhängigen Evaluierungsdaten getestet.
Methodik kombiniert mit Bauchgefühl
Die Automatisierung objektiviert die ForecastProzesse. IT-gestützte Voraussagen lassen sich aber wunderbar mit individuell erstellten Planungen
kombinieren. Menschliche Erfahrungswerte und Impulse, kombiniert mit errechneten Modellen, ergeben ein realistisches Bild und somit eine gute
Basis für Entscheidungen. Es gibt einen grossen Wunsch nach prädiktiven Projekten. Doch automatisierte Vorhersagen sind immer nur so gut wie die zugrunde liegenden Informationen. Daher sollten Sie mit einem Bereich starten, der bereits über eine sehr gute Datenbasis verfügt. Wir empfehlen, mit dem Bereich Rechnungswesen zu beginnen, um erste Mehrwerte zu etablieren. Hier gibt es erprobte Standardsysteme, die grösstenteils auf einer einheitlichen Basis aufsetzen.
Die Vorteile automatisierter Prognoseprozesse für das Unternehmen
- Es bleibt mehr Kapazität für werthaltige Tätigkeiten.
- Die Ergebnisse werden präziser, die Transparenz grösser.
- Zusammenhänge und funktionsübergreifende Abhängigkeiten werden deutlich.
- Die Reaktionsfähigkeit erhöht sich markant.
- Forecasts werden objektiviert und spiegeln ein faktenbasiertes Bild.
- Die Leistungsfähigkeit der Algorithmen ist durch Simulation prüfbar.
- Die Algorithmen von s-peers sind wiederverwendbar und mehrfach nutzbar.
- Es gibt eine grosse Auswahl an Auswertungsmöglichkeiten in gesicherter Qualität.
Der Einsatz automatisierter Prognoseprozesse für das Unternehmen
Der prädiktive Ansatz verbessert und beschleunigt Entscheidungen auf Basis von quantitativen, differenzierteren Erkenntnissen: Durch die ganzheitliche Sicht auf Ursache-Wirkungsketten können auch Zusammenhänge und funktionsübergreifende Abhängigkeiten von verschiedensten Unternehmensbereichen deutlich besser berücksichtigt werden.
- Weitere Einsatzgebiete für automatisierte Prognosemodelle sind beispielsweise:
- Verbesserung des Warenbestands im Einzelhandel
- Präzisere Disposition in der Produktion
- Personalplanung
- Optimierung von Lieferzeiten
- Preis- und Konditionenpolitik
- Sortimentsentscheidungen
Fazit
Die Anwendung wissenschaftlicher, statistischer Modelle im Forecasting ist anerkannt und bewährt – und die Unternehmenssteuerung mithilfe von Predictive Controlling und Accounting birgt enormes Potenzial. Erfolgsfaktoren für eine erfolgreiche Umsetzung sind die Qualität bzw. Wertigkeit
der Daten, der richtige Einsatz der Algorithmen sowie deren stetige Validierung. Holen Sie das Aschenputtel hinter dem Herd hervor und testen Sie, was es zu leisten vermag.
Published by:
Dr. Stefan Lieder
ehem. Leiter Data Science Werkstatt
Dr. Stefan Lieder
Wie hat Ihnen der Artikel gefallen?
Wie hilfreich war dieser Beitrag?
Klicke auf die Sterne um zu bewerten!
Durchschnittliche Bewertung 0 / 5.
Anzahl Bewertungen: 0
Bisher keine Bewertungen! Sei der Erste, der diesen Beitrag bewertet.