<div class="hzweiwrapper"><span class="circled-number">1</span><h2 class="c-blog_head" id="1. Einführung">Einführung</h2></div>
Im vorherigen Artikel „Business Forecasting: Praktische Anwendung von leistungsstarken Tools“ wurden verschiedene Tools vorgestellt, mit denen Business Forecasting in Unternehmen umgesetzt werden kann. Dieser Artikel konzentriert sich auf spezifische Business Forecasting Projekte, die erfolgreich in der Praxis realisiert wurden. Jedes dieser Projekte illustriert, wie Business Forecasting in der realen Geschäftswelt eine maßgeschneiderte Herangehensweise erfordert, die den spezifischen Anforderungen jedes Projekts gerecht wird.
Die Integration von Business Forecasting ist branchenübergreifend von großer Bedeutung und bringt zahlreiche Vorteile mit sich, darunter eine verbesserte Übersicht über zukünftige Geschäftsentwicklungen, eine effizientere Ressourcenplanung und wertvolle Unterstützung für Entscheidungsträger. Diese Methoden ermöglichen es Unternehmen, Markttrends vorherzusehen, Risiken zu minimieren und strategisch fundierte Entscheidungen zu treffen. Durch die Anwendung von Business Forecasting können Organisationen ihre Wettbewerbsfähigkeit stärken, indem sie proaktiv auf Veränderungen reagieren und Chancen gezielt nutzen.
Im Folgenden werden drei verschiedene Projekte vorgestellt, die (in der Praxis umgesetzt wurden) avantum erfolgreich umgesetzt hat. Dabei wird auf die spezifischen Herausforderungen, die angewandten Lösungen sowie die resultierenden Impacts jedes Projekts eingegangen. Diese Fallbeispiele bieten wertvolle Einblicke in die praktische Anwendung von Business Forecasting und demonstrieren, wie durch angepasste Ansätze in unterschiedlichen Unternehmenskontexten signifikante Verbesserungen erzielt werden können.
<div class="hzweiwrapper"><span class="circled-number">2</span><h2 class="c-blog_head" id="2. Projektbeispiele">Projektbeispiele</h2></div>
Projektsteckbrief: Automatisierter Liquiditätsforecast
In diesem Projekt wurde ein automatisierter Liquiditätsforecast für einen Mobilitätsdienstleister entwickelt, um den Planungsprozess zu optimieren und tägliche Finanzstatusberichte effizienter zu erstellen. Ziel war es, manuelle Arbeitsprozesse zu reduzieren, die Prognosequalität zu steigern und einen erweiterten Prognosehorizont zu ermöglichen, um so eine präzisere finanzielle Übersicht und Entscheidungsgrundlage zu schaffen.
Herausforderung
Die Herausforderungen dieses Projekts waren vielschichtig. Zum einen erforderte die Natur des Geschäftsmodells einen tagesbasierten Forecast, der sowohl kurzfristige Schwankungen als auch langfristige Trends berücksichtigen musste. Des Weiteren war die Stabilität des Forecasts eine kritische Anforderung, da zukünftig finanzielle Entscheidungen auf diesen Prognosen basieren sollten und somit eine hohe Zuverlässigkeit gefordert war. Zudem stelle die Auswahl einer passenden Zielvariable eine Herausforderung dar, welche die Liquidität im Unternehmen am besten repräsentierte.
Angewandte Lösung
Für die Umsetzung wurde ein automatisierter Vorhersageprozess mit dem IBM SPSS-Modeller, einem vielseitigem Drag-and-Drop-Tool, erstellt. Mit diesem Tool wurde eine schnelle Erstellung des Tagesfinanzstatus ermöglicht, welches in die Planungslösung integriert wurde, um eine zentrale Übersicht zu schaffen.
Um eine hohe Qualität des Forecasts und passende Auswahl der Zielvariablen sicher zu stellen, war eine enge Zusammenarbeit mit dem Treasury-Fachbereich essenziell. Effektive Kommunikation ermöglichte es, wichtige Variablen zu identifizieren und neue Features zu generieren. Eine spezielle Behandlung von Ausreißern im Datensatz war erforderlich, um Verzerrungen zu vermeiden und die Zuverlässigkeit der Prognosen weiter zu steigern. Zusätzlich wurden exogene Variablen, wie wirtschaftliche Indikatoren und marktspezifische Daten in die Analyse einbezogen, um eine umfassendere Sicht auf die Prognose zu gewährleisten. Diese Variablen sind entscheidend, da sie externe Einflüsse abbilden, die direkte Auswirkungen auf die Geschäftsleistung haben können.
Schließlich wurden die Ergebnisse verschiedener Algorithmen, durch ein sogenanntes Ensembling harmonisiert, um die Genauigkeit und Zuverlässigkeit der Prognosen weiter zu verbessern. Diese Technik ermöglichte eine umfassendere und stabilere Einschätzung der zukünftigen Liquiditätslage.
Ergebnisse und Impact
Durch die Automatisierung der Business Forecasts konnte eine signifikante Effizienzsteigerung erzielt werden: Über 75% der zuvor benötigten Kapazitäten wurden freigesetzt. Dies ermöglichte eine fokussierte Zuweisung von Ressourcen auf wertstiftende Tätigkeiten. Die verbesserte Prognosefähigkeit, mit einem erweiterten Horizont von bis zu 18 Monaten und täglicher Aktualisierung, erlaubte es dem Treasury-Team, proaktiver zu agieren und sicherzustellen, dass jederzeit ausreichend Liquidität vorhanden ist.
Projektsteckbrief: Prognose der Kosten der Vermögensgegenstände
Ziel dieses Projekts war es, die Kosten für Vermögensgegenstände einer Verkehrsgesellschaft zu prognostizieren. Zu den Vermögensgegenständen gehörten beispielsweise Busse und Straßenbahnen mit zugehörigen Unterkategorien wie Klimaanlagen und Schienen. Durch die Vorhersage dieser Kosten sollten effizientere Budgetierungs- und Wartungspläne ermöglicht werden.
Herausforderungen
Die geringe Datenqualität und unzureichende Zuordnung der Kosten zu bestimmten Vermögensgegenständen waren wesentliche Probleme in diesem Projekt. Häufig wurden die Unterkategorien (technischen Plätze) der Vermögensgegenstände in den Buchungen nicht korrekt angegeben. Diese präzise Zuordnung war jedoch elementar für genaue Vorhersagen.
Angewandte Lösung
Um diese Informationslücke zu schließen, wurde eine Kombination aus Text Mining und fachlicher Expertise der Verkehrsgesellschaft angewandt. Text Mining-Techniken wurden eingesetzt, um die Texte hinter historischen Aufträgen zu analysieren und eine korrekte Zuordnung der Unterkategorien (der Technischen Plätze) zu den Vermögensgegenständen zu ermöglichen. Darüber hinaus wurde umfangreiches Feature Engineering betrieben, um aus den vorhandenen Daten neue, aussagekräftige Variablen abzuleiten. Der Business Forecast wurde mit dem IBM SPSS Modeler erstellt und anschließend in ein Power BI Dashboard integriert, um die Ergebnisse und Analysen visuell aufzubereiten und den Entscheidungsträgern zugänglich zu machen.
Ergebnisse und Impact
Die Auswertung der historischen Daten und des Forecasts in einem neu erstellten visuellen Dashboard ermöglichte eine deutlich übersichtlichere und genauere Budgetplanung für die anfallenden Kosten. Die Einführung dieser Technologien und Methoden führte zu qualitativen Prognosen der Kosten und ermöglichte der Verkehrsgesellschaft, ihre Ressourcen effektiver zu planen und einzusetzen. Zudem wurden zuvor als 'unplanbar' geltende und scheinbar zufällige Kosten, wie Reparaturen und Vandalismus, in planbare Posten verwandelt. Dieses Projekt demonstriert wie moderne Datenanalyse-Techniken und die Zusammenarbeit zwischen IT-Experten und Fachbereichen zu einer wesentlichen Steigerung der betrieblichen Effizienz beitragen können.
Projektsteckbrief: Prognose von unplanbaren Aufwänden
In diesem Projekt wurde eine innovative Methode zur Prognose von Supportaufwänden, die durch Kundenverträge und Abrufkontingente entstehen, für einen IT-Dienstleister entwickelt. Während sich die finanziellen Erträge aus diesen Verträgen relativ gut vorhersagen lassen, stellt die genaue Planung der benötigten Ressourcen für eingehende Tickets oder Kundenanfragen eine größere Herausforderung dar. Das Ziel bestand darin, die Vorhersage zukünftiger Aufwände zu verbessern, um eine effizientere finanzielle Planung und Ressourcenallokation zu ermöglichen.
Herausforderungen
Die Herausforderung lag in der spezifischen Anforderung abteilungsspezifische Prognosen zu erstellen, obwohl oft nur unzureichende Datenmengen für einzelne Abteilungen verfügbar waren. Diese Datenknappheit machte es schwierig, aussagekräftige und zuverlässige Vorhersagen der spezifischen Zeitreihen zu generieren. Besonders herausfordernd war die Prognose unplanbarer Aufwände, wie sie durch Support-Tickets und Abrufkontingente entstehen, die eine variable und schwer vorhersehbare Belastung darstellen.
Angewandte Lösung
Um den Herausforderungen zu begegnen, wurde eine höhere organisatorische Ebene zur Aggregation genutzt, um eine größere Datenbasis für die Prognosen zu schaffen und dadurch die Stabilität und Zuverlässigkeit der Vorhersagen zu verbessern. Des Weiteren kam das von avantum entwickelte Time Series Forecasting (TSF) zum Einsatz. TSF optimiert die Prognosequalität durch Feature Engineering und der individuellen Berechnung des besten Algorithmus jeder Zeitreihe und abschließendem Fine Tuning. Dieser Ansatz ermöglichte es, die vorhandenen Daten optimal zu nutzen und präzise Prognosen zu erstellen.
Ergebnisse und Impact
Durch diese methodische Herangehensweise konnten die Prognosen von Aufwänden präzisiert und im Auftragsbestand visualisiert werden wie beispielhaft in der folgenden Abbildung, was einen effizienteren Einsatz von Mitarbeitern ermöglichte und zur Früherkennung von Engpässen beitrug. Der Einsatz von TSF spielte eine entscheidende Rolle bei der Steigerung der Planungseffizienz und trug zu einem verbesserten Risikomanagement bei. Zudem ermöglichte die integrierte Erklärbarkeits-funktion des Softwareproduktes eine bessere Interpretierbarkeit des ermittelten Forecasts. Entscheidungsträger konnten die Auswirkungen verschiedener Variablen auf die Prognose einsehen und analysieren. Insgesamt unterstützte das Projekt den IT-Dienstleister dabei, fundiertere Entscheidungen zu treffen und die operative Effizienz nachhaltig zu verbessern. <div class="hzweiwrapper"><span class="circled-number">3</span><h2 class="c-blog_head" id="3. Schlüsselerkenntnisse">Schlüsselerkenntnisse</h2></div>
Die in diesem Blogartikel vorgestellten Projekte im Bereich Business Forecasting haben gezeigt, dass die erfolgreiche Implementierung in Unternehmen maßgeblich von mehreren Schlüsselfaktoren abhängt. Einer der wichtigsten Aspekte ist die Datenqualität. Hochwertige, gut gepflegte Daten sind die Grundlage für einen präzisen Forecast. Je mehr historische Daten zur Verfügung stehen, desto präziser können zukünftige Trends und Muster erkannt werden, was die Genauigkeit und Zuverlässigkeit der Prognosen erheblich verbessert. Folglich spielen ausführliche Datenbereinigung und Feature Engineering eine entscheidende Rolle, da es die Leistung der Vorhersagemodelle signifikant verbessern kann.
Ein weiterer zentraler Punkt ist das tiefgreifende Verständnis der Geschäftsprozesse und -anforderungen. Fachliche Kenntnisse sind unerlässlich, um die richtigen Schlüsse aus den Daten zu ziehen und die Prognosen entsprechend anzupassen. Die erfolgreiche Implementierung von Business Forecasting setzt voraus, dass die beteiligten Teams nicht nur über technisches Know-how verfügen, sondern auch das Geschäft und seine Besonderheiten genau verstehen.
In vielen Projekten treten spezifische Anforderungen und Herausforderungen in Bezug auf die vorhandenen Datensätze auf, die eine maßgeschneiderte Behandlung und Anpassung der Analysemethoden erfordern. Die sorgfältige Integration der Business Forecasts in Dashboards und eine übersichtliche Visualisierung sind essenziell, um die gewonnenen Erkenntnisse für Entscheidungsträger leicht zugänglich und interpretierbar zu machen. Diese Schritte sind kritisch, um sicherzustellen, dass die Vorhersagen effektiv zur Unterstützung von strategischen und operativen Entscheidungen genutzt werden können.
Häufig gestellte Fragen
.webp)
