Predictive Analytics

Predictive Analytics bei Siemens.

Zu niedrige Absatzprognosen beeinträchtigen die Lieferfähigkeit; zu optimistische Vorhersagen treiben die Lagerkosten in die Höhe. Wie sich beide Fehler mittels Predictive Analytics vermeiden lassen, zeigt Siemens. 

*Von Robin Richter und Sebastian Fendel 

Besonders in stark technisierten und kapitalintensiven Branchen gilt:  In einem globalisierten und zunehmend unbeständigen Absatzmarkt bieten genauere Prognosen kundenspezifischer Nachfrage inklusive deren Folgeprozesse entscheidende Wettbewerbsvorteile. Deshalb entschied sich die Siemens AG auf dem Gebiet der Prozessautomation für die Einführung von Predictive Analytics.

Ziel eines gemeinsamen Pilotprojekts mit dem Beratungsunternehmen avantum consult AG war es, die Prognosegenauigkeit zu erhöhen und komplexe zeitaufwendige Planungsprozesse zu automatisieren. Im Rahmen des Vorhabens sollten die Potentiale von Predictive Analytics herausgearbeitet werden. 

In einem Folgeprojekt ging es darum, die Prognoseerstellung jederzeit und ohne manuellen Aufwand anhand der aktuellsten Daten starten und deren Ergebnisse produktiv nutzen zu können.

Als umfassende Grundlage errichtete das Projektteam anhand des Predictive Analytics-Vorgehensmodells eine selbstlernende, analytische Plattform. Gleichzeitig wurden die Anwender geschult und ein Change Management-Prozess zur produktiven Nutzung der datengetriebenen Prognosen umgesetzt. Das Einbeziehen des Kunden, der Austausch im Projekt sowie die Qualität des Forecasting-Systems standen dabei im Mittelpunkt. 

Die Ergebnisse sprechen für sich: Für 84 Prozent der Planungsobjekte erzielten die Predictive Analytics-Prognosen bessere Ergebnisse als der bisherige manuelle Prozess; die Genauigkeit der Vorhersagen verbesserte sich um mehr als 50 Prozent; der Aufwand für die Absatzplanung wurde von einer mehrwöchigen Planungsphase auf wenige Stunden reduziert.

Darüber hinaus wurden die Transparenz und das Verständnis der Prognosen sowie deren Einflüsse mittels kausaler Modelle gesteigert. «Mithilfe der neu entwickelten datengetriebenen Planungslösung können wir unsere Mitarbeiter entlasten und die Prognosegenauigkeit signifikant erhöhen», sagt Nicole Birkle, die in dem Projekt für die Leitung seitens der Siemens AG verantwortlich ist.

Prozess in sechs Phasen.
Das Vorgehen während des Pilotprojektes ebenso wie in der Produktivsetzung orientierte sich am Cross Industry Standard Process for Data Mining (kurz: CRISP-DM), der ein Data Mining-Projekt in sechs Phasen unterteilt: 

1. Definition des Geschäftsziels, 
2. Datenverständnis und –definition, 
3. Datenaufbereitung und Reports, 
4. Modellierung, 
5. Evaluation,
6. Bereitstellung.

Den ganzen Artikel lesen Sie in der Druckausgabe Nr. 3/2019. Hier als Einzelartikel oder die Ausgabe Nr. 3/2019 bestellen.

 

* Robin Richter ist Senior Consultant bei avantum consult AG und Mitarbeiter im Competence Center «Betriebswirtschaftliche Konzepte & Advanced Analytics». Er hat mehr als acht Jahre Erfahrung mit Data Mining-Projekten und Know-how in der Projektumsetzung und Beratung.

* Sebastian Fendel arbeitet als Consultant bei avantum consult AG, mit Expertise auf den Gebieten Predictive Analytics, Data Mining und Machine Learning. Er hat Erfahrung mit Data Mining-Projekten und Data Quality Management ebenso wie mit automatisierten Preiskalkulationen.

 

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net

© ProfilePublishing Germany GmbH 2019. Alle Rechte vorbehalten. 

Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite