Viele Experten reden über Künstliche Intelligenz in der Planung - wir wenden sie an.
Die meisten unserer Kunden hatten das gleiche Problem, bevor sie mit uns arbeiteten: Zeitaufwendige Datenerfassungsprozesse und ungenaue Prognosen. Laut der BARC – Studie „Predictive Planning and Forecasting“ aus dem Jahr 2019 ist dieses Problem 65% der Befragten (n=316) sehr gut bekannt.
Ein klassischer Anwendungsfall einer Regression ist die Umsatzprognose. Forecasts werden mittels statistischer Methoden erstellt, üblicherweise zuerst mit vergleichsweise einfachen Verfahren, wie der linearen Trendbestimmung. Anspruchsvollere Methoden wie Holt-Winters Exponential Smoothing oder Auto-Regressive Integrated Moving Average (ARIMA) bilden oftmals die nächste "Evolutionsstufe". In einigen Anwendungsfällen, speziell bei linearen Grunddaten oder leicht erkennbaren saisonalen Mustern sind solche Methoden völlig ausreichend für verlässliche Prognosen. Allerdings sind in den meisten uns bekannten Anwendungsszenarien die Datenmuster viel komplexer, und oft müssen auch externe Faktoren in die Prognose miteinbezogen werden. Daneben verlangen statistische Methoden immer nach Annahmen, wie z.B. Abhängigkeiten zwischen Variablen, Normalverteilung von Fehlern etc. Methoden, die Künstliche Intelligenz (KI) nutzen, funktionieren auch ohne solche Annahmen und haben den Vorteil, dass sie durch das 'Trainieren' mit Daten immer besser werden. smartPM.solutions verwendet beide Ansätze, sowohl anspruchsvolle statistische Verfahren als auch Methoden der Künstlichen Intelligenz. Darauf aufbauend wird jenes Verfahren ausgewählt, das den zugrundeliegenden Daten - gemessen am Fehlerwert - am besten entspricht. Bei unserem Analyseansatz testen wir mehr als 40 Netzwerke mit verschiedenen Strukturen und das beste für eine verlässlichste Prognose wird automatisch ausgewählt.
Beim Einsatz des smartPM Sales Performance Forecasting Modulswerden verschiedene Prognoseergebnisse übersichtlich visualisiert, und die treffendste Vorhersage angezeigt. Szenario-basierte What-If-Analysen mit automatischer Erkennung der besten Prognosemethode ermöglichen bessere Entscheidungen. Große Datensätze können mühelos verarbeitet werden und die Prognosegenauigkeit steigt bemerkenswert. Ein weiterer großer Vorteil von machine learning ist, dass viele Parameter wie Region, Unternehmensgröße, Produkte etc. berücksichtigt und gewichtet werden können. Die wichtigsten Parameter werden automatisch durch mathematische Methoden wie die Hauptkomponentenanalyse ausgewählt, um die Genauigkeit zu maximieren und Fehler, wie data overfitting zu vermeiden. Pläne und Prognosen werden auf Knopfdruck erstellt und ermöglichen so eine wirklich agile Entscheidungsfindung.
Vertriebsperformance effektiv steuern: Abschlusschancen für Leads und Opportunities prognostizieren.
smartPM.solutions verwendet machine learning Methoden, um eine möglichst präzise Prognose des Gewinns und Abschlusszeitpunkts einer Opportunity abgeben zu können. Im Gegensatz zu den üblichen Schätzungen des Abschlusszeitpunktes durch die jeweiligen Vertriebsverantwortlichen zum Monatsende, die meist nur auf ihren Erfahrungen und subjektiven Einschätzungen beruhen, verwendet die machine learning Methode sämtliche relevanten Faktoren und Erfahrungen aller Vertriebsmitarbeiter, um die genaueste Prognose des Gewinnzeitpunktes einer Opp zu liefern. Unser Data Science Team bedient sich wissenschaftlich fundierter und bewährter mathematischer und statistischer Verfahren und zieht zur Analyse R und Python mit ihren aktuellsten Bibliotheken heran.
Flexibel und robust
Abhängig von den Daten und ihrer Dimensionalität können einige Prognosemethoden genauer, andere weniger genau sein. Für die Schätzung der Gewinnwahrscheinlichkeit einer Opp ziehen wir bis zu drei verschiedene machine learning Methoden heran und vergleichen sie. Die Methoden der künstliche Intelligenz müssen nicht, können aber bei Bedarf durch menschliche Intelligenz unterstützt werden, indem sie die am besten geeigneten Kernel- und Aktivierungsfunktionen oder die Anzahl der Schichten und Knoten für neuronale Netze festlegen. Durch vom System voreingestellte Standardfunktionen, die automatisch die genaueste Methode auswählen, können auch Nutzer, die sich nicht in mathematische Kernprozesse eindenken möchten, profitieren.
Ertrag erfolgreich prognostizieren
Bei der Auswahl, der am besten geeigneten Methode für die Ertragsprognose gibt es leider kein allgemein gültiges Gesetz. Hier spielen die Daten eine wesentliche Rolle. Unsere Erfahrung zeigt, dass unterschiedliche statistische und machine learning Methoden zum Ziel führen können und nur ein Vergleich dieser die genaueste Vorhersage ermöglicht. Auch hier hat der Anwender die Freiheit, die Anzahl der trainierten Netzwerke zu optimieren und die Parameter anzupassen oder das System die gesamte Arbeit für sich erledigen zu lassen.
Multivariate Prognosen
In vielen Fällen hängen die Umsatzerlöse von externen Faktoren wie dem Wetter oder einigen makroökonomischen Werten ab. Die multivariate Prognosemethode erlaubt die Berücksichtigung mehrerer externer Faktoren. Künstliche Intelligenz wählt automatisch die relevantesten Einflussfaktoren aus und passt die Vorhersage an, um sie noch präziser zu machen.