Voriger
Nächster

Angewandte Künstliche Intelligenz in der Finanzplanung

 Ihre Datenerfassungsprozesse sind zeitaufwändig und ihre Prognosen ungenau? Im Rahmen der integrierten Planung hilft Künstliche Intelligenz hier Zeit zu sparen, die Datenqualität zu verbessern und die Genauigkeit zu erhöhen. Prognosen können mit klassischen statistischen Methoden erstellt werden, z.B. mit Linear Trends, Holt-Winters Exponential Smoothing oder Auto-Regressive Integrated Moving Average (ARIMA). Diese klassischen Methoden können für lineare Muster „gut genug“ sein, aber komplexere Fälle und viele Daten erfordern Methoden der KI – Machine Learnings (neuronale Netze).

Wir verwenden sowohl statistische Methoden als auch KI-basierte Planung (40 Netzwerke werden getestet).Mit dem smartPM Vertriebsprognose-Modul wird die am besten passende Prognosevariante auf Basis der Fehlerwerte vorgeschlagen. Gerade in Zeiten erhöhter Volatilität und Unsicherheit können präzise Prognosen und hochwertige Daten entscheidend sein, um schnell die richtigen Entscheidungen treffen zu können.

Viele Experten reden über Künstliche Intelligenz in der Planung - wir wenden sie an.

Fast alle unsere Kunden standen vor der Entscheidung für smartPM.solutions vor dem gleichen Problem: Zeitaufwändige Datenerfassungsprozesse und ungenaue Prognosen.

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.

Eingesetzt wird hier das smartPM Sales Performance Forecasting Modul. Verschiedene Prognoseergebnisse werden 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.

Besonders in Zeiten erhöhter Volatilität und Unsicherheit, können präzise Forecasts helfen, die richtigen Entscheidungen zu treffen. 

Die Vorteile von smartPM's KI-basierter Planung

Automatische Erkennung der besten Prognosemethode

Prognoseergebnisse werden übersichtlich visualisiert und die treffendste Vorhersage angezeigt

Szenariovergleiche und "Was-wäre-wenn" Analysen

Szenario-basierte "Was-wäre-wenn" Analysen ermöglichen besseres, flexibles Entscheiden sowie frühzeitiges Reagieren

Kosten- und Zeitersparnisse durch schnellere Prozesse und automatisierte Analysen

Große Datensätze können mühelos verarbeitet werden und die Prognosegenauigkeit steigt bemerkenswert

Auswahl und Berücksichtigung vieler interner und externer Einflussfaktoren

Viele Parameter wie Region, Unternehmensgröße, Produkte etc. können berücksichtigt und gewichtet werden

Selbst lernende Systeme (Neuronale Netze) erlauben präzisere Schätzungen

Die wichtigsten Parameter werden automatisch für maximale Genauigkeit und Fehlervermeidung ausgewählt

Planung und Prognose auf Knopfdruck

Präzise, rasche und verlässliche Antworten auf die häufigsten Fragen des Managements ermöglichen eine agile Entscheidungsfindung

Kundenmeinung

"Als innovatives Unternehmen suchen wir immer aktiv nach neuen Verfahren und Lösungen. smartPM.solutions hat uns von den Vorteilen der neuen KI-gestützten Methoden und deren Prognosequalität überzeugt."
Ingmar Gon_Director Supply Chain Planning_Follmann Chemie Group
Ingmar Gon
Director Supply Chain Planning
Follmann Chemie Group

VIDEO:
DATA GOVERNANCE WEEK 2.0 des ÖCI

Über 200 Anmeldungen bei der ÖCI Webinarreihe zum Thema Machine Learning. Wir waren dabei mit Anwendungen aus der Praxis: Projektcontrolling mit KI optimieren, Machine Learning im S&OP Bereich und die Datenqualität mit ML verbessern. Live in der Controllinglösung.

In Kooperation: Controller Institut – smartPM.solutions
 

Einige Eindrücke aus der Software: Künstliche Intelligenz in der Planung

AI based Planning Winning Probabilities

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

Depending on the data and its dimensionality, some methods may be more, some less accurate. For the winning probability estimation, up to three different ML-methods are compared. FP&A Experts who think that artificial intelligence should be supported by human intelligence, may fine tune the methods by choosing the most appropriate kernel and activation functions or number of layers and nodes for Neural Networks. Users with less  mathematical background may use the default functions to let the system automatically choose the most accurate method.

Rope Green AI based Planning

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.

AI Planning multivariate regression

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.

Controlling Fallstudie: KI in der Planung bei der Follmann Chemie Group

Themenverwandte Beiträge zu KI