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.

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.