Predictive Analytics und Planungsansatz in Quintet 24

Planungssysteme und Reports leiden unter dem Zeitaufwand der Erstellung und am Mangel der Transparenz bei den vielfältigen relevanten Dimensionen. MobiMedia optimiert den Planungsaufwand und die Entscheidungstransparenz, indem alle Planungsinhalte proaktiv in die Prozessabwicklung integriert werden. Durch intelligente und benutzerfreundliche Visualisierung lassen sich, neben Mengen und Werten, auch Farbthemen, Emotionen und die möglichen POS Flächen interaktiv visuell planen. Durch Datamining integriert MobiMedia alle messbaren Einflüsse automatisiert in die Planung und reduziert den manuellen Aufwand wesentlich.

Doch wie lassen sich diese komplexen Datenmengen meistern?

Vereinfacht gesagt: Fortgeschrittene Analysemethoden ermöglichen es, Muster in umfangreichen Daten zu erkennen und für Entscheidungen sowie Prognosen zu nutzen.

Die strategische Glaskugel
Was kauft der Kunde morgen und warum? Nur wenn man weiß, was morgen gekauft wird, kann der Lagerbestand auf möglichst niedrigem Niveau gehalten und trotzdem der Bedarf der Kunden gedeckt werden. Effiziente und kostenoptimale Planung braucht eine genaue Prognose des zu erwartenden Kaufverhaltens und damit verbundenen Absatzes. Besondere Ereignisse wie Werbekampagnen, sportliche Großereignisse, Wetter, Ferienbeginn, Feiertage und so weiter und so weiter werden schon heute in vielen Prognosemodellen mit einbezogen und auch saisonal bedingte Absatzschwankungen sind für eine gute Planungssoftware Norm.

Predictive Planning versus klassischer Ansatz oder:
Was machen nun fortgeschrittene Analysemethoden anders?

Im Gegensatz zu klassischen, deskriptiven oder visuellen Analysetechniken und der anschließenden manuellen Verarbeitung der Erkenntnisse zu Hochrechnungen, werden nun aber bei Predictive Planning und Forecasting fortgeschrittene, modellbasierte Ansätze genutzt. Dabei werden auf Basis mathematischer Datenanalysemodelle Beziehungen zwischen Variablen identifiziert, um daraus Erkenntnisse über bestehende Muster sowie neue Prognosen abzuleiten.

Diese fortgeschrittenen Methoden können in umfangreichen und heterogenen Datensätzen Muster und Zusammenhänge erkennen und lassen sich so für Prognosen nutzen. Die Vorteile des Einsatzes von Predictive Planning and Forecasting sind vielfältig.

Ziel des Einsatzes von automatisierten Prognosen ist die optimale Unterstützung und Entlastung der menschlichen Planer, beispielsweise über Vorschlagswerte im Rahmen der Planung, nicht deren Ablöse. Auf diese Weise bleiben Planer in Planungsprozesse eingebunden, werden aber von Routinetätigkeiten entlastet. Wesentliche Kritikpunkte heutiger Planungsprozesse, wie die mangelnde Qualität der Planungsergebnisse, der investierte Aufwand, zu lange Durchlaufzeiten des Planungsprozesses oder fehlende Ressourcen für kurzfristige Forecasts, werden darüber behoben.

Solide Prognosen in kürzeren Intervallen mit richtiger Datenqualität

Unsere digitalisierte Welt hat einen völlig neuen Konsumententypus hervorgebracht: ein Kaufnomade der die jeweiligen Trends schnell im Warenkorb wiederfinden will. Ein digital vernetzter Kaufinteressierter, der von Shop zu Shop, Marke zu Marke wandert stets auf der Suche nach dem für ihn besten Angebot. Diese Trends schnell zu erkennen und den Kunden möglichst früh zu begeistern und ihm das passende Angebot zu offerieren wird immer wichtiger:

Mit den neuen Ansätzen können Planungszyklen nun viel schneller und öfter durchgeführt werden. Außerdem ist die Integration von Teilplänen einfacher und gewährleistet die Verknüpfung mit Analysen und Reporting. KI kommt in Predictive-Planning-Methoden zum Einsatz, aber auch in Algorithmen zur Projektüberwachung oder zur Früherkennung von Abweichungen.  So können Unternehmen schneller und früher reagieren. Das spart Zeit und Geld. Der Qualitätsfaktor der Ergebnisse wird deutlich verbessert und schafft Wettbewerbsvorteile.

Nur die richtigen Daten in der richtigen Qualität, der erforderlichen Granularität und ausreichender Historie erlauben solide Prognosen. Vorhersagende Modelle werden für einen bestimmten Anwendungsfall konzipiert und auch immer wieder weiter trainiert, deshalb besitzen sie keine Allgemeingültigkeit. Da sich unter anderem Märkte, Wettbewerb und Kundenverhalten ständig ändern, muss zwangsläufig eine kontinuierliche Kontrolle des Modellverhaltens und der Prognosegüte erfolgen, um – abhängig vom Ergebnis – eine Anpassung oder ein Neutraining vorzunehmen.

Deep Learning als ein Baustein für solide Prognosen
Wie es der Name schon sagt: Deep Learning basiert auf der Analyse von großen Datenmengen.
Die Maschine „gräbt“ sich regelrecht durch riesige Mengen an Informationen aus Datenbanken, E-Mails sowie Social Media Daten und Verbrauchereinkäufen, um kleine und größere Trends zu erkennen. Deep Learning nutzt künstliche Intelligenz und altbekannte neuronale Netzwerke, um Systeme zu erstellen, die mit Informationen, mehrschichtigen Algorithmen und Software das menschliche Lernverhalten nachbilden können.

Deep Learning benötigt eine hoch leistungsfähige spezialisierte IT-Infrastruktur für die Analyse von riesigen Datensätzen und vor allem für das Lernen in Echtzeit. Dazu gehört auch, dass der zugrunde liegende Deep-Learning-Speicher ausreichend Agilität aufweist, um unterschiedliche Datentypen schnell verarbeiten zu können. Diese Flexibilität ist einer der Gründe, weshalb softwaredefinierte Speicher sich mittlerweile ganz oben auf der Wunschliste der meisten Unternehmen befinden.

Performance trifft Prognose
Dennoch: eventuelle Informationslücken kann das Verfahren nicht schließen. Ebenso wenig plötzliche Veränderungen oder erstmalig auftretende Phänomene erkennen und in Prognosen einbinden. Denn: Mustererkennungsverfahren haben ihre Grenzen, da die Grundoperationen der Mustererkennung, wie Datenfilterung oder -Unterscheidung ja bereits auf statistischen, kulturellen, zeitpolitischen und vielen anderen Vorannahmen beruhen. Sie geben vor, was letztendlich als Muster erkannt wird und was nicht. Die Software erkennt das, worauf sie trainiert wird – ein Algorithmus kann nicht „sehen“.

So ist bei allen Vorteilen von Predictive Analytics und Planning immer noch eine vorausschauende, unternehmerische Intuition und ein wachsames Auge von Experten nach wie vor unabdingbar. Das auch, weil ein Algorithmus im Gegensatz zum Fachmann nicht einschätzen kann, ob die Beziehung von zwei Größen rein zufällig ist oder durch einen indirekten Bezug besteht.

Mein Lesetipp:
Predictive Analytics hat auch ihre gesellschaftlichen Schattenseiten. Hierzu empfehle ich: Hito Steyerl und andere:  Pattern Discrimination. University of Minnesota Press und Meson Press, 2018.

Autor: Connie Rambold, CCO MobiMedia AG

Entdecken Sie MobiMedias Stärken

Datenschutz

84347 Pfarrkirchen
Rottpark 24
+49 8561 96160
info@
mobimedia.de