de
                    array(1) {
  ["de"]=>
  array(13) {
    ["code"]=>
    string(2) "de"
    ["id"]=>
    string(1) "3"
    ["native_name"]=>
    string(7) "Deutsch"
    ["major"]=>
    string(1) "1"
    ["active"]=>
    string(1) "1"
    ["default_locale"]=>
    string(5) "de_DE"
    ["encode_url"]=>
    string(1) "0"
    ["tag"]=>
    string(2) "de"
    ["missing"]=>
    int(0)
    ["translated_name"]=>
    string(7) "Deutsch"
    ["url"]=>
    string(70) "https://www.statworx.com/case-studies/prognose-von-investitionskosten/"
    ["country_flag_url"]=>
    string(87) "https://www.statworx.com/wp-content/plugins/sitepress-multilingual-cms/res/flags/de.png"
    ["language_code"]=>
    string(2) "de"
  }
}
                    
Kontakt
Case Studies
Case Studies

Prognose von Investitionskosten

In diesem Projekt haben wir für unseren Kunden ein Machine Learning Modell entwickelt, das jährlich anfallende Kosten sowie die Zeitpunkte erwarteter Zahlungen für Investitionsprojekte vorhersagt.

  • Branche Automotive
  • Thema Forecasting
  • Tools R, R Shiny, SQL
  • Projektdauer 6 Monate

Herausforderung

Die Abschätzung und Planung von Investitionskosten ist im Controlling eine wichtige Größe. Für unseren Kunden, einen internationalen Automobilkonzern, ist die Sicherstellung des reibungslosen Ablaufs von Controlling-Prozessen unerlässlich, aber zeitaufwändig. Hierzu zählt auch die Kalkulation der jährlich zu erwartenden Ausgaben, basierend auf den Gesamtbudgets einzelner Investitionsprojekte. Um Ressourcen optimal bereitzustellen, ist nicht nur die Höhe, sondern auch der Zeitpunkt der Ausgaben ausschlaggebend.

Ansatz

Zur Erstellung der Datengrundlage der Modellierung wurden zunächst die historischen Investitionsausgaben für verschiedene Projekte konsolidiert und mit weiteren Informationen angereichert, wie etwa der Produktionsstätte oder der Produktklasse der Projekte. Zur Reduktion der Komplexität des Prognoseproblems wurden sowohl die Zeit- als auch die Kostendimension standardisiert. Nach einem intensiven Benchmarking verschiedenster Klassen von Machine Learning Modellen wurde die Prognosegüte eines Boosting-Modells via Backtesting für einen Zeithorizont von bis zu zehn Jahren optimiert. Basierend auf den aktuellsten Informationen zu Gesamtbudget und Projektcharakteristika erstellt das Modell nun mühelos die Kostenplanung auf Jahresebene und unterstützt somit datengetrieben den zuvor langwierigen manuellen Planungsprozess des Kunden.

Ergebnis

Die Prognose der Verteilung des Projektbudgets über die nächsten 10 Jahre ermöglicht unserem Kunden eine hohe Zeit- und Kostenersparnis. Durch die datengetriebene Automatisierung der Prognose können auch Budget-Anpassungen mühelos in die Jahresplanung übertragen werden.

Experte

Kontakt anfragen

Erfahre mehr!

Als eines der führenden Unternehmen im Bereich Data Science, Machine Learning und KI begleiten wir Sie in die datengetriebene Zukunft. Erfahren Sie mehr über statworx und darüber, was uns antreibt.
ÜBER UNS