Herausforderung
Die Planung und Prognose von Absatzzahlen für Märkte, Baureihen und Varianten ist eine zentrale Herausforderung für alle OEM. Auf Basis der Planungen werden Entscheidungen in der Produktion, Finanzplanung und anderen geschäftsrelevanten Unternehmenseinheiten gesteuert. Je genauer die Planzahlen dabei an die tatsächlich verkaufte Menge herankommen, desto solider lässt sich das Geschäft planen. Unser Kunde, ein internationaler Automobilkonzern, stand vor der Herausforderung, dass die aktuellen, durch hohen manuellen Aufwand erzeugten Planzahlen nicht die gewünschte Genauigkeit erreichten.
Ansatz
Zu Beginn des Projekts wurden die zur Verfügung stehenden Datenquellen sondiert und konsolidiert. Dabei wurden verschiedene interne und externe Datenquellen verwendet und zur weiteren Modellierung in ein strukturiertes Format überführt. Nach einer Datenbereinigung und Plausibilisierung wurden verschiedene statistische Tests und Modelle zur Bestimmung der saisonalen und autokorrelativen Struktur der Sales-Zeitreihe angewendet. Auf Basis dieser Erkenntnisse konnte ein state-of-the-art Machine Learning Modell entwickelt werden, das den monatlichen Absatz auf Gesamt- und Typklassen-Ebene mit hoher Genauigkeit vorhersagt.
Ergebnis
Das Modell liefert eine Genauigkeit von 98 Prozent und leistet eine Reduktion des Planungsfehlers um circa 48 Prozent. Auf Basis der monatlichen Forecasts werden künftig die Planungsprozesse auf datenbasierte Größen umgestellt. Das Modell wurde in die Infrastruktur des Kunden implementiert und liefert monatlich alle Forecasts in Form von Datenbankeinträgen, die in ein interaktives Dashboard für den Fachbereich Absatzplanung eingespeist werden.