Eine genauere Umsatzprognose
Smart Data und Algorithmen ermöglichen einen präziseren Forecast
Der Kunde
Der Schweizer Möbelhersteller mit Deutschlandsitz in Weil am Rhein ist überzeugt, dass Umgebungen die Gedanken und Gefühle der Nutzer beeinflussen – zuhause, bei der Arbeit und unterwegs. Darum arbeitet Vitra jeden Tag daran, diese Umgebungen durch die Kraft des Designs zu verbessern. Das Original kommt von Vitra.
www.vitra.de
Die Daten
Über einen Zeitraum von drei Jahren sammelte Vitra Daten, die Vertriebsinformationen verschiedener Sortimentsprodukte enthielten – darunter 21 Alleinstellungsmerkmale für eine große Anzahl Produkte. Dieses Datenmaterial stellte das Unternehmen dem SDSC-BW für eine Smart Data-Analyse zu Verfügung
Die Herausforderung
Vitra war interessiert daran, herauszufinden, ob Smart Data Analytics ihnen helfen könnte, eine genauere Methode für die Umsatz-prognose zu entwickeln. Da die Produkte von Vitra in zahlreichen Farben und Materialien verfügbar sind, würde eine zuverlässigere Absatzprognose dabei helfen, den Materialeinsatz in der Produktion besser planen zu können. Die Aufgabe der Experten vom Karlsruher Institut für Technologie bestand darin, verborgene Informationen oder Muster in den Daten zu finden, um Vitra bei dieser Optimierung zu unterstüt-zen. Um die Daten für die Analyse vorzubereiten, wurden diese durch das Herausfiltern von ausgelaufe-nen Produkten gesäubert und transformiert. Zudem mussten weitere Merkmale aus den Daten extrahiert werden, wie z.B. Projektverkaufsinformationen oder fertige Produkte. Anschließend sollten Vorhersage-modelle gelernt werden, die dabei helfen, eine zuverlässi-ge Absatzprognose zu erstellen.
Die Potentialanalyse
Die Experten des SDSC-BW entwickelten ein naives Vorhersagemodel, das auf der Kenntnis der Vertriebszahlen des Vorjahres beruhte. Dieses Modell diente als Grundlage, um die Performan-ce der komplexeren Modelle für maschinelles Lernen zu beurteilen.Die Analyse erfolgte auf zwei verschiedene Arten: In einem Ansatz nutzte das Team einfach die direkten Daten der kompletten Zeitreihen, in einem weiteren extrahierte es zusätzliche statistische Informationen wie Mittelwert und Autokorrelation aus diesen Zeitrei-hen, um neue Merkmale zu erhalten und weitere Mo-delle zu trainieren. Vitra erhielt schließlich eine verglei-chende Analyse von Absatzprognosen auf Grundlage unterschiedlicher Modelle, die jeweils auf den Daten von verschiedenen Produkten trainiert und getestet wurden.
Das Resultat
Die vom Team entwickelten komplexen Modelle übertrafen das naive Vorhersagemodell deutlich. Durch eine Vergleichsanalyse verschiedener komplexer Modelle verbesserten sich die Ergebnisse bei jedem Schritt. So gelangen dem SDSC-BW auch präzisere Vorhersagen für Produkte, die Vitra bislang nur schwer analysieren konnte. Da die von Vitra gesammelten Daten über den gesamten Zeitraum vonhoher Qualität waren, rieten die Experten dem Unternehmen, weiterhin alle anfallenden Daten aufzubewahren, um künftig noch bessere Modelle für die Absatzprognose erstellen zu können.
Wie es weiter geht
Die Analyseergebnisse zeigten Vitra, dass die erhobenen Daten großes Potential besitzen, um relativ genaue Vorhersagen zu treffen. Aufgrund der gewonnenen Erkenntnisse ist davon auszugehen, dass weitere Datenanalysen die Geschäftsprozesse zusätzlich verbessern werden.