Wie wird mein neues Geschäftsjahr?
Lassen sich Umsatzentwicklungen voraussehen?
Wir können das Orakel befragen!
Oder wir verwenden etwas Magie aus der Data Science.
Content
Prediction
Es gibt zwei Arten von Vorhersagen für Machine Learning: Regression und Klassifikation
Die Regression sagt stetige Werte voraus, also wieviel?
Die Klassifikation ermittelt eine Gruppenzugehörigkeit, also was?
Und dann gibt es noch die Zeitreihe (Time Series), Werte im zeitlichen Verlauf, also wann wieviel?
Machine Learning für Dummies
Braucht man dafür nicht einen Data Scientisten?
Eigentlich schon und sie sind hoch geschätzt von mir, aber für sehr einfache Vorhersagen mit wenigen Parametern und guten Grunddaten kann man es durchaus mit fertigen Bibliotheken versuchen – und das ist unsere “Magie”…
Wie funktioniert das nun?
Ganz einfach: Wir schicken die bestehenden Ist-Zahlen der Umsatzentwicklung hinein und bekommen eine Prognose für zukünftige Werte im Zeitverlauf wieder heraus.
Für die Machine Learning Methode ist das natürlich nicht so einfach.
Was passiert da wirklich?
Es werden verschiedene Charakteristika der Daten untersucht:
der Trend einer längeren Tendenz,
die Saisonalität, wiederholende Muster über die Zeit,
Zyklen von Daten,
Fehlerabweichung, etc.
Daraus wird – nur der Data Scientist weiß wie – eine Prognose für jeden Datenpunkt in der Zukunft.
Die Lösung
Ist-Zahlen
Wir haben ein zentrales Data Warehouse, dort haben wir zunächst einmal die operativen Ist-Zahlen, mit denen sich schon gute Berichte, zb. mit gleitenden Durchschnitten zeigen lassen.
Prediction
Die Ist-Daten werden in Databricks mit Spark-Technologie und Python aufbereitet, die Predictions berechnet und wieder abgespeichert in unserem Data Warehouse.
Da wir unsere Umsätze nicht über alle Bereiche als Gesamtsumme auswerten möchten, sollen auch Differenzierungen möglich sein nach dem Verkaufstyp, nach der Produktgruppe und nach der Region.
Dies bedeutet aber auch, dass jede Kombination daraus getrennt vorhergesagt werden muss, daher wird dies in geschatelten Schleifen verarbeitet, die eigentliche Prediction-Magie passiert in nur 4 Zeilen.
Report
Die Ist-Umsätze können zusammen mit den Vorhersagen und einer Schwankungsbreite in einem Bericht angezeigt werden.
Alle Kombination aus Verkaufstyp, Produktgruppe und Region können beliebig kombiniert gefiltert werden.
Planung
Unsere Prognose gibt schon einen recht guten Eindruck der zukünftigen Umsatzentwicklung, aber das Controlling weiß sicher besser, was im nächsten Jahr für weitere Einflußfaktoren und Geschäftsentwicklungen anstehen.
So können wir den Predictive Forecast nicht nur als Ausblick benutzen sondern als Datengrundlage für die Planung, darauf basierend können beliebige Anpassungen vorgenommen werden.
Special
Wenn wir die Daten schon mal im Zugriff haben, können wir als Zusatznutzen beispielsweise eine Kundensegementierung ermitteln, um unsere Umsätze anhand der Kundeneigenschaften kennenzulernen.
Mit den AI Komponenten in Power BI lassen sich weitere Erkenntnisse über unsere Kunden als Analysebaum ermitteln und als zielgerichtete Marketinggrundlage dienen.
Cloud Architektur
Die Lösungsarchitektur könnte so aussehen:
Ein zentrales Data Warehouse (Azure SQL) enthält all unsere nötigen operativen Ist-Daten, diese werden mit Databricks verarbeitet und der ermittelte Forecast wieder ins DWH gespeichert.
Optional könnte mit den Daten auch eine Kundensegmentierung ermittelt werden.
Eine Planungslösung verwendet den Predictive Forecast als Grundlage und speichert die Planungsdaten im DWH.
Als Datenprozess dient die Azure Data Factory.
Nun können Ist-Daten, maschineller Forecast und die Planung in Power BI Reports dargestellt werden und bei Bedarf automatisch als eMail versendet werden.
Conclusio
Ein Financial Forecast mit überschaubarer Anzahl an Parametern und guten Grunddaten kann als relativ einfache Cloud-Lösung Mehrwert für zukünftige Finanzzahlen und auch den Planungsprozeß geben.
Auch ohne tiefes Data Science Wissen können durchaus brauchbare Ergebnisse erzielt werden.
Als Lösung dient das meist ohnehin vorhandene Data Warehouse mit den Grunddaten, die in Databricks aufbereitet und mit Prediction-Bibliotheken ein Forecast gerechnet wird, der auch als Basis für die Planung dienen kann.
Alle Kennzahlen können gemeinsam in einem Power BI Report angezeigt und gefiltert werden.
Teile Deine Erfahrungen mit einem Kommentar unten!
Schreibe einen Kommentar