Liquiditätsforecast: Predictive Analytics steigert Progn ... / 5.3 Vorgehensweise zur Einführung

In bisherigen Projekten zur Einführung eines digitalen Liquiditätsforecasts haben sich im Wesentlichen drei erfolgskritische Aspekte herauskristallisiert: Ein strukturierter Projektablauf, die Einbeziehung von Lessons Learned und der unternehmensinterne Kompetenzaufbau.

5.3.1 Strukturierter Projektablauf

1. Zu Beginn eines Projektes sind die Erwartungen ausgehend von einer Ist-Analyse der Datenqualität und -struktur festzulegen.
2. Anschließend werden in der ersten Projektphase Ziele und Dimensionierung des Anwendungsfalls konkretisiert. Bewährt haben sich hierfür Treibermodelle, auf deren Basis im nächsten Schritt die Definition modellrelevanter externer und interner Daten erfolgt. Um ein einheitliches Verständnis für diese Daten sicherzustellen, sollten die Anforderungen für alle Felder und Datensets in Kooperation von Fachabteilung und IT erarbeitet sowie präzise dokumentiert werden.
3. Daraufhin sind die Daten zu beschaffen, wozu gegebenenfalls Vertraulichkeitsvereinbarungen und Verträge mit externen Providern zu schließen sind. Der Aufbau von Schnittstellen erleichtert die Zusammenführung aus unterschiedlichen Quellen in eine Datenbank, in welcher die Daten harmonisiert werden.
4. Nach der Harmonisierung folgt die Säuberung. Dieser Schritt umfasst sowohl die Bereinigung um Einmal-Effekte als auch die Identifikation fehlender Werte. Letztere können die Ergebnisse des Forecasts signifikant verzerren, weshalb abzuwägen ist, ob eine maschinelle Vervollständigung der Datenreihen sinnvoll ist.
5. Unter Verwendung der gesäuberten Daten werden schließlich verschiedene Modellvarianten entwickelt und erprobt, um das optimale Modell auswählen zu können.
6. Ist die Entscheidung für ein Modell getroffen, folgt das Training und die Weiterentwicklung bis das Modell mit einer Visualisierung der Ergebnisse in bestehende Systeme und Prozesse integriert werden kann.

5.3.2 Lessons Learned

Die Lessons Learned aus vergangenen Projekten lassen sich in 2 Kategorien einordnen.

• Zum einen sind notwendige technische Anforderungen zu erfüllen. Dabei ist sicherzustellen, dass die Datenanlieferung in einheitlicher Struktur und Granularität erfolgt. Die Quellen für diese Daten sind auf die ausgewählten Anwendungsfälle abzustimmen und die erforderlichen Schnittstellen frühzeitig zu definieren. Die Integration verschiedener Datenquellen in ein holistisches System ist eine der zentralen Herausforderungen in der Anwendung von Predictive-Analytics-Methoden. Grundlage hierfür ist eine automatisierte Anbindung der internen und externen Datenquellen. Diese reduziert nicht nur erheblich den Aufwand und die Fehleranfälligkeit, die durch die manuelle Zusammenführung aus verschiedenen System entstehen, sondern ermöglicht die flexible Einbindung aller verfügbaren Daten sowie eine effiziente Analyse von Einmal-Effekten. Somit werden Aktualisierungen des Forecasts auf täglicher Basis oder auch ad-hoc möglich. Darüber hinaus bildet ein holistisches System die Grundlage für moderne Business-Intelligence-Lösungen und die automatisierte Berichterstellung.
• Zum anderen gilt es im Projektmanagement 4 Faktoren zu berücksichtigen. Es ist zu Beginn ausreichend Zeit für die Datenaufbereitung sowie für Ad-hoc-Analysen einzuplanen. Eine daran anknüpfende Überprüfung der Zielsetzung gewährleistet deren Realisierbarkeit. Für die Vorgehensweise im Projekt sind agile Methoden empfehlenswert, um rechtzeitig Fehlentwicklungen zu erkennen und gegebenenfalls gegensteuern zu können. Ein weiterer Faktor ist die Einbindung der Endnutzer ab Projektbeginn zur Erhöhung der Akzeptanz der neuen Methoden.