Liquiditätsforecast: Predictive Analytics steigert Progn ... / 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.