12
Beispiel datengetriebenes
Vorgehen: „Die Daten sprechen
zum Controller“
Anhand eines konkreten Beispiels beschrei-
ben wir den datengetriebenen Ansatz mit Un-
terstützung der PMM. Zur Identifikation von
Kunden, die ihr Zahlungsziel überschreiten
und damit ihre Vertragsbedingungen nicht
einhalten, werden die Zeitstempel „Finale Due
Date“ und „Zahlungseingang“ betrachtet. Im
Vergleich zum Zahlungsziel fängt diese Analy-
se somit am letztmöglichen Zahlungstermin
an und nicht am gewählten Zahlungstermin.
Was erfahrungsbasiert bereits bekannt ist, er-
gibt eine Aufstellung der säumigen Kunden.
Damit wird über den Big-Data-Ansatz das be-
reits bekannte Wissen bestätigt. Darüber hin-
aus werden datengetrieben noch weitere Er-
gebnisse gefunden, die bis dato nur schwer
ermittelbar und nicht bekannt sind. Analysiert
man die säumigen Kunden nun tiefer, so er-
kennt man, dass es bei einzelnen Kunden
durchaus regionale Unterschiede gibt, die in
der Gesamtbetrachtung außen vor bleiben
(vgl. Abbildung 3)
Bei einem Kunden ergibt sich über eine tiefer-
gehende Analyse folgendes Bild:
Die Tochtergesellschaft des Kunden in Land 1
weist eine sehr gute Zahlungsmoral auf und
zahlt bis zu 30 Tage früher (weiße Markierung).
Von der Tochtergesellschaft in Land 2 gehen
die Zahlungen bis zu 20 Tage zu spät ein. Diese
raum einzugrenzen. Anschließend werden mit
Hilfe von Regressionsmodellen Treiber ermit-
telt, die aufgrund statistischer Zusammen-
hänge Einfluss auf Key Performance Indika-
tors haben. Alternativ kann man sich auf Ba-
sis einer Suchfunktion den Treibern nähern.
Dazu werden die von Bots erstellten Scopes
analysiert. Durch Bots werden laufend mögli-
che Korrelationen zwischen zwei beliebigen
Zeitstempeln geprüft.
Unabhängig von der Einstiegsart werden an-
schließend die identifizierten Korrelationen und
Driver einer Vorauswahl unterzogen. Zum einen
die True DPO, die True DIO bzw. die True DSO,
um eine stringente Ausrichtung auf den jeweili-
gen Teil des Cash Conversion Cycles zu haben.
Die True DPO wird als die Anzahl der Tage zwi-
schen dem Event „Document Date in Invoice
Document“ und „Clearing Date“ definiert. Die
True DIO gibt das gebundene Kapital der Be-
stände in Tagen an und wird aus dem Quotien-
ten „Value of Inventory“ und „Daily Consumpti-
on“ gebildet. Bei der True DSO handelt es sich
um die geliehenen liquiden Mittel an den Kun-
den. Sie umfasst die Anzahl der Tage zwischen
den Events „Invoice Issued“ und „Payment
Created“. Zur Identifizierung der Potentiale wer-
den entweder über eine Clusteranalyse die Da-
tenhäufungen identifiziert und anschließend
eine Ursachenanalyse gestartet oder über
„Patterns“ Muster identifiziert. Durch eine ite-
rative Analyse werden schließlich die finalen
Ergebnisse ermittelt.
Datengetriebene versus
Erfahrungsbasierte Analyse
Bei der Big-Data-Analyse stehen zwei grundle-
gende verschiedene Analyse-Ansätze zur Aus-
wahl: der
erfahrungsbasierte
Ansatz und der
datengetriebene Ansatz
(vgl. Abbildung 2).
Beim erfahrungsbasierten Ansatz werden be-
kannte Sachverhalte nachvollzogen und ana-
lysiert bzw. vorliegende Hypothesen über-
prüft. Der Vorteil besteht darin, dass man sich
mit der Arbeitsweise von Big-Data-Analyse
vertraut machen kann. Effizienzsteigerungen
können bereits in dieser „Lernphase“ entste-
hen, da vertraute Analyseansätze, die bisher
über Multiberichte aus unterschiedlichen Da-
tenquellen durchgeführt wurden, über ein
Analysetool mit wenigen Arbeitsschritten um-
gesetzt werden können. Beim datengetriebe-
nen Ansatz hingegen lässt man sich durch die
Potentialanalysen des Big Data Analytics Tool
hypothesenfrei leiten. Diese toolbasierten Vor-
schläge werden permanent durch im Hinter-
grund arbeitende Bots und Algorithmen er-
zeugt und fußen auf rein statistischen Wahr-
scheinlichkeiten. Ausgangspunkt der daten-
getriebenen Analyse ist die Definition von
Prämissen. Diese umfassen die Auswahl einer
Business Function (dabei handelt es sich pri-
mär um einen der Prozesse Source, Make
oder Deliver) sowie eines Scopes, um die vor-
handene Datenmenge auf den relevanten
Sachverhalt und möglicherweise auch Zeit-
Abb. 2: Erfahrungsbasiertes versus datengetriebenes Vorgehen (Quelle: Bosch)
Predictive Analytics
