46
Die Deutsche Post DHL Group
und die DPI
Die Deutsche Post DHL Group ist der weltweit
führende Anbieter für Logistik und Briefkom-
munikation und bietet seinen Kunden logisti-
sche Dienstleistungen in über 220 Ländern
an. Im Jahr 2017 erwirtschaftete der Konzern
mit 520.000 Mitarbeitern einen Umsatz von
rd. 60 Mrd. Euro. DPI wiederum ist Teil des
Geschäftsbereichs Deutsche Post und um-
fasst selbst mehrere Geschäftsbereiche (siehe
Abbildung 2).
Während über den Import Briefsendungen
ausländischer Postgesellschaften in Deutsch-
land zugestellt werden, nutzt der Export kont-
rär hierzu die Zustellnetze der ausländischen
Postgesellschaften, um Briefsendungen aus
Deutschland im Ausland zustellen zu lassen.
Postalische Produkte bzw. Dienstleistungen
für ausländische Geschäftskunden werden in
den Teilgeschäftsfeldern Destination Germany
und Destination Worldwide zusammengefasst
und unterscheiden sich, bei ähnlichem Pro-
duktportfolio, in der Zieldestination – inner-
halb von Deutschland (Destination Germany)
oder außerhalb von Deutschland (Destination
Worldwide). Darüber hinaus bietet DPI kon-
zerninterne Logistikdienstleistungen an. Ins-
gesamt liegt der Marktanteil des Bereichs
Deutsche Post International bei 16,4 % des
weltweiten internationalen Briefverkehrs (vgl.
Deutsche Post DHL Group, 2018).
Intelligence
hinaus. Während sich klassische
BI-Systeme in der Regel mit Reporting, Kenn-
zahlenermittlung und der graphischen Darstel-
lung in Dashboards beschäftigen, liefert Data
Analytics Erkenntnisse, die zur direkten Ver-
besserung zukünftiger operativer Geschäfts-
prozesse im Kerngeschäft beitragen und damit
nicht nur die Wirtschaftlichkeit erhöhen, son-
dern auch zur Steigerung der Kundenzufrie-
denheit beitragen. Deshalb bezeichnet die Stu-
die ‚Advanced & Predictive Analytics‘ des Busi-
ness Application Research Center (BARC) die-
sen Controlling-4.0-Trend im Untertitel als
‚Schlüssel zur zukünftigen Wettbewerbsfähig-
keit‘ (vgl. Iffert et al., 2016).
Wetterdaten.
Data Preparation
bedeutet dann
die Aufbereitung der Daten für spätere Analy-
sen, d. h. Bereinigung um inkonsistente oder
fehlerhafte Daten.
Die Hauptarbeit der Data Scientists liegt im so-
genannten
Modeling
, d. h. der Programmie-
rung des Prognose-Modells mit Hilfe statisti-
scher Verfahren und Algorithmen. Nach der
Modellierung wird die Prognosequalität des
Predictive Analytics Tools auf Basis historischer
Ist- und Prognosedaten geprüft (
Evaluation
).
Hierzu wird das Modell mit Daten bis zu einem
gewissen Stichtag gefüllt, erkennt hieraus his-
torische Muster und prognostiziert nun auf Ba-
sis der im Tool hinterlegten statistischen Ver-
fahren einen Wert für die Folgeperiode, der mit
den vorliegenden Ist-Werten verglichen wird.
Als finaler Prozessschritt folgt die
Implemen-
tation
des Tools in den Prognoseprozess. Da-
ten eines neuen Monats sind dabei fortlaufend
der Datenbank hinzuzufügen. Ein Predictive
Analytics Tool ist also kein fixes statisches Mo-
dell, vielmehr ‚lernt‘ das Modell mit neu hinter-
legten Daten kontinuierlich und optimiert sich
so stetig weiter (vgl. Runkler, 2016).
Potentiale von Predictive Analytics
Die durch Data Analytics gewonnenen Er-
kenntnisse gehen weit über die von
Business
Abb. 1: CRISP-Modell
Abb. 2: Organisation Geschäftsbereich Post (Stand 12/2017)
Digitale Transformation des Controllings
