48
einzelnen Modelle und abweichenden Empfeh-
lungen je Teilgeschäftsfeld auszugehen.
Im abschließenden
Backtesting
wurde geprüft,
inwieweit die statistischen Modelle die Umsatz-
prognose der Teilgeschäftsfelder optimiert ab-
bilden. Dazu wurden für den Zeitraum Januar
2016 bis Juni 2017 Predictive-Analytics-Prog-
nosen auf monatlicher Basis mit den verschie-
denen Verfahren erstellt. Die Abweichungen zu
den Istwerten konnten dann mit den Abwei-
chungen der bisherigen Prognosen zu den Ist-
werten verglichen werden. Am Beispiel der ers-
ten Predictive-Analytics-Prognose Januar 2016
wurden also die Daten zwischen Januar 2005
und Dezember 2015 genutzt, um mit Hilfe des
erstellten Tools einen Prognosewert zu errech-
nen. Für die folgenden Monate verlängert sich
der Zeitraum der Daten um jeweils einen Monat,
wobei die frühesten herangezogenen Informati-
onen stets aus Januar 2005 stammen.
Empirischer Befund zur
Prognosequalität
Abbildung 5 zeigt, dass mit dem Predictive Ana-
lytics Tool deutliche Verbesserungen in der Pro-
gnosequalität erzielt werden. Bereits auf Ebene
der beiden ‚Knoten‘ Post International und
Denkbar wären auch kausale Zusammenhänge
zwischen Sendungsaufkommen und bspw. un-
terschiedlichen Wetterlagen. Auf Grund der zu
bearbeitenden Briefformate und Sendungs-
strukturen war dies für DPI jedoch nur einge-
schränkt von Bedeutung. Insbesondere das
Brainstorming zu möglichen Korrelationen ist
sowohl für Controller als auch Produktmanager
ein sehr spannender Prozess, an dessen Ende
eine mathematische Validierung möglicher Ver-
bindungen steht. Hier ist Kreativität durchaus
angebracht. Die bereinigten Daten wurden im
Anschluss in die Data-Analytics-Anwendung
Python eingespielt, in der bereits alle wichtigen
statistischen Algorithmen implementiert sind.
Im Rahmen der Modeling-Projektphase wurden
die aufbereiteten Zeitreihen aus dem Zeitraum
Januar 2005 bis Juni 2017 je Teilgeschäftsfeld
auf Basis fünf unterschiedlicher statistischer
Modelle im Hinblick auf wiederkehrende Muster
und weitere Auffälligkeiten analysiert, um so
Vorhersagen über zukünftige Entwicklungen
des Umsatzes zu berechnen. Verwendet wurden
dabei Regressionsmodelle (Lineare Regression
und Lasso Regression) und Entscheidungsbäu-
me (Random Forests, Extra Trees und Gradient
Boosting).
3
Da alle fünf Modelle die Zeitreihen in
unterschiedlicher Form untersuchen, war von
differenzierten Untersuchungsergebnissen der
Abbidung 4 zeigt, welche Datenquellen genutzt
werden konnten. Über das konzerneigene Re-
porting System CREST (TM1 basiert) konnte ein
Datenpool mit Umsätzen ab 2005 genutzt wer-
den, wobei die Länge von Datenreihen in der
benötigten Struktur oftmals das Kernproblem
bei der Implementierung von Predictive Ana-
lytics in Unternehmen darstellt. Diese Daten
wurden um Sondereffekte (z. B. den Streik wäh-
rend der Tarifverhandlungen 2015) bereinigt,
um die Wahrscheinlichkeit für ‚falsche‘ Daten-
muster, die das Tool später erkennt und für die
monatliche Umsatzprognose heranzieht, zu mi-
nimieren. Historische Prognosen der Produkt-
manager dienten dazu, die Qualität des Progno-
se-Tools gegenüber den bisherigen Umsatzpro-
gnosen zu validieren – sie dienten also nicht un-
mittelbar dem Erkennen von Mustern innerhalb
der Datensätze, sondern sollten auf Nachbesse-
rungsbedarf bei der Modellierung hinweisen.
Zu den externen Datenquellen zählten kalenda-
rische Informationen über die Anzahl der mo-
natlichen Arbeitstage, Informationen über
Schulferien in den für DPI wichtigen Ländern
und Wahltermine, die zu Briefwahlaufkommen
führen. Beide Informationen helfen Korrelatio-
nen innerhalb der Zeitreihen sowohl im Monats-
als auch im Jahresvergleich zu interpretieren
und für künftige Prognosen zu berücksichtigen.
Abb. 4: Interne und externe Informationsquellen
Digitale Transformation des Controllings
