13
weise aufwendig, aber um eine hohe Prognose-
genauigkeit zu erzielen, sollten diese Daten
nicht vernachlässigt werden. Unstrukturierte
Daten können für die Verarbeitung in eine
strukturierte Form übertragen werden, wie bei-
spielsweise die kalendarische Darstellung von
Marketingaktionen für bestimmte Produkte.
Dieser initiale Aufwand ist berechtigt, da die
strukturierte Form der Daten für verschiedene
Produkte oder Modelle notwendig ist und zur
Wiederverwendung dient.
Nachdem die für das Modell relevanten Daten
entsprechend aufbereitet wurden, wird in der
Modeling-Phase die passende Methode ausge-
wählt und angewendet. Es existieren viele ver-
schiedene Predictive-Analytics-Methoden mit
unterschiedlichen Herangehensweisen und sta-
tistischen Ansätzen. Keine der Methoden konn-
te sich als universelle Prognosemethode durch-
setzen: Sie sind insbesondere abhängig vom
verfolgten Ziel der Prognose, der Datenverfüg-
barkeit und deren zeitlichem Horizont.
Auswahl der „richtigen“
Prognosemethode
Für die Auswahl geeigneter Methoden konnten
im Rahmen des Projektes wichtige Kriterien
identifiziert werden, die für die praktische An-
wendung als relevant angesehen werden. Häu-
fig eignen sich mehrere Methoden, wobei die
bisherige Erfahrung bei McDonald’s Deutsch-
land mit Predictive Analytics für die Umsatz-
prognose gezeigt hat, dass das Verständnis
mit die Profitabilität berechnet werden kann.
Als weiterer Vorteil stellte sich heraus, dass
keine Ausreißer festgestellt wurden, die nicht
durch Marketingaktionen erklärt werden konn-
ten, da USD Durchschnittswerte darstellen. Für
verschiedene Methoden, den Vergleich von
verschiedenen Kennzahlen oder die verein-
fachte Interpretation von Einflussfaktoren kön-
nen die Daten normalisiert werden.
Und wie geht man mit den
unstrukturierten Daten um?
Neben den strukturierten Verkaufszahlen wie
USD gibt es Daten, die weniger strukturiert vor-
liegen, sogenannte unstrukturierte Daten. Zu
den unstrukturierten Daten zählen zum Beispiel
Informationen zu Marketingaktionen. Die Auf-
bereitung unstrukturierter Daten ist möglicher-
tendstem christlichen Fastentag die Verkäufe
von Fischprodukten im Vergleich zu einem nor-
malen Freitag verdoppeln. Dieses Beispiel
zeigt, dass
die beiden Schritte Business Un-
derstanding und Data Understanding im
CRISP-DM Prozessmodell in enger Verbin-
dung stehen und ein iteratives Vorgehen
empfehlenswert oder sogar notwendig ist
,
um die relevanten Einflussfaktoren für das zu
erstellende Modell zu erfassen.
Die Daten müssen dem
Projektziel dienen
Im dritten Schritt der Datenvorbereitung (Data
Preparation) werden die Daten ausgewählt, be-
reinigt und transformiert. Bei der Datenaus-
wahl sollten neben der Verfolgung des Projekt-
ziels auch technische Restriktionen berück-
sichtigt werden. Die Bereinigung der Daten soll
für spätere Schritte die Datenqualität sicher-
stellen. Dabei werden die Daten um die nicht
erklärbaren oder fehlerhaften Werte bereinigt.
Bei der Transformation können die Daten in
eine beliebige Form gebracht werden, die für
bestimmte Methoden oder Programme benö-
tigt wird. Für das Projekt bei McDonald’s
Deutschland wurde die Kennzahl USD gewählt.
Damit können die benötigte Ware und der re-
sultierende Umsatz bestimmt werden. Diese
Kennzahl berücksichtigt, wie viele Filialen ge-
öffnet waren, und kann dementsprechend ab-
bilden, wenn Filialen geöffnet oder geschlos-
sen werden. Zudem lässt sich der Einflussfak-
tor Verkaufspreis heranziehen. Dies ermöglicht
wiederum, dass die Rohertragsquote und da-
Abb. 3: Normalisierte Darstellung der Produktverkäufe vor/am/nach Gehaltseingang
Autoren
Benedikt Horstenkamp, M. Sc.
ist Absolvent der technischen Universität München und hat sich
während des Studiums mit den Einflussfaktoren auf Entscheidungen,
Predictive Analytics und Unternehmensbewertungen beschäftigt.
E-Mail:
Viktoria Göbel, Ph. D. in Accounting
ist Manager im Controlling bei McDonald’s Deutschland. Sie ist
zuständig für Umsatzprognosen und betreut das Projekt zum
Einsatz von Predictive Analytics für die Produktmix-Planung.
CM März / April 2019
