15
Literatur
Crone, S. (2010). Neuronale Netze zur Prog-
nose und Disposition im Handel. Wiesbaden:
Springer.
Doganis, P., Alexandridis, A., Patrinos, P., & Sa-
rimveis, H. (2006). Time series sales forecasting
for short shelf-life food products based on artifi-
cial neural networks and evolutionary computing.
Journal of Food Engineering, 75 (2), 196-204.
Fahrmeir, L., Kneib, T. & Lang, S. (2009). Re-
gression: Modelle, Methoden und Anwendun-
gen, Berlin: Springer.
Henseler, J., Ringle, C., & Sinkovics, R.
(2009). The use of partial least squares path
modeling in international marketing. Advances
in International Marketing (AIM), 20, 277-320.
Kopalle, P., Mela, C. & Marsh, L. (1999). The
Dynamic Effect of Discounting on Sales: Empi-
rical Analysis and Normative Pricing Implica-
tions. Marketing Science, 18 (3), S. 317-332.
McCarthy, E. (1960). Basic marketing, a ma-
nagerial approach. Homewood, Ill: R.D. Irwin
Shearer, C. (2000). The CRISP-DM Model: The
new blueprint for data mining. Journal of Data
Warehousing, 5 (4), S. 13-22
Siegel, E. (2013). Predictive Analytics: The
Power To Predict Who Will Click, Buy, Lie Or
Die. Hoboken: John Wiley & Sons, Inc.
Stephens, M. (2006). Paycheque Receipt
and the Timing of Consumption. The Economic
Journal, 513 (116) S. 680-701.
Xia, S., Peng, B. & Peng, P. (2014). Review of
business intelligence through data analysis.
Benchmarking: An International Journal, 21 (2)
S. 300-311.
Žliobaite, I., Bakker, J. & Pechenizkiy, M. (2012).
Beating the baseline prediction in food sales:
How intelligent an intelligent predictor is?. Expert
Systems with Applications, 39 (1), S. 806-815.
um das Modell aufzusetzen und die generierten
Ergebnisse interpretieren zu können, vor allem
für die Arbeit mit dem Statistikprogramm „R“.
Jedoch kann das Konzept und dessen Im-
plementierung mit diesem Grundverständ-
nis intern im Controlling umgesetzt wer-
den.
Eine Priorisierung über Verständlichkeit,
Bedienbarkeit, Genauigkeit und Transparenz
der Ergebnisse bestimmt mitunter die Wahl des
statistischen Modells. Dabei ist das statistisch
komplexere und exaktere Modell nicht notwen-
digerweise das bessere für die Anforderung ei-
ner praktikablen Produktmix-Planung.
Das in dem Projekt gewählte lineare Regressi-
onsmodell erstellt eine Prognose für den Pro-
duktmix auf Basis der Vergangenheit.
Dieser
Ansatz kann nur valide Ergebnisse liefern
unter der Prämisse, dass sich die Kunden in
der Zukunft ähnlich verhalten.
Das bedeutet,
dass bei externen Schocks, Veränderungen von
gesellschaftlichen Faktoren oder neuen Ge-
schäftsbedingungen das Modell mit seinen Ein-
flussfaktoren auf seine Plausibilität überprüft
werden muss. Durch die Implementierung des
Modells verändern sich die Aufgaben des Cont-
rollers weg von einer aufwendigen Datenaufbe-
reitung und manuellen Hochrechnung hin zu ei-
ner erweiterten Plausibilisierung der Ergebnisse
durch Zusatzinformationen, die über das ver-
gangenheitsbasierte Modell hinausgehen.
Der
Fokus des Controllers verschiebt sich auf
Produktmix-Analysen und -Simulationen,
die echten Mehrwert schaffen und zur Risi-
koreduzierung beitragen.
Mit einem Predicti-
ve-Analytics-Modell steht dem Controller ein
starkes Tool zur Verfügung, das die Qualität der
Produktmix-Planung deutlich verbessert und
somit die Position des Controllers als Berater
des Managements stärken kann.
nose für Produktverkäufe erstellt werden. Die
erstellte Prognose sollte man anschließend
auf Plausibilität überprüfen und, wenn nicht
exakter modelliert werden kann, bei Bedarf
manuell anpassen, um bspw. zukünftige Mar-
ketingkampagnen, die nicht aus den histori-
schen Daten abgeleitet werden können, ad-
äquat abzubilden.
Überzeugende Ergebnisse
Zusammenfassend hat der Einsatz von Predic-
tive Analytics für die Produktmix-Planung meh-
rere Vorteile. Das Modell ermöglicht eine relativ
genaue Prognose. Die Validierung des Modells
mit tatsächlich erreichten Produktverkäufen
zeigt, dass die absolute prozentuale Abwei-
chung des implementierten Modells für die Pro-
gnose der Produktverkäufe bei durchschnittlich
ca. 6% liegt. Im Vergleich dazu hätte ein einfa-
ches Fortschreiben der Vorjahreswerte zu einer
durchschnittlichen absoluten prozentualen Ab-
weichung von ca. 35% geführt, die nur durch
aufwendiges manuelles Eingreifen eines erfah-
renen Controllers hätte reduziert werden kön-
nen. Die schnelle Verarbeitung und Aktualisie-
rung der Daten erlaubt darüber hinaus, auf
einzelne Gruppen von Filialen mit ähnlichen
Merkmalen einzugehen. Das neue Verfahren
unterstützt auch Hypothesentests, um bisheri-
ge Erfahrungswerte in manuellen Hochrech-
nungen zu bestätigen oder zu widerlegen. Au-
ßerdem ermöglicht das Modell im Vergleich
zum traditionellen Ansatz, relativ schnell meh-
rere Simulationen zu erstellen.
Die Erfahrung aus dem Projekt zeigt,
dass ein
statistisches Grundverständnis für den Ein-
satz von Predictive Analytics notwendig ist
,
Abb. 5: Implementierung des Predictive-Analytics-Modells für die Produktmix-Planung
CM März / April 2019
