Use Case Nachfrageprognose

Bild­nach­weis: ESB Professional/Shutterstock.com

Worin beste­ht die Herausforderung?

Für viele Entschei­dun­gen von Unternehmen ist es wichtig, die zukün­ftige Nach­frage möglichst genau abzuschätzen und so (langfristige) Trends in die Entschei­dung ein­fließen zu lassen. Auf Basis dieser prog­nos­tizierten Nach­frage erfol­gt die Mate­ri­albeschaf­fung, Fer­ti­gungs­pla­nung oder die Pla­nung von Verkaufs­förderungs­maß­nah­men. Je unklar­er die Nach­frage­pla­nung ist, desto unsicher­er sind die darauf basieren­den Entscheidungen.

Welche Dat­en kön­nen hier helfen?

• Experten­schätzun­gen und ökonomis­che Dat­en (Zin­sen, Beschäf­ti­gun­gen oder Einkommen)

• Unternehmensdaten (Veränderungen von Maschinennutzungs- oder Transaktionsdaten)

• Kund­schafts­dat­en (his­torische Dat­en zur Nach­frage und den Absätzen gle­ich­er oder ver­gle­ich­bar­er Pro­duk­te, Umfrageergeb­nisse, soziode­mografis­che Dat­en wie Einkom­men oder Präferen­zen, Milieu­dat­en zu ein­er geografis­chen Region)

• Wet­ter­dat­en (die Berück­sich­ti­gung der Wind- und Solarstromein­speisung )im Energiehandel

Wie kommt der Nutzen aus den Daten?

Im Kern beste­ht der Nutzen der daten­basierten Nach­frage­prog­nose darin, dass sie eine Fülle an vor allem his­torischen Dat­en kom­biniert. So lassen sich Muster iden­ti­fizieren, welche Auskun­ft über kün­ftige Verkauf­sereignisse und Nach­fragev­erän­derun­gen liefern. 

Damit schaf­fen Date­n­analy­sen Szenar­ien mit Ein­trittswahrschein­lichkeit­en, die im Fol­gen­den Unter­stützung bei Entschei­dun­gen bieten. Ver­schiedene Prog­nosemeth­o­d­en kön­nen einge­set­zt wer­den. Sie unter­schei­den sich in ihren Kosten, Zei­tho­r­i­zon­ten (länger- oder kurzfristig) und geeigneten Anwen­dungs­ge­bi­eten. Wichtig ist in jedem Fall eine möglichst hohe Datenqualität.

Wo wird diese Daten­nutzung bere­its angewendet?

• Der Nahrungsmit­telkonz­ern Nestlé nutzt eine Busi­ness-Ana­lyt­ics-Soft­ware, um Mark­t­dat­en, Kund­schafts­dat­en, Preise und Kosten sowie Umsatzver­läufe auszuw­erten. So kön­nen die Nach­fragevorher­sagen und Bedarf­s­pla­nun­gen für die Pro­duk­t­palette verbessert werden.

• Die Kom­bi­na­tion aus Verkaufs­dat­en und geo­graphis­chen Dat­en ermöglicht dem Mul­ti-Tech­nolo­giekonz­ern 3M dif­feren­zierte Aus­sagen zur Unternehmensper­for­manz und zur glob­alen Verteilung der Umsätze.

• Das Schädlings­bekämp­fung­sun­ternehmen Groli sam­melt his­torische Dat­en, um darauf auf­bauend die kom­menden Ein­sätze und Zeit­punk­te der Schädlingsaufkom­men bess­er abschätzen zu können

 

Welchen Beitrag leis­tet diese Daten­nutzung zur Wertschöpfung?

Die Prog­nose der zukün­fti­gen Nach­frage hat Auswirkun­gen auf die Wertschöp­fungs­kette. Mate­ri­alflüsse und Pro­duk­tion­ska­paz­itäten wer­den an der erwarteten Nach­frage aus­gerichtet. Auch Preise kön­nen an die Prog­nose angepasst wer­den. Wird die Nach­frage let­ztlich opti­mal bedi­ent, kön­nen sowohl interne Wertschöp­fung­sprozesse als auch der Absatz verbessert werden.

Quellen: Nestlé (2019), 3M (2017), Groli (2019)

Pub­lika­tion: Wie Unternehmen Dat­en heute schon nutzen und in Zukun­ft nutzen kön­nen. Her­aus­ge­ber: Fraun­hofer IMW, Inhalt: Data Min­ing und Wertschöpfung

Link zur Publikation
Start Dat­en- und Ideenfinder
Start­seite