Machine Learning gestützte Nebenkostenprognose
Unternehmen
Branche
Projekt
Auftraggeber
Unser Auftraggeber ist ein weltweit führender Logistikanbieter. Das Unternehmen ermöglicht globalen Handel und verbindet so Menschen und Märkte. Mit Blick in die Zukunft soll die digitale Transformation in allen Unternehmensbereichen weiter forciert werden. Einer dieser Bereiche ist das Corporate Real Estate Management (CREM).
Zielsetzung
Die Planung der konzernweiten Mieten, insbesondere die der Nebenkosten, stellt in einem volatilen und teilweise unberechenbaren Umfeld, mit sich stetig ändernden Rahmenbedingungen, eine große Herausforderung dar.
Der komplexe und zeitaufwendige Prozess, der bereits in der Vergangenheit starken Veränderungen in der Kostenbasis unterworfen war, soll durch eine transparente, widerspruchsfreie und empfängerorientierte Datenaufbereitung abgelöst werden. Die bereits etablierte Prognosesystemlandschaft wird dabei um weitere Analysefunktionalitäten und Szenario-Modellierungen ergänzt. Diese präventiven Maßnahmen führen im Unternehmen zu einer deutlichen Optimierung und Erweiterung bestehender Strukturen, Informationen und Prozesse.
Kundenutzen
- Komplexitätsreduktion bei der Erstellung der Datenbasis
- Etablierung eines bereichsübergreifenden Single Point of Truth
- Abbildung komplexer Planungen sowie Forecasts für kurzfristig notwendige Handlungsempfehlungen
- Befähigung des Kunden zur Erstellung von hochflexiblen Ad-hoc-Analysen und Szenarien
- State-of-the-Art-Prognosesystemlandschaft
- Symbiose aus Advanced-Data-Analytics und modernster In-Memory-OLAP-Technologie
Lösung und technische Umsetzung
Die vollintegrierte State-of-the-Art-Prognosesystemlandschaft setzt sich aus drei Komponenten zusammen. IBM Planning Analytics auf der Basis von TM1 bildet dabei den Kern des Microservices-orientierten Eco-Systems. Die Machine-Learning-Umgebung wird durch den Einsatz zeitgemäßer Containerisierung ermöglicht, sodass dem Team zu jedem Zeitpunkt im Projekt der Zugang zu allen benötigten Data-Science-Werkzeugen, Python-Bibliotheken, Jupyter-Notebooks und Daten bereitsteht. Abschließend fungiert der IBM Planning Analytics-Workspace als webbasierter Zugang zur maßgeschneiderten Lösungen.
Über die Zusammenarbeit
Aufgrund der agilen Vorgehensweise im Projekt sowie des sehr hohen, interdisziplinären Co-Working-Ansatzes gelang ein beeindruckender Know-how-Transfer. Hierbei konnte
jedes Team in seinem Workstream, innerhalb der Prognosesystemlandschaft, die Expertise und das damit verbundene tiefgreifende Wissen bestmöglich einsetzen und zum Projekterfolg beitragen.