Vorteil

Verbesserung der Genauigkeit der Sales-Forecasts um bis zu 35%.

Daten

Historische Bestellverläufe sowie weitere interne und externe Datenquellen.

Methode

Skalierbarer Machine-Learning-Ansatz basierend auf Zeitreihenanalysen.


Künstliche Intelligenz für bessere Sales Forecasts bei der SMA Solar Technology AG

Herausforderung

Als ein global führender Spezialist für Photovoltaik-Systemtechnik bietet SMA Lösungen für private Solaranlagen, gewerbliche Photovoltaikinstallationen bis hin zu Solarkraftwerken im Megawattbereich an. Mit einem großen Portfolio an Systemtechnik und Energielösungen sowie weltweiten Zielmärkten, ist ein verlässlicher Sales Forecast für SMA ein Schlüsselelement für die Umsatz-, Ressourcen- und Materialplanung. Der bisherige Forecast-Prozess erforderte einen hohen manuellen Aufwand und Ressourceneinsatz. Die Informationsgrundlage für die zuständigen MitarbeiterInnen war vorrangig eine retrospektive Betrachtung ausgewählter interner Daten wie der historischen Verkäufe. Daher sieht SMA großes Potenzial bei der Steigerung der Genauigkeit und der Prozesseffizienz des Sales Forecasts.

Ziel

SMA will durch den Einsatz von Machine Learning die Qualität des Sales Forecasts erhöhen und den Vertrieb unterstützen.

Lösung

SMA hat die Data-Science-Experten von eoda mit der Realisierung des KI-Ansatzes im Sales Forecast beauftragt. Um für jedes Produkt in jedem Zielmarkt einen optimalen Forecast zu erzielen, hat eoda einen Ansatz gewählt, bei dem die von ihnen entwickelten Machine-Learning-Modelle sich automatisiert auf die individuellen Produkt/Markt-Kombinationen und ihre Besonderheiten anpassen.

eoda hat darüber hinaus neben den historischen Bestellverläufen weitere interne und externe Datenquellen in den Forecast mit einfließen lassen.

Ergebnis

Bereits früh in der Proof-of-Concept-Phase konnten die Machine-Learning-Modelle eine signifikante Verbesserung der Genauigkeit der Sales Forecasts erzielen. Konkret sind die Referenzwerte des Machine-Learning-Modells bis zu 35% besser als die bestehenden Expertenschätzungen (Messgröße: MAPE – Medium Absolute Percentage Error).

Diese Ergebnisse unterstützen den Vertrieb und dienen als bessere Planungsgrundlage für eine Vielzahl an Geschäftsbereichen. Der skalierbare eoda Ansatz mit passgenauen Machine-Learning-Modellen ist nach dem erfolgreichen PoC in kurzer Zeit auf das gesamte Portfolio und alle Zielmärkte ausrollbar.

YUNA delphi – für bessere Prognosen

Vom Einkauf bis zum Vertrieb optimieren wir mit YUNA delphi die Qualität Ihrer Prognosen. Dafür bringt YUNA delphi Ihr Expertenwissen und und unsere verlässlichen Prognosemodelle in einem einzigartigen Ansatz zusammen.

 

Erfahren Sie mehr. 

Screenshot und Logo von YUNA delphi

Wir verbessern auch Ihre Prognosen.