Predictive Intelligence im Fokus

Wie Predictive Intelligence Unternehmen transformiert

Datenanalyse durch Zeitreihenanalysen

Mini Case Study 4.1

Datenbasierte Entscheidungen: Ein neuer Ansatz für Kieswerke

Kundenherausforderung.

Ein grösseres Kieswerk in der Ostschweiz stand vor der Herausforderung, die Optimierung seiner über die ganze Region verteilten Depots durchführen zu müssen. Das Ziel war, eine datenbasierte Entscheidungshilfe zu entwickeln, die nicht nur die aktuelle Situation aufzeigt, sondern auch das Optimierungspotenzial der Depots ermittelt.

Unsere Rolle und Aufgabe

  1. Datenauswertung: Sämtliche verfügbaren Daten aus den verschiedenen ERP- und Umsystemen wurden ausgelesen und ausgewertet.
  2. Analyse: Durchführung von umfangreichen Korrelations- und Zeitreihenanalysen zur präzisen Beschreibung der aktuellen Situation.
  3. Predictive Analytics: Einsatz von Machine Learning zur Identifikation signifikanter Faktoren, die künftige Trends abbilden.

Resultate

  1. Übersicht der Depots: Die strukturierten Datenanalysen lieferten eine klare Übersicht über die aktuelle Situation jedes Depots.
  2. Trendprognosen: Machine Learning-Techniken ermöglichten es, zukunftsweisende Trends zu erkennen und vorherzusagen.
  3. Strategieentwicklung: Förderung eines gemeinsamen Verständnisses im Verwaltungsrat, das zu einer effizienteren Strategieentwicklung und fundierteren Entscheidungsfindung führte.
  4. Operative Effizienz: Das Kieswerk konnte seine Depots strategisch besser positionieren und die operative Effizienz steigern.

Mini Case Study 4.2

Vom traditionellen Kundenbesuch zur datengetriebenen Verkaufsstrategie

Kundenherausforderung

Ein führender Farbenlieferant in der Schweiz, der vor allem Holzbauer, Dachdecker, Fensterbauer und Schreiner beliefert, stand vor der Herausforderung, seine Verkaufsorganisation zu optimieren. Der Kunde wollte sich von klassischen Kundenbesuchen mit Musterabgaben komplett lösen und eine moderne, effektive Verkaufsstrategie entwickeln.

Unsere Rolle und Aufgabe

  1. Datenanalyse: Auslesen und strukturierte Analyse der CRM- und ERP-Daten.
  2. Tiefgehende Untersuchungen: Untersuchung von Abhängigkeiten und Merkmalen, einschliesslich Umsatzentwicklung, Bestellverlauf und Bestellperiodizität.
  3. K-Means-Clusteranalyse: Neugruppierung der Artikel zur Erarbeitung neuer Kundensegmente mit erkennbarem Potenzial.

Resultate

  1. Neue Segmentierungen: Traditionelle Kundensegmente wurden durch neue, auf Produkten basierende Segmentierungen ersetzt, die das Kundenpotenzial und Entwicklungsmöglichkeiten einfacher aufzeigen.
  2. Überarbeitetes Key Account Management: Neuausrichtung und Strukturierung des Key Account Managements, was zu gesteigerter Effizienz und mehrwert für Kunden führte.
  3. Gezielte Kundenberatung: Die Beratung wurde spezifisch auf den Wachstumsprozess und die Einsatzgebiete der Produkte der Kunden abgestimmt, was den Unternehmensumsatz positiv beeinflusste.

Mini Case Study 4.3

Optimierung der Auslastungsplanung in der Metallverarbeitung

Kundenherausforderung

Eines der grössten Metallverarbeitungsunternehmen für Grossteile in der Schweiz wollte seine Auslastungsplanung optimieren und gleichzeitig ermitteln, welche Auslastungsgrösse den optimalen Deckungsbeitrag liefert. Zudem war es dem Unternehmen wichtig, die Unterschiede in der Einrichtungsphase, Produktionsphase und Auslieferungsphase pro Artikel und Kunde zu untersuchen.

Unsere Rolle und Aufgabe

  1. Datenintegration: Zusammenführung und Aggregation sämtlicher verfügbarer Daten aus Zeiterfassung, Maschinenrohdaten und dem ERP-System.
  2. Analyse: Untersuchung verschiedener Abhängigkeiten, die einen Impact auf die Produktionsfaktoren haben könnten.
  3. Evaluation: Neue Informationen wurden gemeinsam mit den zuständigen Mitarbeitern untersucht und beurteilt.
  4. Experimente: Durchführung verschiedener A/B-Tests zur Überprüfung unterschiedlicher Theorien.

Resultate

  1. Verbesserte Einblicke: Der Kunde erhielt tiefere Einsichten in die entscheidenden Faktoren, die für Qualität, Produktions- und Einrichtzeit relevant sind.
  2. Wissensaustausch: Erfahrungen wurden unter den Mitarbeitern ausgetauscht und auf neue Ansätze geschult.
  3. Optimierte Produktionsplanung: Die Produktionsplanung wurde in einem grösseren Zusammenhang dargestellt, und neue Aufträge konnten besser in die Produktionsplanung integriert werden, was zu einem verbesserten Produktionsfluss führte.
  4. Laufende Updates: Weitere Informationen und Ergebnisse werden hinzugefügt, da das Projekt aktuell noch voll am Laufen ist.