Leitfaden zum Forecasting
In jeder Branche sind Forecasts äußerst wichtig, um eine entsprechende Planung vornehmen zu können – Kosten, Personal, Wirtschaftlichkeit.
Unser Forecasting umfasst die Vorhersage für die Zukunft von
- Kontaktvolumen aller Art
- Bearbeitungszeiten (AHT)
auf Basis von
- historischen Ist-Daten
- Zusatzinformationen über die Vergangenheit (Geschehnisse, Kontakttreiber)
- Annahmen oder Wissen über die Zukunft.
Die von uns erstellten Forecasts kennzeichnen sich durch verschiedene Vorlaufzeiten („long term“ / „short term“ Forecasts), verschiedene Zeitraster (z. B. Tageswerte, Intervallwerte) und die Nutzung erfolgreicher, moderner Werkzeuge.
Unsere Systematik bei der Implementierung:
Durch systematische Berücksichtigung aller Erfolgsfaktoren können wir bestmögliche Forecasts liefern.
Unsere Vorgehensweise:
1. Datengrundlage schaffen
-
- Datenimport: Import von historischen Daten (welche KPI stehen zur Verfügung, welcher Zeitraum, Format, Vollständigkeit, Fehlerfreiheit) inkl. Datenaufbereitung (ggf. systematische Bereinigung Kontaktwiederholer) und technischer Datenbereinigung
-
- Datenverständnis: idealerweise systematische Klassifikation von Besonderheiten / Auffälligkeiten der Vergangenheit (Zeitpunkte oder Zeiträume mit Störungen, Pandemien/Krankheitswellen, Gesetzesänderungen und anderen Treibern für Kontaktvolumen oder Bearbeitungszeiten)
- welche davon können als Prädiktoren (Variablen für die Vorhersage) für die Zukunft dienen (z. B. Erkältungssaison)
- welche erklären die Vergangenheit, sind aber nicht als Prädiktoren geeignet (z. B. plötzlich/zufällig auftretende Geschehnisse)
- Datenverständnis: idealerweise systematische Klassifikation von Besonderheiten / Auffälligkeiten der Vergangenheit (Zeitpunkte oder Zeiträume mit Störungen, Pandemien/Krankheitswellen, Gesetzesänderungen und anderen Treibern für Kontaktvolumen oder Bearbeitungszeiten)
-
- Datenaufbereitung: Bereinigung zur Verwendung der Daten für Mustererkennung und zukünftige Prognosen: optionales Anpassen oder Löschen
- Ausreißererkennung mit statistischen Methoden (triviales Erkennen)
- Erkennung von Modell-Ausreißern (fortgeschrittenes Erkennen)
- Datenaufbereitung: Bereinigung zur Verwendung der Daten für Mustererkennung und zukünftige Prognosen: optionales Anpassen oder Löschen
2. Modellerstellung
Wir nutzen Verfahren, die automatisch Muster, Trends, Saisonalitäten, Ausreißer und Change Points („Sprungstellen“) erkennen und viele Parameter selbständig anpassen. Wir unterscheiden triviale/implizite Prädiktoren wie Wochentage, Uhrzeiten, Feiertage, Brückentage, Urlaub und weitere kalendarische Variablen sowie explizite Prädiktoren, sprich relevante Modellvariablen, die die Vergangenheit erklären oder für die Zukunft entscheidend sind und von uns im Rahmen der Modellerstellung ermittelt und implementiert werden.
3. Parametrisierung
Automatische und handoptimierte Erstellung von Saisonalitätsmodellen, Tuning von Change Points, Hinzunahme von Wachstumseffekten und über 20 weitere statistische/algorithmische Parameter der Forecast-Modelle
4. Optimierung
iterativer Prozess der Modelloptimierung:
-
- testweise Forecast-Erzeugung für die Vergangenheit
- Messung der Modellgüte
- falls das Modell noch nicht optimal ist: Analysen/Ergänzung Treiber, Parameter
Unsere Methodenkompetenz und Tools
a) Forecast-Methoden:
Einsatz modernster statistischer und KI-basierter Prognosetechniken
- Statistische Methoden: (S)ARIMA(X), exponentielle Glättung, Regressionen.
- KI-basierte Methoden: Neuronale Netze, Machine Learning (z.B. Prophet, XGBoost).
- Jedes Modell wird auf Eignung und Güte geprüft – mit dem Ziel, höchste Präzision zu erreichen.
b) Systeme und Werkzeuge:
Einsatz professioneller Tools für Datenanalyse und -visualisierung
- Datenbereinigung und -analyse: Python, Jupyter Notebooks, Power BI Analytics.
- Reporting & Dashboards: Microsoft Power BI, Excel-Toolsets, und kundenspezifische Datenintegration.
c) Middleware und Anbindung:
Schnelle Integration: Unsere Middleware ermöglicht eine zügige Anbindung an datenliefernde und datenempfangende Kundensysteme
- API-Fähigkeit: Einfache Einbindung in Kundenumgebungen durch REST-APIs, für eine flexible und erweiterbare Systemlandschaft.
- kundenspezifische Anpassungen: Individuelle Anpassung und Erweiterung der Middleware gemäß den spezifischen Anforderungen des Kunden.
Der operative Forecasting-Prozess
Forecasting as a Service
Neben unserer Beratungsleistung zum Thema Forecasting und der einmaligen Erstellung und Übergabe eines individuell für Ihr Unternehmen konfigurierten Modells bieten wir unseren Kunden auch das Komplettpaket „Forecasting as a Service“ an. Heißt im Klartext: Es ist kein interner Mitarbeiteraufbau für Forecasting nötig und es muss kein spezifisches Expertenwissen in Ihrem Unternehmen vorgehalten werden.
Wir erstellen für Sie präzise Forecasts, mit denen Sie Ihre Ressourcen effizient planen, ihr Personal optimal einsetzen und Leerlaufzeiten minimieren können. Mit unserer Expertise und modernen KI- und Machine-Learning-Methoden modellieren wir ihr Geschäft und erstellen genaue Vorhersagen. Die Qualitätssicherung der Ergebnisse, die Modellpflege und -optimierung sowie die Ausreißerbewertung erfolgt durch uns. Aufwände (z.B. bei Anpassungen des Modells, Aufnahme neuer Forecast-Themen etc.) sind so für Sie leichter skalierbar und das Risiko bzgl. Personalausfällen ist in unserem „Forecasting as a Service“-Paket mit abgedeckt.
Referenzen
Kunde A: Regionaler Energieversorger
Ausgangssituation: kein Forecast vorhanden
Ziele:
- Erstellung eines Forecasts für alle Einzelthemen und Kanäle als Basis für eine bedarfsorientierte operative Personaleinsatzplanung sowie die strategische Jahres- und Budgetplanung
- Konzeption und Implementierung eines operativen Forecasting-Prozesses (Forecasting as a Service)
Vorgehensweise:
- Schaffung Datengrundlage
- Entwicklung Mandanten-/Forecast-/Skillstruktur
- Erstellung, Parametrisierung und Optimierung des Forecasting-Modells
- Einführung eines operativen Forecasting-Prozesses
- Einführung von KPIs (u.a. Forecast-Güte) zur Qualitätsmessung
Highlights und Erkenntnisse:
- Auch mit schwieriger bzw. zum Projektstart teilweise nicht vorhandener Datengrundlage Erstellung eines qualitativ hochwertigen Forecasts möglich
- Durch Einführung des Forecasting-Modells und des operativen Forecasting-Prozesses Sensibilisierung des Kunden bzgl. des Themas Forecasting, gemeinsame kontinuierliche Optimierung des Modells und der Forecast-Güte
Kunde B: Versicherungsbranche
Ausgangssituation: Forecast nur teilweise für eingehende Anrufe vorhanden
Ziele:
- Prüfung der Forecastfähigkeit, ob gesamthafte Forecasterstellung für alle Einzelthemen und Kanäle möglich und sinnvoll ist
- Empfehlung bzgl. zukünftigem Forecasting-Prozesses an Auftraggeber
Vorgehensweise:
- Entwicklung Forecast- und Skillstruktur
- Datenimport, -aufbereitung und -bereinigung
- Erstellung, Parametrisierung und Optimierung des Forecasting-Modells
- Präsentation der Ergebnisse und Empfehlung an Auftraggeber
Highlights und Erkenntnisse:
- Wiederlegung der Aussage „unsere Themen sind nicht forecastfähig“
- Deutliche Verbesserung der Forecast-Güte der bereits vorhandenen Forecasts durch unser Modell